如何用从另一数组采样的数值高效填充NumPy数组的掩码切片区域？

• 手头持有大尺寸灰度图像、对应掩码两个同维度的NumPy数组，所有值范围在0-1区间，掩码仅包含0、1两类取值
• 实现目标：将掩码中所有值为1的像素位置，替换为从已有噪声向量p中采样得到的数值，让这些位置的视觉效果和采样噪声完全一致
• 此前尝试的代码mask[mask == 1] = np.random.choice(p)存在缺陷：未给np.random.choice指定采样数量，函数只会从p中抽取单个固定标量，把整个目标区域全部填充为同一个值，完全达不到预期
• 硬性实现约束：
  • 禁止使用逐元素遍历的Python for循环，避免运行效率过低
  • 禁止生成和原图尺寸完全匹配的临时数组，这类大数组内存开销过高，低配笔记本无法承载

整个方案的核心逻辑是：所有临时数组的大小仅和掩码中值为1的像素总数量挂钩，完全不需要生成全图尺寸的中间变量，全程无Python层循环。

具体实现步骤 #

1. 统计掩码中值为1的像素总数量：因为掩码是0、1二值结构，直接对掩码求和就能得到准确的1值像素总数，不需要额外遍历计算

   active_pixel_count = int(mask.sum())
   

2. 直接从噪声向量p中，抽取和上述数量完全相等的随机样本，这个临时数组的长度刚好等于1值像素的个数，远小于全图尺寸

   sampled_noise = np.random.choice(p, size=active_pixel_count, replace=True)
   

   replace=True是函数默认参数，开启重复采样，完全符合从噪声向量中随机采样的原生逻辑
3. 定位掩码中值为1的像素位置，优先使用短长度索引数组而非全尺寸布尔掩码，进一步降低内存开销，最后完成原地赋值

   # np.where返回的索引数组长度仅等于1值像素的个数，远小于全图尺寸
   active_indices = np.where(mask.ravel() == 1)[0]
   # 展平后的原图是内存视图，不会额外复制全图数据，直接按索引原地赋值
   img.ravel()[active_indices] = sampled_noise
   

极致省内存的精简写法 #

如果需要进一步减少临时变量的内存留存，可以把操作串联成单步执行，不保留中间统计、索引变量：

img.ravel()[np.where(mask.ravel() == 1)[0]] = np.random.choice(p, size=int(mask.sum()), replace=True)

• 临时数组的总内存占用仅和掩码中1值的像素数量正相关：哪怕原图是10000×10000的大尺寸数组，只要掩码里仅含10万个1值像素，所有临时变量的总内存占用也就几MB，完全不会给低配设备造成负担
• 对比传统的全图加权方法（即先生成和原图同尺寸的全噪声图，再通过img*(1-mask) + noise*mask完成替换），本方法避免了生成和原图等大的噪声临时数组，内存开销可以降低几个数量级
• 所有操作均为NumPy原生C实现的向量化逻辑，运行速度和逐元素遍历的Python循环相比有百倍以上的提升

内容的提问来源于stack exchange，提问作者Emílio Dolgener Cantú