NumPy图像数据处理：解决异构通道数导致的数组重塑问题

import numpy as np

# 模拟两张RGB图像 (2x2x3)
img_rgb_1 = np.full((2, 2, 3), 100, dtype=np.uint8)
img_rgb_2 = np.full((2, 2, 3), 150, dtype=np.uint8)

# 模拟一张RGBA图像 (2x2x4)
img_rgba_1 = np.full((2, 2, 4), 200, dtype=np.uint8)

# 将这些图像放入一个列表中，然后转换为NumPy数组
# 由于 img_rgba_1 的通道数不同，这将导致 images_object_array 成为一个 dtype=object 的数组
image_list_mixed = [img_rgb_1, img_rgba_1, img_rgb_2]
images_object_array = np.array(image_list_mixed, dtype=object) # 显式指定 dtype=object 以确保行为

print(f"NumPy对象数组的形状 (images_object_array.shape): {images_object_array.shape}")
print(f"第一张图像的形状 (images_object_array[0].shape): {images_object_array[0].shape}")
print(f"第二张图像的形状 (images_object_array[1].shape): {images_object_array[1].shape}")
print(f"第三张图像的形状 (images_object_array[2].shape): {images_object_array[2].shape}")

# 尝试拼接所有图像并重塑
try:
    # np.concatenate(images_object_array) 会将所有内部数组展平为一个一维数组
    flattened_images = np.concatenate(images_object_array)
    print(f"\n拼接后的一维数组形状 (flattened_images.shape): {flattened_images.shape}")

    # 尝试重塑回 (图片数量, 高度, 宽度, 通道数)
    # 期望的总元素数量: 3 * 2 * 2 * 3 = 36
    # 实际的总元素数量: (2*2*3) + (2*2*4) + (2*2*3) = 12 + 16 + 12 = 40
    num_images = len(images_object_array)
    target_height, target_width, target_channels = 2, 2, 3
    new_image_list = flattened_images.reshape(num_images, target_height, target_width, target_channels)
    print(f"重塑后的数组形状: {new_image_list.shape}") # 这行代码不会被执行，因为会抛出错误

except ValueError as e:
    print(f"\n重塑过程中发生错误: {e}")
    print("错误原因：尝试将包含40个元素的数组重塑为形状(3, 2, 2, 3)的数组，但该形状需要36个元素。")

# 遍历并检查每张图像的形状
print("\n--- 步骤一：识别并检查图像维度 ---")
for i, img in enumerate(images_object_array):
    print(f"图像 {i} 的原始形状: {img.shape}")

# 统一图像通道数，将RGBA转换为RGB
print("\n--- 步骤二：统一图像通道数 ---")
standardized_images = []
for i, img in enumerate(images_object_array):
    if img.shape[-1] == 4: # 如果是RGBA格式 (4通道)
        # 移除Alpha通道，转换为RGB
        converted_img = img[:, :, :3]
        standardized_images.append(converted_img)
        print(f"图像 {i} (原始RGBA) 已转换为RGB，新形状: {converted_img.shape}")
    elif img.shape[-1] == 3: # 如果已经是RGB格式 (3通道)
        standardized_images.append(img)
        print(f"图像 {i} (原始RGB) 保持不变，形状: {img.shape}")
    else:
        # 处理其他意外的通道数，例如灰度图 (1通道)
        print(f"警告: 图像 {i} 具有非标准的通道数 {img.shape[-1]}。请根据需求处理。")
        standardized_images.append(img) # 暂时保留，但可能需要进一步处理

# 使用 np.stack() 堆叠标准化后的图像
print("\n--- 步骤三：重新构建和重塑数组 ---")
final_image_array = np.stack(standardized_images)
print(f"最终堆叠的4D数组形状 (final_image_array.shape): {final_image_array.shape}")

# 现在，如果需要，可以从这个统一的4D数组进行进一步的重塑操作
# 示例1: 将每个图像展平为一维向量，得到一个2D数组 (num_images, total_pixels_per_image)
reshaped_2d = final_image_array.reshape(final_image_array.shape[0], -1)
print(f"将每个图像展平为2D数组后的形状: {reshaped_2d.shape}")

# 示例2: 如果需要将所有图像的所有像素值展平为一个巨大的1D数组，再重塑
all_pixels_flat = final_image_array.flatten()
print(f"所有像素展平为1D数组后的形状: {all_pixels_flat.shape}")

# 现在可以安全地将这个1D数组重塑回 (num_images, height, width, channels)
# 因为总元素数量 (3 * 2 * 2 * 3 =