NumPy报错cannot copy sequence with size 2维度不匹配排查

触发cannot copy sequence with size 2 to array axis with dimension 3的核心是赋值维度不匹配：

• 你的fcp()函数最终返回长度为2的元组：(匹配到的调色板颜色列表pal, 颜色距离值ans)
• 赋值目标img_rgb[p]是长度为3的数组，对应图像单个像素的3个颜色通道
  NumPy尝试将长度为2的序列写入长度为3的数组切片时，就会抛出该维度错误。

额外注意：OpenCV的cv2.imread()默认读取的图像通道顺序是BGR而非RGB，如果你要在RGB空间计算颜色距离，需要先调用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)做通道转换，否则会出现颜色匹配偏差。

最小修改版（保留原有循环逻辑） #

只需要修改循环内的赋值逻辑，接收fcp()返回值时丢弃不需要的距离值，仅将颜色数组赋值给像素即可：

import math
import cv2
import numpy as np

palletes = [[255,85,85],[80,250,123],[255,184,108],[40,42,54],[68,71,90],[248,248,242],[98,114,164]]
def fcp(pixel, palletes):
    ans = math.inf
    pal = [0,0,0]
    for pallete in palletes:
        result = math.sqrt(sum(list(map(lambda x,y: (x-y)**2, pixel, pallete))))
        if result < ans:
            ans = result
            pal = pallete
    return pal, ans

img = cv2.imread('wallpaper.png')
# 若需要在RGB空间计算距离，取消下行注释
# img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img_rgb = img.reshape((img.shape[0]*img.shape[1],3))
for p, pixel in enumerate(img_rgb):
    # 仅取返回的颜色值，丢弃距离值
    match_color, _ = fcp(list(pixel), palletes)
    img_rgb[p] = match_color
img_rgb = img_rgb.reshape(img.shape[0],img.shape[1],3)
# 如果之前做了BGR转RGB，保存前需要转回BGR
# img_rgb = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2BGR)
cv2.imwrite('wallpaper_new.png', img_rgb)

性能优化版（NumPy向量化，处理大图速度提升100倍以上） #

原生Python逐像素循环处理高分辨率图像速度极慢，可以用NumPy广播机制批量计算所有像素到调色板的距离，避免显式循环：

import cv2
import numpy as np

palletes = np.array([[255,85,85],[80,250,123],[255,184,108],[40,42,54],[68,71,90],[248,248,242],[98,114,164]], dtype=np.float32)
img = cv2.imread('wallpaper.png')
h, w = img.shape[:2]
# 像素转float32避免计算溢出，拉平为(像素总数,3)
pixels = img.reshape(-1, 3).astype(np.float32)
# 广播计算每个像素到每个调色板颜色的距离：形状为(像素总数, 调色板数量)
dist = np.sqrt(((pixels[:, None, :] - palletes[None, :, :])**2).sum(axis=2))
# 取每个像素距离最小的调色板索引
min_idx = dist.argmin(axis=1)
# 映射为对应调色板颜色，转回uint8
new_pixels = palletes[min_idx].astype(np.uint8)
# 恢复图像形状
new_img = new_pixels.reshape(h, w, 3)
cv2.imwrite('wallpaper_new.png', new_img)

内容的提问来源于stack exchange，提问作者Dukk