将自定义函数应用于图像中每个像素的快速方法

我正在寻找一种更快的方法来将自定义函数应用于图像，我用它来删除蓝色背景。我有一个函数可以计算每个像素与背景中大约蓝色的距离。带有循环的原始代码如下所示：

def dist_to_blue(pix):
    rdist = 76 - pix[0]
    gdist = 150 - pix[1]
    bdist = 240 - pix[2]
    return rdist*rdist + gdist*gdist + bdist*bdist

imgage.shape #outputs (576, 720, 3)
for i, row in enumerate(image):
    for j, pix in enumerate(row):
        if dist_to_blue(pix) < 12000: image[i,j] = [255,255,255]

然而，对于这个相对较小的图像，此代码大约需要 8 秒才能运行。我一直在尝试使用 numpy 的“向量化”函数，但这将该函数单独应用于每个值。但是我想对每个像素执行此操作，即不扩展 z/rgb 维度

我提出的唯一改进是将 for 循环替换为以下内容：

m = np.apply_along_axis(lambda pix: (255,255,255) if dist_to_blue(pix) < 12000 else pix, 2, image)

其运行时间约为 7 秒，仍然慢得令人痛苦。我是否缺少一些东西可以将其加快到合理的执行时间

这应该会快一点......；）

import numpy as np 
blue = np.full_like(image, [76,150,250])
mask = np.sum((image-blue)**2,axis=-1) < 12000
image[mask] = [255,0,255]

在这里，您将生成理想的蓝色图像，逐个像素地计算图像差异的平方，然后在生成蒙版并使用它来修改原始图像中的值之前对最后一个轴（rgb 向量）求和。