本文介绍一种基于三维查找表（lut）的高效方法，利用 numpy 的广播与索引特性，在 o(1) 时间内批量判断并替换图像中多达数万个目标颜色，相比循环逐色掩码快数十倍。
本文介绍一种基于三维查找表（lut）的高效方法，利用 numpy 的广播与索引特性，在 o(1) 时间内批量判断并替换图像中多达数万个目标颜色，相比循环逐色掩码快数十倍。
在图像处理中，常需将特定颜色集合（如调色板中的无效色、标注色或背景色）统一替换为白色（[255, 255, 255]）或其他占位色。当目标颜色数量达数万级时，若沿用朴素的 for c in colors: mask = (img == c).all(axis=2) 方式，时间复杂度为 O(H×W×N)（H、W 为图像尺寸，N 为颜色数），性能急剧下降。
更优解是构建 RGB 三维布尔查找表：以 (R, G, B) 作为三维坐标（各维度 0–255），建立形状为 (256, 256, 256) 的布尔数组 lut，其中 lut[r, g, b] = True 表示该颜色需被过滤。该表仅占用约 16 MiB 内存（256³ × 1 byte），却支持对整张图像进行单次向量化查表，将时间复杂度降至 O(H×W)。
以下是完整实现：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
import numpy as np
def filter_colors_lut(image: np.ndarray, colors_to_remove: np.ndarray) -> np.ndarray:
"""
使用三维查找表高效过滤图像中指定颜色
Parameters:
-----------
image : ndarray, shape (H, W, 3), dtype uint8
输入 RGB 图像
colors_to_remove : ndarray, shape (N, 3), dtype uint8
待过滤的颜色列表，每行形如 [R, G, B]
Returns:
--------
filtered_image : ndarray, shape (H, W, 3), dtype uint8
过滤后图像（匹配色已替换为 [255, 255, 255]）
"""
# 创建 256x256x256 布尔查找表
lut = np.zeros((256, 256, 256), dtype=bool)
# 将颜色列表转为 (3, N) 并用于索引赋值
# 注意：colors_to_remove 必须是 uint8，且值在 [0, 255] 内
if colors_to_remove.dtype != np.uint8:
colors_to_remove = colors_to_remove.astype(np.uint8)
r, g, b = colors_to_remove.T # 拆分为三组一维数组
lut[r, g, b] = True # 批量标记需过滤的颜色
# 将图像通道调整为 (3, H, W)，便于用 lut[tuple(...)] 向量化查表
img_chw = image.transpose(2, 0, 1) # → (3, H, W)
mask = lut[tuple(img_chw)] # 形状 (H, W)，True 表示该像素需过滤
# 原地替换（返回副本更安全）
result = image.copy()
result[mask] = [255, 255, 255]
return result
# 使用示例
if __name__ == "__main__":
# 模拟一张含多种颜色的测试图像（800×600）
np.random.seed(42)
test_colors = np.array([[100,100,100], [200,200,200], [255,255,0], [255,0,0]], dtype=np.uint8)
h, w = 800, 600
idx_map = np.random.randint(0, len(test_colors), size=(h, w))
image = test_colors[idx_map].astype(np.uint8) # shape: (800, 600, 3)
# 定义待过滤的 37000 种颜色（此处简化为 4 种用于演示）
large_color_set = np.array([
[255, 255, 0],
[255, 0, 0],
[100, 100, 100],
[128, 128, 128],
], dtype=np.uint8)
filtered = filter_colors_lut(image, large_color_set)
print("Filtering completed. Shape:", filtered.shape)✅ 关键优势：
- 极致速度：查表操作完全向量化，避免 Python 循环；对 37000 种颜色的处理耗时与 10 种无异。
- 内存友好：16 MiB LUT 在现代设备上微不足道，远低于加载多帧高分辨率图像的开销。
-
简洁鲁棒：不依赖颜色是否唯一或是否存在于图像中，自动忽略越界值（因
uint8索引会自动截断）。
⚠️ 注意事项：
- 输入
colors_to_remove必须为np.uint8类型，否则索引可能出错；建议显式转换。 - 若图像含非标准值（如 float 归一化到
[0,1]），需先缩放至[0,255]并转uint8。 - 此法适用于 RGB 整型图像；对于 HSV 或 LAB 等色彩空间，需先转换再构建对应维度的 LUT。
总结：面对海量颜色过滤任务，放弃循环掩码，拥抱三维查找表——这是 NumPy 向量化思维的典型胜利。
