两种颜色去除算法的对比

最近在工作中遇到需要删除图片中某一颜色及其类似颜色的功能，函数接受颜色、颜色范围两个主要参数，我按照gpt的指引写出了下列算法：

def remove_color_range(image_path:str, color:list, width:int):
    lower_bound = np.array([max(x - width,0) for x in color])  # 需要去除的颜色的下界
    upper_bound = np.array([min(x + width,255) for x in color])  # 需要去除的颜色的上界

    img = Image.open(image_path).convert('RGBA')

    # 将图片转换为NumPy数组
    img_array = np.array(img)

    # 创建一个布尔数组，标记需要去除的像素
    mask = np.all((img_array >= lower_bound) & (img_array <= upper_bound), axis=-1)

    # 将需要去除的像素设置为白色（或其他你想要的颜色）
    img_array[mask] = [0, 0, 0, 0]

    # 将NumPy数组转换回PIL图像
    new_img = Image.fromarray(img_array)

    return new_img

而导师给了我另一种实现：

def color_within_tolerance(color, target, tolerance):
    """检查颜色是否在目标颜色的容差范围内"""
    return all(abs(c - t) <= tolerance for c, t in zip(color, target))

def remove_color(input_image_path, output_image_path, target_color, tolerance):
    image = Image.open(input_image_path).convert("RGBA")
    datas = image.getdata()
    
    new_data = []
    for item in datas:
        # 检查当前像素是否在容差范围内
        if color_within_tolerance(item[:3], target_color, tolerance):
            # 将匹配的颜色替换为透明
            new_data.append((255, 255, 255, 0))
        else:
            new_data.append(item)
    
    image.putdata(new_data)
    image.save(output_image_path, "PNG")

导师的代码额外加入了输出，我使用同一张图片进行测试，两者的效果完全一致。

那么两者的效率是否相同呢，我在我的函数中也加上保存图片的环节进行测试得出的时间之比为： 0.496： 3.702，换另一张图测试，时间比为 0.958：10.208，看来我这边确实更快，

原理看上去也比较简单，后者是通过逐个对比像素来确定是否要替换对应点的，而前者是通过np包将图片转成矩阵后使用np.all(函数进行处理，np.all() 是 NumPy 中的一个非常有用的函数,它用于检查数组中所有元素是否都为 True。而当 axis=-1 时,表示沿着最后一个轴(即宽度轴)进行操作，(理解起来可能有点困难，可以看作对矩阵降维，两行三列的数组，降维的方式有两种，一种是横向取与，一种是纵向取与，得到的分别是一行两列和一行三列的bool数组，数组中的值表示这一行或这一列是否都符合条件)，也就是img_array判断矩阵的最小维度是否符合条件，对比的是[229 229 229 255]是否不大于[249 249 249 255]中的每一个对应元素，[229 229 229 255]是否不小于[209 209 209 235]中的每一个对应元素，如均符合，则此像素置为true，np.all最终得到的是一个布尔数组，再经过img_array[mask] = [0, 0, 0, 0]将原图的对应像素置为透明即可。

借助于numpy，其中的筛选和修改似乎都是并行计算，因此效率高得多。