如何将大尺寸3D numpy数组切分为无畸变的子数组后转换为2D格式

问题根源 #

你遇到的子块畸变是因为numpy的reshape仅按照内存存储顺序调整数组维度，不会自动按空间区域切分。默认C序存储的numpy数组优先遍历最后一个维度，直接调用reshape会把跨空间块的连续内存强行合并到同一个子数组里，自然会出现内容错乱。

正确实现代码 #

适配你给出的示例，修改后的处理逻辑如下：

import numpy as np
import matplotlib.pyplot as plt

# 生成测试用坐标数组
big_image = np.zeros([100,100,100])
for i in range(big_image.shape[0]):
    for j in range(big_image.shape[1]):
        for k in range(big_image.shape[2]):
            big_image[i,j,k] = int(f"{i}{j}{k}")

dims_orig = np.shape(big_image)
block_size = 32
# 裁剪为各轴都是块大小的整数倍
dims_crop = np.array( [dims_orig[0]//block_size*block_size, 
                       dims_orig[1]//block_size*block_size, 
                       dims_orig[2]//block_size*block_size], dtype=np.int32 )
crop_image = big_image[:dims_crop[0],:dims_crop[1],:dims_crop[2]]

# ------------------- 核心无畸变切块逻辑 -------------------
# 计算各轴的切块数量
n0, n1, n2 = dims_crop // block_size
# 第一步：将每个空间轴拆分为 块数*块大小 维度
reshaped = crop_image.reshape(n0, block_size, n1, block_size, n2, block_size)
# 第二步：调整轴顺序，把所有块维度放在前面，空间维度放在后面
transposed = reshaped.transpose(0, 2, 4, 1, 3, 5)
# 第三步：合并块维度，得到 (总块数, 块x, 块y, 块z) 结构的无畸变子块数组
blocks = transposed.reshape(-1, block_size, block_size, block_size)
# 第四步：按需求展平为 (总块数, 块x, 块y*块z) 的2D结构
flattened_blocks = blocks.reshape(blocks.shape[0], block_size, -1)
# ----------------------------------------------------------

# 验证结果：第一个子块的第0层和原图左上角的32x32区域完全一致
print(np.array_equal(blocks[0, 0, :, :], crop_image[0, :block_size, :block_size]))
# 输出为True即表示切块无畸变

效果验证 #

运行代码后验证返回值为True，就说明切出来的子块和原图像对应区域完全一致，没有畸变，可以直接用于后续模型训练。

内容的提问来源于stack exchange，提问作者Masoud