python图像填充与裁剪/resize的实现代码

前言

有时候我们需要把图片填充成某个数字的整数倍才能送进模型。
例如，有些模型下采样倍率是8倍，或者16倍，那么输入的长和高就分别应该是8或16的整数倍。如果图片达不到，除了拉伸图像(会造成比例改变），另一种就是先填充，后裁剪。
相信搞过NLP的同学并不陌生啦。

代码

from math import ceil
from torchvision.transforms.functional import to_tensor, to_pil_image
from PIL import Image
import torch
# 填充到最接近base整数倍的长和宽图像大小
def get_padding_pic_mask(origin_png, result_png, result_mask_png, rgb=[[130, 206, 255]], base=4):
   # C, H, W
   src = Image.open(origin_png)
   src = to_tensor(src)
   # print(src.shape)  # torch.Size([3, 800, 600])
   # channel: (R, G, B) / 255
   origin_h, origin_w = src.shape[1], src.shape[2]
   print('原图像大小, height: {}, width: {}'.format(origin_h, origin_w))

h = ceil(origin_h / base) * base
   w = ceil(origin_w / base) * base

img = torch.ones(3, h, w)
   # 如果想要填充是黑色则注释掉上一句，换下面这一句
   # img = torch.zeros(3, h, w)

img[:, :origin_h, :origin_w] = src
   # 保存填充后的图片
   to_pil_image(img).save(result_png)

# 处理一下mask
   mask = torch.tensor(rgb) / 255

mask = mask.view(3, 1, 1).repeat(1, h, w)
   # 保存填充后的mask
   to_pil_image(mask).save(result_mask_png)

# 图像输出后我们需要clip一下
def clip_unpadding(input_png, output_png, origin_h, origin_w):
   # C, H, W
   img = Image.open(input_png)
   img = to_tensor(img)
   img = img[:, :origin_h, :origin_w]
   # 保存裁剪后的图片
   to_pil_image(img).save(output_png)

if __name__ == '__main__':
   # origin_png = 'pic/pic.jpg'
   # result_png = 'pic/pic_padding.jpg'
   # result_mask_png = 'pic/mask_padding.jpg'
   # get_padding_pic_mask(origin_png, result_png, result_mask_png)

input_png = 'pic/pic_padding.jpg'
   output_png = 'pic/pic_clip.jpg'
   # 原图像大小, height: 567, width: 390
   clip_unpadding(input_png, output_png, 567, 390)

resize

有时候我们也要改变图片的宽和高。

from PIL import Image
def resize_img(origin_png, resize_png, height, width):
   img = Image.open(origin_png)
   img = img.resize((width, height))
   img.save(resize_png)
if __name__ == '__main__':
   origin_png = 'pic/white.jpg'
   resize_png = 'pic/white_resize.png'
   resize_img(origin_png, resize_png, 800, 600)

来源：https://blog.csdn.net/weixin_43850253/article/details/126445783