np.pad 填充图像时需显式指定各维 pad_width，RGB 图应为 ((10,10),(10,10),(0,0))，避免通道维被误填充；mode='reflect' 为镜像反射，mode='edge' 为边界值重复；填充后原图坐标 (y,x) 变为 (y+top,x+left)；批量处理宜预分配数组切片赋值以提升性能。
np.pad 填充图像时 shape 不对？先确认输入是 3D 数组
图像在 NumPy 中通常为 (height, width)（灰度）或 (height, width, channels)（RGB），而 np.pad 默认按所有轴填充。若直接对 (256, 256, 3) 数组用 pad_width=10，会错误地在通道维也补 10 层，导致输出变成 (276, 276, 23) —— 这不是你想要的边缘填充。
正确做法是显式指定每维的填充宽度：
- 对 H、W 维填 10，对 C 维填
(0, 0) - 即
pad_width=((10, 10), (10, 10), (0, 0)) - 若为灰度图
(h, w)，则用((10, 10), (10, 10))
mode='reflect' 和 mode='edge' 填充效果差很多
图像边缘填充常用 mode='reflect'（镜像反射）和 mode='edge'（重复最外层像素），但二者行为差异明显：
-
mode='edge'：直接复制边界值，比如[1, 2, 3]左填 2 位 →[1, 1, 1, 2, 3] -
mode='reflect'：以边界为镜面反射，[1, 2, 3]左填 2 位 →[3, 2, 1, 2, 3]（注意不重复边界点） -
mode='symmetric'则会重复边界点：[2, 1, 1, 2, 3]，容易被误选
做图像预处理（如 CNN 输入扩展）时，mode='reflect' 更自然；做简单 padding 对齐尺寸，mode='edge' 更直观可控。
立即学习“Python免费学习笔记（深入）”；
填充后图像坐标偏移？记住 pad 是“向外扩”，不是“向内插”
用 np.pad(img, pad_width=((5, 5), (5, 5), (0, 0)), mode='edge') 后，原图左上角像素 img[0, 0] 变成了新数组的 [5, 5] 位置。这点在后续做 ROI 截取、坐标映射时极易出错。
- 原始坐标
(y, x)→ 新坐标为(y + top_pad, x + left_pad) - 若
pad_width=((top, bottom), (left, right), ...)，则偏移量就是(top, left) - 别依赖
np.pad返回的数组自动维护元信息 —— 它不带 offset 属性，得自己记
大图 pad 很慢？避免在循环里反复调用 np.pad
np.pad 每次都创建新数组，内存拷贝开销大。若需批量处理上百张图像，反复调用会导致显著延迟。
- 提前预分配目标形状数组，用切片赋值替代
np.pad： h, w = img.shape[:2] new_h, new_w = h + 20, w + 20 padded = np.zeros((new_h, new_w, 3), dtype=img.dtype) padded[10:-10, 10:-10] = img # 中间放原图 # 再手动填充边缘（如用 np.tile 或 repeat）
- 对
mode='edge'，可用np.pad(..., mode='edge')仍比手写快；但mode='reflect'手动实现易错，建议保留np.pad
真正卡顿往往不是 pad 本身，而是没意识到它返回的是新数组 —— 如果你在 for 循环里反复 pad 同一张图并叠加使用，内存和时间都会悄悄翻倍。
