Numpy: самый быстрый способ правильно обрезать цвета RGB

Похоже, что идея np.any() не сильно помогла. Я также пытался использовать OpenCV, используя cv2.inRange(), но безрезультатно.

Я предположил 1080p для размера вашего изображения (но вы можете указать любой размер), и я предположил, что около 10% ваших пикселей могут нуждаться в отсечении (путем установки диапазона случайных значений), и попробовал некоторые варианты следующим образом:

#!/usr/bin/env python3

import numba
import numpy as np
from numba import jit, prange

def method1(rgb):
   # Original method
   x,y,c = np.where(rgb > 1.0)
   rgb[x, y, :] = 1.0
   return rgb

def method2(rgb):
   # np.any(axis=2) method
   rgb[np.any(rgb>1,axis=2)]=1.0
   return rgb

@jit(nopython=True,parallel=True)
def method3(rgb):
   # Numba
   h, w = rgb.shape[:2]
   for y in prange(h):
      for x in range(w):
         p = rgb[y,x]
         if p[0]>1.0 or p[1]>1.0 or p[2]>1.0:
            rgb[y,x] = [1.0,1.0,1.0]
   return rgb


# Create standard image
X, Y = 1920, 1080
np.random.seed(42)
rgb = np.random.uniform(high=1.1,size=(Y,X,3))

res = method1(rgb)
#res = method2(rgb)
#res = method3(rgb)

Мои тайминги показывают, что Numba является явным победителем с коэффициентом 8-9:

In [58]: %timeit res = method1(rgb)
16.6 ms ± 129 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [59]: %timeit res = method2(rgb)
24.8 ms ± 1.12 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [60]: %timeit res = method3(rgb)
1.93 ms ± 21.1 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)