需求：

在对获取的图片进行识别的时候，如果想减少不必要因素的干扰，将图片切割只对有更多特征信息的部分带入模型识别，而剩余有较多干扰因素的部分舍弃，这就是图片切割的目的，但是又由于模型对图片的维度有较高的要求，切割后的图片在维度上已经不满足模型所需要的维度，而将被切割图片的维度恢复，进而能带入模型识别，是本次重点

对于图片处理有两种手段：

1、填充式还原

即保留的图片部分不变，剩余的被切割部分用白色填充 (当然也可以用其他的颜色填充)

函数代码：

def picture_Fill(img, boundary): # 填充函数# 创建与原始图像相同大小的全白图像white_frame = np.ones_like(img) * 255  # 255 白色，床创建全白图片white_frame[0:boundary, :] = img[0:boundary, :] # 水平方向全部取出，垂直方向取0~boundaryreturn white_frame

即创建一个与原图片一样大小的白色图片，将需要被保留的部分填入白色图片中

2、扩大还原式

对切割后的图片进行放大，恢复到原来的维度值

函数代码：

def picture_BrowUp(img, boundary):img_copy = img.copy() # 备份img = img[0:boundary, :] # 截取img = cv2.resize(img, (img_copy.shape[1], img_copy.shape[0]), interpolation=cv2.INTER_LINEAR) # 放大return img

获取原本图片的所有维度大小，在扩大的过程中指定扩大的大小值

测试：

切割目标：

1、填充式测试
代码：

import matplotlib.pyplot as plt
import cv2
import numpy as npdef picture_BrowUp(img, boundary):img_copy = img.copy() # 备份img = img[0:boundary, :] # 截取img = cv2.resize(img, (img_copy.shape[1], img_copy.shape[0]), interpolation=cv2.INTER_LINEAR) # 放大return imgdef picture_Fill(img, boundary): # 填充函数# 创建与原始图像相同大小的全白图像white_frame = np.ones_like(img) * 255  # 255 白色，床创建全白图片white_frame[0:boundary, :] = img[0:boundary, :] # 水平方向全部取出，垂直方向取0~boundaryreturn white_frame# 读取原始图像
frame = cv2.imread('C:\\Users\\86153\\Pictures\\Camera Roll\\1.png')  # 请将 'your_image_path.jpg' 替换为你的图像路径frame = picture_Fill(frame, 300) # 填充函数plt.imshow(frame)
plt.axis('off')  # 关闭坐标轴
plt.show()

效果：

2、扩大式测试

代码：

import matplotlib.pyplot as plt
import cv2
import numpy as npdef picture_BrowUp(img, boundary):img_copy = img.copy() # 备份img = img[0:boundary, :] # 截取img = cv2.resize(img, (img_copy.shape[1], img_copy.shape[0]), interpolation=cv2.INTER_LINEAR) # 放大return imgdef picture_Fill(img, boundary): # 填充函数# 创建与原始图像相同大小的全白图像white_frame = np.ones_like(img) * 255  # 255 白色，床创建全白图片white_frame[0:boundary, :] = img[0:boundary, :] # 水平方向全部取出，垂直方向取0~boundaryreturn white_frame# 读取原始图像
frame = cv2.imread('C:\\Users\\86153\\Pictures\\Camera Roll\\1.png')  # 请将 'your_image_path.jpg' 替换为你的图像路径frame = picture_BrowUp(frame, 300) # 填充函数plt.imshow(frame)
plt.axis('off')  # 关闭坐标轴
plt.show()

效果：

实践效果评价：

从机器识别上述处理过的图片来看，填充式的效果更加好，其原因在于将不必要的部分用白色代替，减少了不必要的干扰，而扩大式的识别较差，可能是图片的放大损坏了图片的空间结构，也不难排除扩大操作耗费的时间较多导致识别过慢，当然也和所用的识别图片模型的不同有关。

补充：

OpenCV（cv2库）是一个开源计算机视觉库，它提供了许多用于图像处理、计算机视觉和机器学习的功能。这个库被广泛应用于各种各样的领域，包括图像处理、视频分析、对象识别、人脸识别、机器视觉等领域。

它提供了丰富的函数和工具，用于加载、保存、处理图像和视频。OpenCV
能够执行图像的基本操作（如裁剪、调整大小、旋转等），还能进行更高级的图像处理（如图像滤波、边缘检测、特征提取等）。此外，它还提供了许多机器学习算法的实现，用于对象检测、人脸识别、姿态估计等任务。

这个库支持多种编程语言，包括 C++、Python、Java 等，让开发者能够在不同的平台上使用相同的功能。OpenCV
在计算机视觉和图像处理领域是一个非常强大和受欢迎的工具。

图片的维度和pytorch的维度排布有所差别例如图片的shape为(500, 720, 3)那么其高度、宽度、通道数分别为500、720、3而对将图片转化成pytorch张量之后就变成了(3, 500, 720)即通道数，高度宽度

转换代码如下：

# 转换为 PyTorch Tensor，并调整维度
image_tensor = torch.from_numpy(np.transpose(image, (2, 0, 1)))  # 调整维度为 (通道数, 高度, 宽度)

至于为什么要把图片转换为 pytorch (张量)，因为一般训练出来的模型都是用张量数据的图片训练出来的，直接用图片的话，维度不一样，会报错

而且张量的优势在于其能添加一个批量大小维度，这样能一次性识别多个图片，这一样问题就转化成上节的多类分类问题

添加维度代码：

# 如果你有多张图片，可以添加批量维度
# image_tensor = image_tensor.unsqueeze(0)  # 添加批量维度，变成 (1, 3, 500, 720) 形状的 Tensor

一般模型都是有批量维度，也就是说有四维，如果仅仅用三维图片张量是无法带入模型识别的，所以必须添加批量维度