本文介绍使用 NumPy 的 np.pad 实现图像居中填充（padding）的方法，适用于预处理中需统一尺寸但保留原始比例的场景，避免缩放导致的形变。
本文介绍使用 numpy 的 `np.pad` 实现图像居中填充（padding）的方法，适用于预处理中需统一尺寸但保留原始比例的场景，避免缩放导致的形变。
在图像处理任务中，常需将不同尺寸的输入图像统一为固定分辨率（如 700×700），但直接缩放（如 cv2.resize）会扭曲目标结构。更合理的做法是：保持图像原始像素内容不变，仅在四周补零（黑色背景），并将原图精确居中放置于目标画布中。这要求计算上下、左右各需填充的像素数，并利用 numpy.pad 高效实现。
核心思路是：对高度方向计算总填充量 dh = target_h - original_h，取其一半分别加在顶部和底部（若为奇数，则向下取整分配，np.pad 自动兼容）；宽度同理。注意通道维度（如 RGB 的第 3 维）无需填充，对应 padding 元组中设为 (0, 0)。
以下为完整可复用的实现代码：
import numpy as np
def pad_to_size(image: np.ndarray, target_height: int, target_width: int,
pad_value: int = 0) -> np.ndarray:
"""
将图像居中填充至指定尺寸，不缩放、不裁剪。
Args:
image: 输入图像，形状为 (H, W) 或 (H, W, C)
target_height: 目标高度
target_width: 目标宽度
pad_value: 填充值（默认黑/0）
Returns:
填充后的图像，形状为 (target_height, target_width, C) 或 (target_height, target_width)
"""
h, w = image.shape[:2]
# 计算各方向填充量：(top, bottom), (left, right), (channel_start, channel_end)
pad_h = max(0, target_height - h)
pad_w = max(0, target_width - w)
top, bottom = pad_h // 2, pad_h - pad_h // 2
left, right = pad_w // 2, pad_w - pad_w // 2
# 构建 padding 元组：二维图像为 ((top,bottom), (left,right))；三维则追加通道维度
if image.ndim == 3:
padding = ((top, bottom), (left, right), (0, 0))
else: # 灰度图
padding = ((top, bottom), (left, right))
return np.pad(image, padding, mode='constant', constant_values=pad_value)
# 示例用法
H, W = 600, 650
img = np.random.randint(0, 255, (H, W, 3), dtype=np.uint8) # 模拟原始图像
padded = pad_to_size(img, target_height=700, target_width=700)
print(f"Original shape: {img.shape} → Padded shape: {padded.shape}") # (600,650,3) → (700,700,3)⚠️ 注意事项：
立即学习“Python免费学习笔记（深入）”；
- 若原图已大于目标尺寸（如
H > 700），该函数不做裁剪，返回原图——你可根据需求在调用前添加判断逻辑（例如先 crop 再 pad）； -
pad_value=0对应黑色背景，若需白色则设为255，灰度图同理； -
np.pad默认mode='constant'安全可靠，避免使用'reflect'或'wrap'等模式导致边缘异常； - 与 OpenCV 的
cv2.copyMakeBorder功能等价，但np.pad更轻量、无需额外依赖。
综上，np.pad 是实现无损、居中填充的理想工具——简洁、高效、语义清晰，特别适合深度学习数据预处理流水线中的标准化步骤。
