如何通过sklearn.datasets.fetch_lfw_people生成ravelled人脸图像

一、ravelled格式人脸图像生成方法 #

ravelled格式本质就是将单张二维（高×宽）的人脸像素数组按行优先顺序展平为一维向量，和sklearn官方输出逻辑对齐的生成步骤如下：

• 读取单张人脸图像，统一转灰度图后缩放到指定尺寸（默认尺寸为62×47像素，对应展平后长度2914）
• 将图像转换为float32类型的numpy数组，单张灰度图维度为(h, w)
• 调用numpy的ravel()方法将二维数组展平为一维向量
• 将所有样本的一维向量堆叠，最终得到形状为(n_samples, h*w)的ravelled格式数据集

最简实现示例：

import numpy as np
from PIL import Image

# 单张图像生成ravelled向量
img = Image.open("人脸图像路径").convert("L")
img_resized = img.resize((47, 62)) # 宽在前、高在后，和官方默认尺寸对应
img_arr = np.array(img_resized, dtype=np.float32)
ravelled_vec = img_arr.ravel() # 输出长度为62*47=2914的一维向量

二、原源码paths生成逻辑说明 #

你贴出的源码是原生LFW数据集的遍历逻辑，LFW的目录结构为「根目录下每个文件夹对应一个人，文件夹名为人名，内部存放该人的所有人脸图像」，这段代码的执行流程为：

1. 遍历LFW根目录下的所有内容，筛选出人名对应的文件夹，跳过非文件夹类型的文件
2. 遍历每个人名文件夹下的所有图像文件，手动拼接得到每个图像的完整路径，存入paths列表
3. 过滤掉人脸数量小于min_faces_per_person阈值的人物，将符合条件的人名和对应图像路径分别存入结果列表

这段逻辑功能正确，但写法偏传统，嵌套层级多，还有优化空间。

三、更优实现方案 #

推荐用Python内置的pathlib模块重写，代码更简洁，跨平台兼容性更好，同时可以把路径遍历和ravelled格式生成逻辑整合，减少不必要的遍历开销：

from pathlib import Path
import numpy as np
from PIL import Image

def load_lfw_custom(data_root: str, min_faces_per_person: int = 1, target_size: tuple = (62, 47)):
    h, w = target_size
    data_root = Path(data_root)
    person_names = []
    file_paths = []
    raveled_faces = []
    
    # 遍历所有人名文件夹
    for person_dir in sorted(data_root.iterdir()):
        if not person_dir.is_dir():
            continue
        # 直接获取当前文件夹下所有图像路径
        img_paths = sorted(person_dir.glob("*"))
        if len(img_paths) < min_faces_per_person:
            continue
        # 存储人名和路径
        person_name = person_dir.name.replace("_", " ")
        person_names.extend([person_name] * len(img_paths))
        file_paths.extend([str(p) for p in img_paths])
        # 同步加载图像生成ravelled格式数据
        for p in img_paths:
            img = Image.open(p).convert("L").resize((w, h))
            raveled_faces.append(np.array(img, dtype=np.float32).ravel())
    
    # 堆叠为numpy矩阵
    faces_data = np.vstack(raveled_faces)
    return faces_data, person_names, file_paths

优化点：

• 不需要手动处理路径拼接，pathlib自动适配不同操作系统的路径分隔符
• 内置glob方法直接筛选文件，无需额外判断文件类型，代码层级更少可读性更高
• 路径遍历和图像加载、格式转换同步完成，减少多轮遍历的性能开销

内容的提问来源于stack exchange，提问作者d2d