本文介绍使用 NumPy 的 np.pad() 实现图像居中填充（zero-padding）的方法，确保原始图像内容保持原始尺寸和比例，同时将整体尺寸统一为指定大小（如 700×700），适用于图像预处理中的尺寸归一化需求。
本文介绍使用 numpy 的 `np.pad()` 实现图像居中填充（zero-padding）的方法，确保原始图像内容保持原始尺寸和比例，同时将整体尺寸统一为指定大小（如 700×700），适用于图像预处理中的尺寸归一化需求。
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）会引入形变，破坏目标结构的几何真实性。更合理的方式是：保留原始像素内容不变，仅在四周补零（black padding），并将原图精确居中放置于目标画布中。这要求计算上下、左右需补充的像素行/列数，并对齐到中心位置。
核心思路是：对图像的高度（H）和宽度（W），分别计算与目标尺寸（DH, DW）的差值，再均分该差值作为上下/左右的填充量（向下取整+向上取整，保证居中）。NumPy 的 np.pad() 函数天然支持这种按轴指定填充宽度的操作。
以下是一个完整、可复用的实现示例：
import numpy as np
def get_pad(curr_size: int, target_size: int) -> tuple:
"""计算单维度所需上下/左右填充量（tuple: (before, after)）"""
diff = target_size - curr_size
if diff <= 0:
return (0, 0)
pad_before = diff // 2
pad_after = diff - pad_before
return (pad_before, pad_after)
def pad_to_center(image: np.ndarray, target_h: int = 700, target_w: int = 700,
fill_value: int = 0) -> np.ndarray:
"""
将图像居中填充至指定尺寸，不缩放、不裁剪，保持原始内容完整性。
Args:
image: 输入图像，形状为 (H, W) 或 (H, W, C)
target_h, target_w: 目标高度与宽度
fill_value: 填充像素值（默认黑：0）
Returns:
填充后的图像，形状为 (target_h, target_w, C) 或 (target_h, target_w)
"""
h, w = image.shape[:2]
# 分别计算高、宽、通道维度的填充策略
pad_h = get_pad(h, target_h)
pad_w = get_pad(w, target_w)
pad_c = (0, 0) if image.ndim == 2 else (0, 0) # 通道维不填充
padding = (pad_h, pad_w) if image.ndim == 2 else (pad_h, pad_w, pad_c)
return np.pad(image, padding, mode='constant', constant_values=fill_value)
# 示例用法
H, W = 620, 680
image = np.random.randint(0, 255, (H, W, 3), dtype=np.uint8) # 模拟原始图像
padded = pad_to_center(image, target_h=700, target_w=700)
print(f"Original shape: {image.shape} → Padded shape: {padded.shape}")
# 输出：Original shape: (620, 680, 3) → Padded shape: (700, 700, 3)✅ 关键优势：
立即学习“Python免费学习笔记（深入）”；
- 零失真：原始图像像素完全保留，无插值、无缩放；
- 精确居中：利用整除与余数分配，确保视觉中心与目标画布中心重合；
- 通道兼容：自动适配灰度图（2D）与彩色图（3D）；
- 可扩展：
fill_value支持自定义背景色（如 128 表示灰色，255 表示白色）。
⚠️ 注意事项：
- 若原始图像任一维度已 ≥ 目标尺寸（如 H ≥ 700），该函数默认不填充也不裁剪；若需强制裁剪，请额外添加逻辑（例如先 center-crop 再 pad）；
-
np.pad()默认在内存中创建新数组，对超大图像需注意内存占用； - OpenCV 用户也可用
cv2.copyMakeBorder()实现类似效果（borderType=cv2.BORDER_CONSTANT），但np.pad()更简洁、语义更清晰。
综上，np.pad() 是实现「无损居中填充」最直接、高效且易维护的方案，推荐作为图像预处理流水线中的标准填充组件。
