多条件过滤图像像素的NumPy代码提速方案咨询

示例写法的错误说明 #

你提供的逐次条件筛选代码无法正常运行，也达不到预期效果，核心问题有两个：

• np.where 返回的是满足条件的像素坐标元组（行索引数组、列索引数组），red[rule_1] 提取到的是满足第一个条件的一维像素值数组，直接和二维的green通道比较会触发维度不匹配的广播错误，得到的结果完全不符合逻辑
• 后续的rule_2、rule_3是基于前一步筛选后的一维数组的索引，不是原图的坐标，直接给mask[rule_3]赋值会出现位置偏移、甚至索引越界的问题

逐次条件筛选思路可以实现提速 #

这种思路的核心是提前过滤掉不满足前置条件的像素，减少后续比较运算的计算量，如果第一个条件（red>100）能过滤掉大部分像素，提速效果会非常明显，正确的实现方式如下：

import cv2
import numpy as np

image = cv2.imread("<some image path>")
h, w, _ = image.shape
mask = np.zeros((h, w), np.uint8)

blue = image[:,:,0]
green = image[:,:,1]
red = image[:,:,2]

# 逐层叠加条件，每次只对已经满足前面条件的像素做后续比较
mask_bool = red > 100
mask_bool[mask_bool] &= red[mask_bool] > green[mask_bool]
mask_bool[mask_bool] &= red[mask_bool] > blue[mask_bool]

mask[mask_bool] = 255

额外优化建议 #

1. 原代码里reduce(operator.and_, [条件1, 条件2, 条件3])的写法本身存在性能冗余，numpy布尔数组直接用&做与运算的效率远高于Python层面的reduce迭代，就算不用逐层筛选，直接写mask_bool = (red>100) & (red>green) & (red>blue)也比原写法快
2. 不需要把原图转成int16再做比较，uint8类型的像素值直接比较逻辑完全一致，能省掉一次数组复制和类型转换的开销

内容的提问来源于stack exchange，提问作者nOpe