使用OpenCV Python为图像应用掩码：基于numpy优化实现像素操作

嘿，这个问题我太有发言权了！逐像素遍历在Python里效率极低，尤其是处理大图像的时候，用NumPy的向量化操作绝对是最优解——底层用C实现，速度能快上几十甚至上百倍。针对你的需求，我给你两种简洁高效的实现方式，还会讲清楚背后的逻辑：

核心思路 #

你的需求是根据单通道二进制掩码（0/255）修改原图：掩码为0时保留原图像素，掩码为255时设为(0,0,255)。NumPy的布尔索引和广播机制能完美解决这个问题，不用写任何循环。

方法一：布尔索引修改（推荐，内存高效） #

这种方法先复制原图，再精准修改掩码对应的像素区域：

import cv2
import numpy as np

# 加载图像和掩码（注意掩码要以灰度模式加载）
img = cv2.imread("your_image.jpg")
mask = cv2.imread("your_mask.png", cv2.IMREAD_GRAYSCALE)

# 先复制原图作为结果的基础（默认保留原图所有像素）
result = img.copy()

# 生成布尔掩码：标记所有掩码值为255的位置
mask_true = mask == 255

# 利用布尔索引，把对应位置的像素改成(0,0,255)（OpenCV是BGR格式，这个值对应红色）
result[mask_true] = (0, 0, 255)

方法二：np.where 一键生成结果 #

如果喜欢更简洁的代码，np.where可以直接完成“条件判断+赋值”的操作：

import cv2
import numpy as np

img = cv2.imread("your_image.jpg")
mask = cv2.imread("your_mask.png", cv2.IMREAD_GRAYSCALE)

# 把单通道掩码扩展为3通道（和原图形状匹配，实现广播）
mask_3ch = mask[..., np.newaxis]

# np.where语法：np.where(条件, 满足条件时的值, 不满足时的值)
result = np.where(mask_3ch == 255, (0, 0, 255), img)

关键细节说明 #

• 为什么不用循环？：Python的for循环是解释执行，而NumPy的向量化操作是在C层面执行，处理1920x1080的图像时，速度差距能达到几十倍。
• 通道匹配：原图是3通道（BGR），掩码是单通道，所以需要通过[..., np.newaxis]把掩码扩展成(H, W, 1)的形状，这样NumPy就能自动广播到3通道，和原图逐元素匹配。
• 数据类型一致性：OpenCV图像默认是uint8类型，NumPy会自动保持类型一致，不用担心数值溢出问题。

额外提示 #

如果你的原图是单通道灰度图，处理会更简单，直接去掉通道扩展的步骤：

result = img.copy()
result[mask == 255] = 255  # 比如把掩码区域设为白色

内容的提问来源于stack exchange，提问作者Federico Taschin