填充图画图片_脂肪填充失败

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

#图片处理-填充图片-numpy.pad
参考博客1
参考博客2
np.pad() 常用于深度学习中的数据预处理（例如用于图片处理中填充图片），可以将numpy数组按指定的方法填充成指定的形状。

##对一维数组的填充

import numpy as np

arr1D = np.array([1, 1, 2, 2, 3, 4])
'''不同的填充方法'''
print ('constant:     ' + str(np.pad(arr1D, (2, 3), 'constant')))
print ('edge:         ' + str(np.pad(arr1D, (2, 3), 'edge')))
print ('linear_ramp:  ' + str(np.pad(arr1D, (2, 3), 'linear_ramp')))
print ('maximum:      ' + str(np.pad(arr1D, (2, 3), 'maximum')))
print ('mean:         ' + str(np.pad(arr1D, (2, 3), 'mean')))
print ('median:       ' + str(np.pad(arr1D, (2, 3), 'median')))
print ('minimum:      ' + str(np.pad(arr1D, (2, 3), 'minimum')))
print ('reflect:      ' + str(np.pad(arr1D, (2, 3), 'reflect')))
print ('symmetric:    ' + str(np.pad(arr1D, (2, 3), 'symmetric')))
print ('wrap:         ' + str(np.pad(arr1D, (2, 3), 'wrap')))

constant:     [0 0 1 1 2 2 3 4 0 0 0]
edge:         [1 1 1 1 2 2 3 4 4 4 4]
linear_ramp:  [0 0 1 1 2 2 3 4 3 1 0]
maximum:      [4 4 1 1 2 2 3 4 4 4 4]
mean:         [2 2 1 1 2 2 3 4 2 2 2]
median:       [2 2 1 1 2 2 3 4 2 2 2]
minimum:      [1 1 1 1 2 2 3 4 1 1 1]
reflect:      [2 1 1 1 2 2 3 4 3 2 2]
symmetric:    [1 1 1 1 2 2 3 4 4 3 2]
wrap:         [3 4 1 1 2 2 3 4 1 1 2]

###参数解释：
第一个参数是待填充数组
第二个参数是填充的形状，（2，3）表示前面两个，后面三个
第三个参数是填充的方法
###填充方法：
constant连续一样的值填充，有关于其填充值的参数。constant_values=（x, y）时前面用x填充，后面用y填充。缺参数是为0。
edge用边缘值填充
linear_ramp边缘递减的填充方式
maximum, mean, median, minimum分别用最大值、均值、中位数和最小值填充
reflect, symmetric都是对称填充。前一个是关于边缘对称，后一个是关于边缘外的空气对称╮(╯▽╰)╭
wrap用原数组后面的值填充前面，前面的值填充后面
也可以有其他自定义的填充方法

##对二维数组的填充

import numpy as np

Matrix = np.arange(1,7).reshape(2,3)   
M = np.pad(Matrix,((1,1),(1,2)),'constant',constant_values = (0,0))
print(M)

[[0 0 0 0 0 0]
 [0 1 2 3 0 0]
 [0 4 5 6 0 0]
 [0 0 0 0 0 0]]
[Finished in 0.2s]

np.pad(Matrix,((1,1),(1,2)),‘constant’,constant_values = (0,0))
表示在二维数组Matrix的边缘填充constant_values指定的数值

（1,1）表示在Matrix的第[0]轴填充（二维数组中，0轴表示行），即在0轴前面填充1个宽度的0，比如数组Matrix中的1，2，3两个元素前面各填充了一行0，在4,5,6下面填充了一行0。

（1,2）表示在Matrix的第[1]轴填充（二维数组中，1轴表示列），即在1轴前面填充1个宽度的0，后面填充2个宽度的0

constant_values表示填充值，且(axis0，axis1)的填充值等于（0,0）
##对多维数组的填充

import numpy as np

arr3D = np.array([[[1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4]], 
                  [[0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5]], 
                  [[1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4]]])
                  
print ('constant:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'constant')))
print ('edge:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'edge')))
print ('linear_ramp:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'linear_ramp')))
print ('maximum:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'maximum')))
print ('mean:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'mean')))
print ('median:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'median')))
print ('minimum:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'minimum')))
print ('reflect:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'reflect')))
print ('symmetric:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'symmetric')))
print ('wrap:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'wrap')))

constant:  
[[[0 0 0 0 0 0 0 0 0 0]
  [0 0 1 1 2 2 3 4 0 0]
  [0 0 1 1 2 2 3 4 0 0]
  [0 0 1 1 2 2 3 4 0 0]
  [0 0 0 0 0 0 0 0 0 0]]

 [[0 0 0 0 0 0 0 0 0 0]
  [0 0 0 1 2 3 4 5 0 0]
  [0 0 0 1 2 3 4 5 0 0]
  [0 0 0 1 2 3 4 5 0 0]
  [0 0 0 0 0 0 0 0 0 0]]

 [[0 0 0 0 0 0 0 0 0 0]
  [0 0 1 1 2 2 3 4 0 0]
  [0 0 1 1 2 2 3 4 0 0]
  [0 0 1 1 2 2 3 4 0 0]
  [0 0 0 0 0 0 0 0 0 0]]]
edge:  
[[[1 1 1 1 2 2 3 4 4 4]
  [1 1 1 1 2 2 3 4 4 4]
  [1 1 1 1 2 2 3 4 4 4]
  [1 1 1 1 2 2 3 4 4 4]
  [1 1 1 1 2 2 3 4 4 4]]

 [[0 0 0 1 2 3 4 5 5 5]
  [0 0 0 1 2 3 4 5 5 5]
  [0 0 0 1 2 3 4 5 5 5]
  [0 0 0 1 2 3 4 5 5 5]
  [0 0 0 1 2 3 4 5 5 5]]

 [[1 1 1 1 2 2 3 4 4 4]
  [1 1 1 1 2 2 3 4 4 4]
  [1 1 1 1 2 2 3 4 4 4]
  [1 1 1 1 2 2 3 4 4 4]
  [1 1 1 1 2 2 3 4 4 4]]]
linear_ramp:  
[[[0 0 0 0 0 0 0 0 0 0]
  [0 0 1 1 2 2 3 4 2 0]
  [0 0 1 1 2 2 3 4 2 0]
  [0 0 1 1 2 2 3 4 2 0]
  [0 0 0 0 0 0 0 0 0 0]]

 [[0 0 0 0 0 0 0 0 0 0]
  [0 0 0 1 2 3 4 5 2 0]
  [0 0 0 1 2 3 4 5 2 0]
  [0 0 0 1 2 3 4 5 2 0]
  [0 0 0 0 0 0 0 0 0 0]]

 [[0 0 0 0 0 0 0 0 0 0]
  [0 0 1 1 2 2 3 4 2 0]
  [0 0 1 1 2 2 3 4 2 0]
  [0 0 1 1 2 2 3 4 2 0]
  [0 0 0 0 0 0 0 0 0 0]]]
maximum:  
[[[4 4 1 1 2 2 3 4 4 4]
  [4 4 1 1 2 2 3 4 4 4]
  [4 4 1 1 2 2 3 4 4 4]
  [4 4 1 1 2 2 3 4 4 4]
  [4 4 1 1 2 2 3 4 4 4]]

 [[5 5 0 1 2 3 4 5 5 5]
  [5 5 0 1 2 3 4 5 5 5]
  [5 5 0 1 2 3 4 5 5 5]
  [5 5 0 1 2 3 4 5 5 5]
  [5 5 0 1 2 3 4 5 5 5]]

 [[4 4 1 1 2 2 3 4 4 4]
  [4 4 1 1 2 2 3 4 4 4]
  [4 4 1 1 2 2 3 4 4 4]
  [4 4 1 1 2 2 3 4 4 4]
  [4 4 1 1 2 2 3 4 4 4]]]
mean:  
[[[2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]]

 [[2 2 0 1 2 3 4 5 2 2]
  [2 2 0 1 2 3 4 5 2 2]
  [2 2 0 1 2 3 4 5 2 2]
  [2 2 0 1 2 3 4 5 2 2]
  [2 2 0 1 2 3 4 5 2 2]]

 [[2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]]]
median:  
[[[2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]]

 [[2 2 0 1 2 3 4 5 2 2]
  [2 2 0 1 2 3 4 5 2 2]
  [2 2 0 1 2 3 4 5 2 2]
  [2 2 0 1 2 3 4 5 2 2]
  [2 2 0 1 2 3 4 5 2 2]]

 [[2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]
  [2 2 1 1 2 2 3 4 2 2]]]
minimum:  
[[[1 1 1 1 2 2 3 4 1 1]
  [1 1 1 1 2 2 3 4 1 1]
  [1 1 1 1 2 2 3 4 1 1]
  [1 1 1 1 2 2 3 4 1 1]
  [1 1 1 1 2 2 3 4 1 1]]

 [[0 0 0 1 2 3 4 5 0 0]
  [0 0 0 1 2 3 4 5 0 0]
  [0 0 0 1 2 3 4 5 0 0]
  [0 0 0 1 2 3 4 5 0 0]
  [0 0 0 1 2 3 4 5 0 0]]

 [[1 1 1 1 2 2 3 4 1 1]
  [1 1 1 1 2 2 3 4 1 1]
  [1 1 1 1 2 2 3 4 1 1]
  [1 1 1 1 2 2 3 4 1 1]
  [1 1 1 1 2 2 3 4 1 1]]]
reflect:  
[[[2 1 1 1 2 2 3 4 3 2]
  [2 1 1 1 2 2 3 4 3 2]
  [2 1 1 1 2 2 3 4 3 2]
  [2 1 1 1 2 2 3 4 3 2]
  [2 1 1 1 2 2 3 4 3 2]]

 [[2 1 0 1 2 3 4 5 4 3]
  [2 1 0 1 2 3 4 5 4 3]
  [2 1 0 1 2 3 4 5 4 3]
  [2 1 0 1 2 3 4 5 4 3]
  [2 1 0 1 2 3 4 5 4 3]]

 [[2 1 1 1 2 2 3 4 3 2]
  [2 1 1 1 2 2 3 4 3 2]
  [2 1 1 1 2 2 3 4 3 2]
  [2 1 1 1 2 2 3 4 3 2]
  [2 1 1 1 2 2 3 4 3 2]]]
symmetric:  
[[[1 1 1 1 2 2 3 4 4 3]
  [1 1 1 1 2 2 3 4 4 3]
  [1 1 1 1 2 2 3 4 4 3]
  [1 1 1 1 2 2 3 4 4 3]
  [1 1 1 1 2 2 3 4 4 3]]

 [[1 0 0 1 2 3 4 5 5 4]
  [1 0 0 1 2 3 4 5 5 4]
  [1 0 0 1 2 3 4 5 5 4]
  [1 0 0 1 2 3 4 5 5 4]
  [1 0 0 1 2 3 4 5 5 4]]

 [[1 1 1 1 2 2 3 4 4 3]
  [1 1 1 1 2 2 3 4 4 3]
  [1 1 1 1 2 2 3 4 4 3]
  [1 1 1 1 2 2 3 4 4 3]
  [1 1 1 1 2 2 3 4 4 3]]]
wrap:  
[[[3 4 1 1 2 2 3 4 1 1]
  [3 4 1 1 2 2 3 4 1 1]
  [3 4 1 1 2 2 3 4 1 1]
  [3 4 1 1 2 2 3 4 1 1]
  [3 4 1 1 2 2 3 4 1 1]]

 [[4 5 0 1 2 3 4 5 0 1]
  [4 5 0 1 2 3 4 5 0 1]
  [4 5 0 1 2 3 4 5 0 1]
  [4 5 0 1 2 3 4 5 0 1]
  [4 5 0 1 2 3 4 5 0 1]]

 [[3 4 1 1 2 2 3 4 1 1]
  [3 4 1 1 2 2 3 4 1 1]
  [3 4 1 1 2 2 3 4 1 1]
  [3 4 1 1 2 2 3 4 1 1]
  [3 4 1 1 2 2 3 4 1 1]]]
[Finished in 0.2s]