如何计算灰度图像数据集均值并解决形状不匹配报错问题

问题根源：你用cv2.mean(z)计算的是彩色图像三个通道的全局均值，得到的是长度为3的元组（对应BGR三个通道的均值），但你需要的是灰度图每个像素位置的累加和，两者形状完全不匹配，导致报错。

以下是修正后的实现方案：

1. 初始化与灰度图同形状的累加数组，用于统计每个像素位置的全局总和
2. 遍历图像时，直接将转换后的灰度图累加到总和数组中
3. 遍历完成后计算全局像素均值，再用该均值对所有图像做归一化

修正后的完整代码：

import cv2
import numpy as np
import os
from tensorflow.keras.utils import to_categorical

num_classes = 10
label = [0,1,2,3,4,5,6,7,8,9]
X_data = []
Y_data = []
size = 100
mean_sum = np.zeros((size, size), dtype=np.float64)  # 用float64避免累加精度溢出
total_images = 0

# 替换为你的数据集根目录，避免使用dir（Python内置函数名）
data_dir = "你的数据集路径"

for file in data:
    folder = os.listdir(os.path.join(data_dir, file))  # 用os.path.join更安全，适配不同系统
    for f in folder:
        img_path = os.path.join(data_dir, file, f)
        x = cv2.imread(img_path)
        z = cv2.resize(x, (size, size))
        gray = cv2.cvtColor(z, cv2.COLOR_BGR2GRAY)
        gray = gray.astype(np.float64) / 255  # 归一化到0-1范围
        
        # 累加当前灰度图的像素值到全局总和
        mean_sum += gray
        total_images += 1
        
        y = to_categorical(label[int(file)], num_classes)
        X_data.append(gray)
        Y_data.append(y)

# 计算数据集的全局像素均值
dataset_mean = mean_sum / total_images

# 对所有图像执行（图像-均值）归一化
X_normalized = [img - dataset_mean for img in X_data]

# 转换为numpy数组方便后续模型输入
X_normalized = np.array(X_normalized)
Y_data = np.array(Y_data)

额外说明：

• 使用np.float64类型存储累加和，避免大量图像累加时出现整数溢出或精度丢失
• 用os.path.join拼接路径，比手动加斜杠更安全，能适配Windows/Linux等不同系统
• 归一化后的图像可能出现负数，若模型要求输入范围为0-1，可以进一步做缩放（比如(normalized_img - normalized_img.min()) / (normalized_img.max() - normalized_img.min())）

内容的提问来源于stack exchange，提问作者Ahmed Abd El-Samie