scikit-image resize是否受图像位深度影响？如何解决数组形状报错？

1. 错误原因确认 #

是的，这正是尺寸差异导致的错误。numpy数组要求所有元素的长度/形状完全一致，你的flat_data_arr中存在长度为202500的元素（与其他67500的元素不匹配），因此无法转换为均匀形状的numpy数组，触发了ValueError。

从位深度差异来看，24位对应RGB三通道（每个通道8位），展平后长度为150*150*3=67500；而8位的异常图像大概率是单通道灰度图，读入后为2D数组（形状为(H,W)），你的resize操作指定了(150,150,3)，因通道处理逻辑问题导致最终展平长度异常，破坏了数组的均匀性。

2. 避免错误的替代方法 #

除手动删除异常图像外，可通过以下代码自动处理或过滤异常图像：

方法一：统一图像通道数 #

将单通道灰度图扩展为三通道RGB，多通道图像（如RGBA）裁剪为三通道，确保所有图像处理后都是3通道：

import os
from skimage.transform import resize
from skimage.io import imread
import numpy as np

flat_data_arr = []
path = "你的图像目录路径"

for img in os.listdir(path):
    img_array = imread(os.path.join(path, img))
    # 处理单通道灰度图，扩展为三通道
    if len(img_array.shape) == 2:
        img_array = np.stack([img_array]*3, axis=-1)
    # 处理多通道图像（如RGBA），保留前3通道
    elif img_array.shape[-1] > 3:
        img_array = img_array[..., :3]
    # 统一resize尺寸
    img_resized = resize(img_array, (150, 150, 3))
    flat_data_arr.append(img_resized.flatten())

flat_data = np.array(flat_data_arr)

方法二：过滤不符合要求的图像 #

直接跳过通道数不为3的图像，同时记录异常文件名方便后续排查：

import os
from skimage.transform import resize
from skimage.io import imread
import numpy as np

flat_data_arr = []
path = "你的图像目录路径"

for img in os.listdir(path):
    img_array = imread(os.path.join(path, img))
    # 仅保留三通道图像
    if len(img_array.shape) != 3 or img_array.shape[-1] != 3:
        print(f"跳过异常图像: {img}")
        continue
    img_resized = resize(img_array, (150, 150, 3))
    flat_data_arr.append(img_resized.flatten())

flat_data = np.array(flat_data_arr)

方法三：校验resize后的形状 #

在resize后检查图像形状，确保符合预期再加入数组：

import os
from skimage.transform import resize
from skimage.io import imread
import numpy as np

flat_data_arr = []
path = "你的图像目录路径"

for img in os.listdir(path):
    img_array = imread(os.path.join(path, img))
    img_resized = resize(img_array, (150, 150, 3))
    # 校验形状是否符合要求
    if img_resized.shape != (150, 150, 3):
        print(f"跳过形状异常的图像: {img}")
        continue
    flat_data_arr.append(img_resized.flatten())

flat_data = np.array(flat_data_arr)

内容的提问来源于stack exchange，提问作者Jason Li