NumPy图像转16x16子图技巧分享
本文深入剖析了在NumPy中将图像切分为16×16子图时,为何简单reshape会失败——根本原因在于NumPy的内存行优先布局与图像空间结构的错位;文章清晰揭示了轴顺序与内存连续性的关键影响,并提供了一套简洁可靠的三步法(reshape→swapaxes→reshape),确保每个网格坐标(i,j)严格对应原图第i行、第j列的16×16区域,该方案不仅准确可验证,还可轻松泛化至任意分块尺寸和多通道图像,是图像预处理与ViT等模型patch embedding实践中不可或缺的底层技能。

本文详解为何直接 reshape 无法正确提取图像块,揭示内存连续性与轴顺序的关键影响,并提供可复用的转置+reshape方案,确保每个 (i,j) 网格单元精确对应原图中第 i 行、第 j 列的 16×16 区域。
本文详解为何直接 reshape 无法正确提取图像块,揭示内存连续性与轴顺序的关键影响,并提供可复用的转置+reshape方案,确保每个 (i,j) 网格单元精确对应原图中第 i 行、第 j 列的 16×16 区域。
在图像处理与深度学习中,常需将大尺寸图像切分为固定大小的局部块(patches),例如将 16×32 的灰度图划分为 1×2 个 16×16 子图,以便批量分析或送入卷积网络。初学者易误认为仅靠 reshape 即可完成——如 image.reshape(h//16, w//16, -1)——但该操作不改变元素在内存中的线性顺序,而 NumPy 默认按行优先(C-order)展平,导致块内像素被错误“拉直”。
以题中示例为例:
import numpy as np h, w = 16, 32 image = np.arange(h * w).reshape(h, w) # 使用确定性数据便于验证 # image[0, :] = [0,1,2,...,31], image[1, :] = [32,33,...,63], 依此类推
若执行 image.reshape(1, 2, -1),结果形状为 (1, 2, 256),但 grid_image[0,0] 实际取的是 image 前 256 个元素(即第 0 行全部 32 个 + 第 1 行前 224 个),完全偏离左上角 16×16 区域。根本原因在于:reshape 仅重新解释底层一维缓冲区,而 image[:16,:16] 是跨行连续采样,二者内存布局不一致。
✅ 正确解法需三步:分块重塑 → 调整轴序 → 合并块内维度。核心是让逻辑上的“块行-块列-块内高-块内宽”结构显式浮现:
x = y = 16 # 每个块的高度和宽度 rows, cols = h // x, w // y # 网格总行数、列数 # Step 1: 将图像重塑为 (rows, x, cols, y) —— 显式分离块坐标与块内坐标 intermediate = image.reshape(rows, x, cols, y) # Step 2: 交换中间两轴,使形状变为 (rows, cols, x, y) # 这一步确保 [i,j] 对应第 i 行、第 j 列的块(而非第 i 块、第 j 行) swapped = intermediate.swapaxes(1, 2) # Step 3: 合并最后两个维度,得到最终网格:(rows, cols, x*y) grid_image = swapped.reshape(rows, cols, -1)
验证其正确性:
print(np.array_equal(image[:16, :16].ravel(), grid_image[0, 0])) # True print(np.array_equal(image[:16, 16:32].ravel(), grid_image[0, 1])) # True
? 关键理解:swapaxes(1,2) 是本方案的灵魂。它将原本隐含的 (块行, 块内行, 块列, 块内列) 结构,重排为 (块行, 块列, 块内行, 块内列),从而保证空间邻近性与索引直观性一致。
? 注意事项:
- 该方法要求图像尺寸能被块大小整除(即 h % x == 0 and w % y == 0),否则需先裁剪或填充;
- 若需支持任意块大小,可封装为函数并加入断言:
def image_to_patch_grid(img: np.ndarray, patch_h: int, patch_w: int) -> np.ndarray: h, w = img.shape assert h % patch_h == 0 and w % patch_w == 0, "Image dimensions must be divisible by patch size" rows, cols = h // patch_h, w // patch_w return (img.reshape(rows, patch_h, cols, patch_w) .swapaxes(1, 2) .reshape(rows, cols, -1)) - 对于多通道图像(如 (H,W,3)),需先 transpose(2,0,1) 将通道前置,或调整 reshape 维度(如 reshape(rows, patch_h, cols, patch_w, 3)),再相应 swapaxes。
掌握这一模式,不仅能解决 16×16 网格问题,还可推广至任意分块任务(如 Vision Transformer 的 patch embedding),是 NumPy 高阶索引与内存布局理解的重要实践。
今天关于《NumPy图像转16x16子图技巧分享》的内容介绍就到此结束,如果有什么疑问或者建议,可以在golang学习网公众号下多多回复交流;文中若有不正之处,也希望回复留言以告知!
GolangTLS握手失败解决方法
- 上一篇
- GolangTLS握手失败解决方法
- 下一篇
- 腾讯广告联盟API接入指南
-
- 文章 · python教程 | 2小时前 | python · Python 十六进制 二进制调试 memoryview.hex bytes_per_sep
- Python memoryview.hex 怎样为十六进制输出设置分组分隔符
- 480浏览 收藏
-
- 文章 · python教程 | 2小时前 | python · Python decimal context same_quantum
- Python decimal.Context.same_quantum 怎样判断两个十进制数的指数是否相同
- 336浏览 收藏
-
- 文章 · python教程 | 3小时前 |
- Python textwrap.TextWrapper.drop_whitespace 怎样控制换行边缘的空白保留
- 238浏览 收藏
-
- 文章 · python教程 | 5小时前 | python · 文件系统 · Python 文件比较 mtime filecmp.clear_cache filecmp.cmp 比较缓存
- Python filecmp.clear_cache 怎样清除文件比较结果缓存
- 290浏览 收藏
-
- 文章 · python教程 | 6小时前 | 标准库 · 递归 · python · Python 解释器 递归限制 sys.getrecursionlimit
- Python sys.getrecursionlimit 怎样读取解释器设置的递归深度上限
- 129浏览 收藏
-
- 文章 · python教程 | 7小时前 | Python教程 · Python memoryview memoryview.toreadonly bytearray 只读视图 缓冲区协议
- Python memoryview.toreadonly 怎样生成只读视图而不复制底层数据
- 470浏览 收藏
-
- 文章 · python教程 | 8小时前 | 标准库 · Python教程 · Python decimal flags 精度 舍入 Context.copy_abs Decimal.copy_abs
- Python decimal.Context.copy_abs 怎样取绝对值而不受当前精度舍入影响
- 389浏览 收藏
-
- 文章 · python教程 | 9小时前 | 字符串 · 标准库 · Python教程 · Python placeholder 文本截断 textwrap TextWrapper max_lines
- Python textwrap.TextWrapper.placeholder 怎样为截断后的段落设置结束标记
- 301浏览 收藏
-
- 文章 · python教程 | 10小时前 | python · Python 参数绑定 inspect BoundArguments apply_defaults
- Python inspect.BoundArguments.apply_defaults 怎样给已绑定参数补上默认值
- 411浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1099次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1094次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1265次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1204次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1050次使用
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

