如何获取Numpy条件切片的索引以统一批量裁剪图片黑边？

核心思路 #

因为黑边渐变导致单图切片尺寸不一致，解决关键是先确定统一的裁剪边界索引，再将该索引复用至所有图片。可以通过两种可靠方式获取统一索引：选一张特征典型的基准图计算边界，或统计所有图片的有效列范围取公共区间。

步骤1：编写鲁棒的单图边界获取函数 #

放弃np.all(array > 10, axis=0)这种过于严格的判断（渐变黑边的列并非全黑），改用列像素均值/中位数来识别有效列，更适配渐变场景：

import numpy as np

def get_crop_indices(gray_array, threshold=20):
    # 计算每列像素均值（对渐变黑边的识别更精准）
    col_stats = gray_array.mean(axis=0)
    # 也可以用中位数，对噪点更鲁棒：col_stats = np.median(gray_array, axis=0)
    # 筛选出所有有效列的索引
    valid_cols = np.where(col_stats > threshold)[0]
    # 返回裁剪的左右边界（切片左闭右开，所以右边界要+1）
    return valid_cols[0], valid_cols[-1] + 1

步骤2：获取统一裁剪索引并批量处理 #

方式A：基于基准图复用索引

选一张黑边特征最典型的图片（比如无异常、黑边清晰的图），计算它的边界后直接应用到所有图：

from PIL import Image
import glob

# 获取所有图片路径
image_paths = glob.glob("./your_image_folder/*.jpg")

# 先处理基准图，得到统一裁剪索引
base_img = Image.open(image_paths[0]).convert('L')
base_gray = np.array(base_img)
unified_left, unified_right = get_crop_indices(base_gray)

# 批量裁剪所有图片
for path in image_paths:
    img = Image.open(path).convert('L')
    gray_array = np.array(img)
    # 应用统一索引裁剪
    cropped_array = gray_array[:, unified_left:unified_right]
    # 后续数据分析或保存操作...

方式B：统计所有图的有效列取公共区间

如果担心基准图有偏差，可以统计所有图的边界范围，取所有图都覆盖的有效列区间：

all_lefts = []
all_rights = []

# 先遍历所有图，收集各自的裁剪边界
for path in image_paths:
    img = Image.open(path).convert('L')
    gray_array = np.array(img)
    left, right = get_crop_indices(gray_array)
    all_lefts.append(left)
    all_rights.append(right)

# 取最大左边界（确保所有图的左黑边都被裁掉）、最小右边界（确保所有图的右黑边都被裁掉）
unified_left = max(all_lefts)
unified_right = min(all_rights)

# 批量裁剪（同方式A的循环逻辑）
for path in image_paths:
    img = Image.open(path).convert('L')
    gray_array = np.array(img)
    cropped_array = gray_array[:, unified_left:unified_right]
    # 后续操作...

注意事项 #

• 如果出现unified_left >= unified_right，说明部分图片的有效区域过小，需要调整阈值或检查图片质量。
• 可根据实际黑边的深浅调整threshold参数，渐变越明显，阈值可适当降低。

内容的提问来源于stack exchange，提问作者Madmem