如何用PIL将四维PyTorch Tensor转换为图像？含批量场景处理

单张图像转换回顾 #

当Tensor的batch_size为1时（形状为(1, 3, 256, 256)），可以通过squeeze()去除batch维度后直接转换：

import torch
import torchvision.transforms as T

t1 = torch.randn(1, 3, 256, 256)  # shape: (batch_size, channel, height, width)
transform = T.ToPILImage()
one_img = transform(t1.squeeze())
one_img.save("test1.jpg")

批量图像转换（batch_size > 1） #

你提到的循环思路完全可行，但原代码存在两处错误：

1. range(t1[0]) 写法错误，应该用range(t1.shape[0])获取batch的总数量
2. 保存文件名时，整数i不能直接和字符串拼接，需要转为字符串类型

修正后的批量转换代码

import torch
import torchvision.transforms as T

t1 = torch.randn(5, 3, 256, 256)  # batch_size=5
print(t1.shape)  # 输出: torch.Size([5, 3, 256, 256])

transform = T.ToPILImage()
for i in range(t1.shape[0]):
    one_tensor = t1[i]  # 提取单张图像Tensor，形状为(3, 256, 256)
    # 注意：torch.randn生成的是标准正态分布数据，数值范围不在[0,1]，需先归一化
    one_tensor = (one_tensor - one_tensor.min()) / (one_tensor.max() - one_tensor.min())
    one_img = transform(one_tensor)
    one_img.save(f"{i}.jpg")

关键注意事项

• ToPILImage() 对输入Tensor的范围有要求：
  • 浮点型Tensor：需处于[0, 1]区间
  • 整型Tensor：需处于[0, 255]区间
    如果你原本的Tensor已经是经过预处理、处于合法范围的数据，可以跳过归一化步骤。

内容的提问来源于stack exchange，提问作者4daJKong