假设我有一个三个通道的图像，其对应的numpy数组的形状为（H，W，3）。现在我创建了一个函数，它对2D numpy数组做了一些事情。我如何在不使用for循环的情况下将函数应用于图像的每个通道，因为它很慢？
我正在寻找一个类似于在Pandas中应用的功能。我尝试了np.apply_over_axes和np.apply_沿着_axis，但两个结果都不正确。
在下面的代码中，我希望分别为图像的每个通道添加高斯噪声。

test_img = np.array(train_data[0][0])
test_img.shape
# (198, 180, 3)

def add_gaussian_noise(img_, amplitude=1.0, mean=0.0, variance=1.0):
    img_ = img_.astype('float32')
    # print(img_.shape)

    # assertion failed
    # assert img_.shape == (test_img.shape[0], test_img.shape[1])
    img_ = img_ + amplitude * np.random.normal(mean, variance, img_.shape)
    img_ = np.clip(img_, 0.0, 255.0)
    return img_

test_img = np.apply_along_axis(arr= test_img, func1d= add_gaussian_noise, axis = 2)

print(test_img)

我预期的是img_.shape == (test_img.shape[0], test_img.shape[1])，但结果是我的代码中的img_.shape == (3,)。
在这种情况下，优化不会产生很大的差异，但我正在寻找一个更通用的解决方案，以便在其他情况下，例如。我必须将相同的函数应用于数百张灰度图片，代码比for循环更有效。