之前写过一篇博客，关于透明背景转换为特定颜色，当时使用了NumPy数组采用布尔索引转换的方式，这次我们把这种转换和常规的逐像素转换的方式进行比较，看那种方法效率更高。记得以前使用Matlab的时候，显然是矩阵布尔索引的方式会有更高的效率，不知道Python是否也一样。
1. 代码实现：
def transparent2bgra_color1(img, bgra_color=(255, 255, 255, 255)):
"""
将图像中的透明区域替换为指定的BGRA颜色。
参数:
img: 输入的BGRA格式图像，其中A通道为透明度。
bgra_color: 替换透明区域的颜色，默认为白色（255, 255, 255, 255）。
返回:
返回替换透明区域后的图像。
"""
# 为了避免原图像发生改变，创建一个副本进行操作
res = img.copy()
# 将图像中透明度为0的区域替换为指定的BGRA颜色
res[img[:, :, 3] == 0] = bgra_color
return res
def transparent2bgra_color2(src, bgra_color=(255, 255, 255, 255)):
"""
将图片中的透明部分替换为指定的BGRA颜色。
参数:
src: 输入的图片，应为BGRA格式。
bgra_color: 替换透明部分的颜色，默认为白色（255, 255, 255, 255）。
返回:
替换透明部分后的图片。
"""
# 复制输入图片，避免修改原图
img=src.copy()
# 获取图片的宽度和高度
sp=img.shape
width=sp[0]
height=sp[1]
# 遍历图片的每个像素点
for yh in range(height):
for xw in range(width):
# 获取当前点的颜色数据
color_d=img[xw,yh]
# 检查当前点的透明度，如果完全透明，则替换颜色
if(color_d[3]==0):
img[xw,yh]=bgra_color
# 返回处理后的图片
return img2. 效率对比测试
使用Benchmark，我们可以测试这两种方法的性能，代码如下：
import pytest
import cv2
def transparent2bgra_color1(img, bgra_color=(255, 255, 255, 255)):
"""
将图像中的透明区域替换为指定的BGRA颜色。
参数:
img: 输入的BGRA格式图像，其中A通道为透明度。
bgra_color: 替换透明区域的颜色，默认为白色（255, 255, 255, 255）。
返回:
返回替换透明区域后的图像。
"""
# 为了避免原图像发生改变，创建一个副本进行操作
res = img.copy()
# 将图像中透明度为0的区域替换为指定的BGRA颜色
res[img[:, :, 3] == 0] = bgra_color
return res
def transparent2bgra_color2(src, bgra_color=(255, 255, 255, 255)):
"""
将图片中的透明部分替换为指定的BGRA颜色。
参数:
src: 输入的图片，应为BGRA格式。
bgra_color: 替换透明部分的颜色，默认为白色（255, 255, 255, 255）。
返回:
替换透明部分后的图片。
"""
# 复制输入图片，避免修改原图
img=src.copy()
# 获取图片的宽度和高度
sp=img.shape
width=sp[0]
height=sp[1]
# 遍历图片的每个像素点
for yh in range(height):
for xw in range(width):
# 获取当前点的颜色数据
color_d=img[xw,yh]
# 检查当前点的透明度，如果完全透明，则替换颜色
if(color_d[3]==0):
img[xw,yh]=bgra_color
# 返回处理后的图片
return img
img = cv2.imread('dog.png', cv2.IMREAD_UNCHANGED)
@pytest.mark.parametrize("input_data", [img])
def test_trans_color1(benchmark, input_data):
res = benchmark(transparent2bgra_color1, input_data)
assert (667, 1000, 4) == res.shape
@pytest.mark.parametrize("input_data", [img])
def test_trans_color2(benchmark, input_data):
res = benchmark(transparent2bgra_color2, input_data)
assert (667, 1000, 4) == res.shape 3. 结果
显然，Python也与Matlab类似，在数组（包括矩阵）的运算当中，布尔索引的方式具有更高的执行效率。
