### 遍历图像数组中的每个像素 在 Python 中，尤其是使用 OpenCV 和 NumPy 库时，遍历图像数组中的每个像素有多种实现方式。图像本质上是一个二维或三维的 NumPy 数组，每个元素代表一个像素值。根据具体需求，可以采用不同的方法来实现高效的像素遍历。 #### 使用 NumPy 的 `np.where` 方法快速获取符合条件的像素坐标 NumPy 提供了 `np.where()` 函数，可以高效地查找满足特定条件的像素点，而无需使用嵌套循环。这种方法适用于需要提取特定像素位置信息的场景，例如查找所有灰度值为 10 的像素点： ```python import cv2 import numpy as np import time img = cv2.imread("./db/image_cut/image_cut2.bmp", 0) # 以灰度图形式读取 n = 10 begin3 = time.time() coordinates = np.where(img == n) end3 = time.time() print("时间：", (end3 - begin3) * 1000) ``` 此代码段通过 `np.where()` 快速获取所有满足条件的像素坐标，效率远高于传统的双重 `for` 循环[^1]。 #### 使用双重 `for` 循环逐个访问像素 虽然性能不如向量化操作，但在某些特定情况下（如调试或教学），仍然可以使用显式的双重 `for` 循环来访问每个像素： ```python height = len(img) width = len(img[0]) listx = [] listy = [] n = 10 for k in range(height): for j in range(width): if img[k, j] == n: listx.append(k) listy.append(j) ``` 这种方式直观易懂，但不适用于大规模图像处理任务，因为其执行效率较低。 #### 利用 NumPy 向量化操作提升遍历效率 NumPy 支持对整个数组进行向量化操作，这是最推荐的方式。例如，可以通过直接比较整个数组来生成布尔掩码，然后用于后续处理： ```python mask = img == n coordinates = np.column_stack(np.where(mask)) ``` 这种基于向量化的操作不仅代码简洁，而且运行速度远超传统循环结构，是处理大型图像数据的首选方案[^4]。 #### 使用 OpenCV 遍历并修改像素值 OpenCV 也支持对图像像素的访问和修改。以下示例展示了如何遍历图像并修改每个像素的值： ```python import cv2 import numpy as np img = cv2.imread('image.jpg') rows, cols, channels = img.shape for i in range(rows): for j in range(cols): # 修改像素值 img[i, j] = [0, 0, 255] # 设置为红色 ``` 虽然这种方法在逻辑上清晰，但由于涉及 Python 层面的循环，性能通常不如纯 NumPy 实现[^2]。 ---