如何基于NumPy数组实现图像中物体的居中？（已完成质心计算）

原代码问题修正 #

原代码中pxl_array = np.array(pixels)得到的是一维数组，无法直接获取height和width，需要先reshape为二维数组；另外如果原图像是RGB格式，必须先转为灰度图，否则像素数组是三维结构，会导致归一化和质心计算出错。

核心步骤：基于偏移量平移图像 #

算出偏移量后，我们需要创建一个和原图像尺寸一致的新数组，将原图像的像素按偏移量复制到新数组对应位置，空白区域用背景色（比如白色）填充。

完整代码示例 #

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

# 读取图像并转为灰度图（彩色图需此步骤简化计算）
img = Image.open("image.png").convert('L')
width, height = img.size

# 将像素转为二维NumPy数组
pixels = list(img.getdata())
pxl_array = np.array(pixels).reshape(height, width)

# 归一化像素值（背景为0，物体为1，用于质心计算）
pxl_array_norm = pxl_array // 255
total_intensity = np.sum(pxl_array_norm)

# 用向量化操作计算质心（比嵌套循环效率高很多）
y_indices, x_indices = np.mgrid[:height, :width]
centroid_x = np.sum(x_indices * pxl_array_norm) / total_intensity
centroid_y = np.sum(y_indices * pxl_array_norm) / total_intensity

print(f"物体质心坐标: ({centroid_x:.2f}, {centroid_y:.2f})")

# 计算偏移量
offset_x = width // 2 - centroid_x
offset_y = height // 2 - centroid_y

# 创建新图像数组，背景设为白色（255）
new_pxl_array = np.full_like(pxl_array, 255)

# 平移坐标取整（像素位置为整数）
start_x = int(np.round(offset_x))
start_y = int(np.round(offset_y))

# 计算有效区域，避免数组索引越界
# X轴方向
src_x_min = max(0, -start_x)
src_x_max = min(width, width - start_x)
dst_x_min = max(0, start_x)
dst_x_max = min(width, width + start_x)

# Y轴方向
src_y_min = max(0, -start_y)
src_y_max = min(height, height - start_y)
dst_y_min = max(0, start_y)
dst_y_max = min(height, height + start_y)

# 将原图像有效区域复制到新图像对应位置
new_pxl_array[dst_y_min:dst_y_max, dst_x_min:dst_x_max] = pxl_array[src_y_min:src_y_max, src_x_min:src_x_max]

# 转换为PIL图像并保存、显示
new_img = Image.fromarray(new_pxl_array.astype(np.uint8))
new_img.save("centered_image.png")

# 对比显示原图像和居中后的图像
plt.figure(figsize=(10, 5))
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title("原图像")
plt.subplot(122)
plt.imshow(new_img, cmap='gray')
plt.title("居中后的图像")
plt.show()

关键说明 #

• 灰度转换：convert('L')将彩色图转为单通道灰度图，简化质心计算逻辑；若需处理彩色图，可对每个通道单独计算质心，或转为灰度后处理。
• 向量化计算：用np.mgrid生成坐标网格替代循环，处理大图像时效率提升明显。
• 边界处理：通过计算有效区域避免索引越界，确保平移操作不会报错。
• 背景自定义：可将np.full_like中的255改为其他值（比如0代表黑色），自定义背景颜色。

内容的提问来源于stack exchange，提问作者Abderrahmane Alloubane