如何按8x8分块规则将numpy二值掩码数组下采样为16x16尺寸

核心逻辑 #

不需要写多层Python循环遍历像素，直接通过数组维度重塑+轴聚合的方式批量处理所有块，判断规则完全匹配需求：

• 对每个8×8子块，若所有元素为0，输出0
• 对每个8×8子块，若所有元素为1，输出1
• 对同时包含0和1的混合子块，随机赋值0或1
• 最终输出形状为(146, 16, 16)的二值掩码数组

可直接运行的代码 #

import numpy as np

# 输入数组形状 (146, 128, 128)，元素仅为0/1
# 替换为你自己的数组加载逻辑即可，例如 ys_big_seg = np.load("seg_array.npy")

# 分块参数配置
BLOCK_SIZE = 8
N, H, W = ys_big_seg.shape
# 校验输入尺寸是否符合分块要求
assert H % BLOCK_SIZE == 0 and W % BLOCK_SIZE == 0, "输入矩阵长宽必须能被块大小整除"
out_h, out_w = H // BLOCK_SIZE, W // BLOCK_SIZE

# 1. 把数组重塑为分块结构，维度顺序为：(样本数, 纵向块数, 块高, 横向块数, 块宽)
blocks = ys_big_seg.reshape(N, out_h, BLOCK_SIZE, out_w, BLOCK_SIZE)
# 2. 统计每个8x8块内值为1的元素总数：全0块和为0，全1块和为64，混合块和在1-63区间
block_sum = blocks.sum(axis=(-1, -3))

# 3. 初始化结果数组
res = np.zeros((N, out_h, out_w), dtype=np.uint8)
# 全1块直接赋值1
res[block_sum == BLOCK_SIZE * BLOCK_SIZE] = 1
# 定位所有混合块，随机赋值0/1
mixed_mask = (block_sum > 0) & (block_sum < BLOCK_SIZE * BLOCK_SIZE)
res[mixed_mask] = np.random.randint(0, 2, size=mixed_mask.sum(), dtype=np.uint8)

# 输出的res即为形状(146,16,16)的目标二值掩码

补充说明 #

• 全程使用NumPy内置向量化操作，无显式Python层循环，处理速度比逐块像素遍历快2~3个数量级
• 输出采用uint8类型存储，符合分割掩码的常规数据格式要求
• 混合块默认0、1赋值概率各为50%，如果需要偏向某一类，可以替换随机赋值逻辑，例如要让混合块70%概率赋值1，可改为np.random.choice([0,1], size=mixed_mask.sum(), p=[0.3,0.7])

内容的提问来源于stack exchange，提问作者Zoltán Orosz