NumPy数组中嵌套数组的重塑策略：解决维度不一致问题

import numpy as np

# 模拟两张2x2的RGB图像
image1_rgb = np.full((2, 2, 3), 100, dtype=np.uint8)
image2_rgb = np.full((2, 2, 3), 150, dtype=np.uint8)

# 模拟一张2x2的RGBA图像 (多一个通道)
image3_rgba = np.full((2, 2, 4), 200, dtype=np.uint8)

# 将不同形状的图像放入一个Python列表，然后尝试创建NumPy数组
# NumPy会将其识别为对象数组，因为内部元素形状不一致
images_collection = np.array([image1_rgb, image3_rgba, image2_rgb], dtype=object)

print("原始图像集合的形状 (images_collection.shape):", images_collection.shape)
print("第一个图像的形状 (images_collection[0].shape):", images_collection[0].shape)
print("第二个图像的形状 (images_collection[1].shape):", images_collection[1].shape)

# 尝试展平所有图像
try:
    # np.concatenate会按照内部数组的原始形状进行展平
    flattened_images = np.concatenate(images_collection, axis=0)
    print("\n展平后数组的形状 (flattened_images.shape):", flattened_images.shape)
    print("展平后数组的元素总数 (flattened_images.size):", flattened_images.size)

    # 尝试重塑为 (3, 2, 2, 3) 的统一结构
    # 期望的元素总数应为 3 * 2 * 2 * 3 = 36
    target_shape = (len(images_collection), 2, 2, 3)
    print(f"目标重塑形状 {target_shape} 期望的元素总数: {np.prod(target_shape)}")

    reshaped_images = flattened_images.reshape(target_shape)
    print("成功重塑！")

except ValueError as e:
    print(f"\n重塑失败！错误信息: {e}")
    # 展平后的元素总数: (2*2*3) + (2*2*4) + (2*2*3) = 12 + 16 + 12 = 40
    # 目标重塑形状 (3, 2, 2, 3) 期望的元素总数: 36
    # 40 != 36，因此重塑失败

for i, img_array in enumerate(images_collection):
    print(f"图像 {i} 的形状: {img_array.shape}")

import numpy as np

# 假设这是原始的图像列表，可能包含RGB和RGBA
raw_images_list = [
    np.full((2, 2, 3), 100, dtype=np.uint8), # RGB
    np.full((2, 2, 4), 200, dtype=np.uint8), # RGBA
    np.full((2, 2, 3), 150, dtype=np.uint8)  # RGB
]

standardized_images = []
for img in raw_images_list:
    if img.shape[-1] == 4: # 如果是RGBA图像
        # 将RGBA转换为RGB (丢弃alpha通道)
        standardized_images.append(img[:, :, :3])
    elif img.shape[-1] == 3: # 如果是RGB图像
        standardized_images.append(img)
    else:
        print(f"警告: 发现未知通道数的图像，形状为: {img.shape}")
        # 根据实际情况处理，可能需要跳过或转换为特定格式

# 现在，所有图像都应该是 (高, 宽, 3) 的形状
print("\n标准化后的图像形状:")
for i, img_array in enumerate(standardized_images):
    print(f"图像 {i} 的形状: {img_array.shape}")

# 确保所有图像具有相同的形状 (例如，都为 2x2x3)
# 假设 standardized_images 列表中的所有图像现在都是 (2, 2, 3)
num_images = len(standardized_images)
height, width, channels = standardized_images[0].shape # 获取统一的维度信息

# 方法一：先将列表转换为一个更高维度的NumPy数组，再重塑
# 如果所有内部数组形状一致，np.array可以直接创建高维数组
unified_array = np.array(standardized_images)
print("\n统一后的NumPy数组形状 (np.array(list) 后):", unified_array.shape)

# 如果unified_array已经是 (N, H, W, C) 形状，则可能无需进一步重塑，
# 或者根据需要重塑成其他兼容的形状。
# 例如，如果需要展平为 (N, H*W*C)
flattened_for_model = unified_array.reshape(num_images, -1)
print("重塑为 (N, H*W*C) 形状:", flattened_for_model.shape)


# 方法二：使用 np.concatenate 展平所有数据，然后重塑
# np.concatenate 会将所有图像堆叠起来，形成一个 (N*H, W, C) 或 (N*H*W*C,) 的数组
# 如果你想要的是一个单一的、完全展平的1D数组，然后重塑
total_elements = num_images * height * width * channels
flattened_data_concatenated = np.concatenate([img.flatten() for img in standardized_images])

# 确保展平后的元素总数与目标形状匹配
assert flattened_data_concatenated.size == total_elements, "展平后的元素总数不匹配！"

# 将完全展平的1D数组重塑回 (N, H, W, C)
final_reshaped_array = flattened_data_concatenated.reshape(num_images, height, width, channels)

print("\n最终重塑后的数组形状 (通过concatenate和reshape):", final_reshaped_array.shape)
print("最终重塑后的数组前几个元素:\n", final_reshaped_array[0, 0, 0])