基于Python和OpenCV：保持宽高比将图像调整为正方形

嗨，这个需求很常见，我来给你一套简洁的实现方案！核心逻辑是先以原图的最长边为边长创建白色正方形背景，再把原图按原比例居中放置到背景上，完美匹配你想要的效果。

完整代码实现 #

import cv2
import numpy as np

def convert_to_square_with_white_bg(input_path, output_path):
    # 读取输入图像
    img = cv2.imread(input_path)
    if img is None:
        raise ValueError("无法读取图像，请检查路径是否正确")
    
    # 获取原图的宽高
    h, w = img.shape[:2]
    
    # 确定正方形的边长（取宽高中的最大值）
    square_size = max(w, h)
    
    # 创建白色背景的正方形图像（3通道，uint8类型）
    white_bg = np.ones((square_size, square_size, 3), dtype=np.uint8) * 255
    
    # 计算原图在背景中的偏移量，实现居中放置
    x_offset = (square_size - w) // 2
    y_offset = (square_size - h) // 2
    
    # 将原图粘贴到白色背景的对应位置
    white_bg[y_offset:y_offset+h, x_offset:x_offset+w] = img
    
    # 保存处理后的图像
    cv2.imwrite(output_path, white_bg)
    print(f"处理完成，已保存至 {output_path}")

# 调用示例
convert_to_square_with_white_bg("input.png", "output.jpg")

代码细节解释 #

• 图像读取校验：增加了空值判断，避免因路径错误或文件损坏导致的程序崩溃。
• 正方形尺寸确定：取原图宽、高的最大值作为边长，确保原图能完整放入背景，同时最小化空白区域。
• 白色背景生成：用np.ones创建全1数组，乘以255得到标准的纯白色3通道图像，和原图色彩通道一致。
• 居中逻辑：通过计算水平和垂直方向的偏移量，让原图在正方形背景中完美居中，视觉上更协调。
• 格式兼容：支持PNG、JPG等常见图像格式的输入输出，无需额外转换。

补充：处理透明背景的RGBA图像 #

如果你的输入图像是带透明通道的PNG，可以先把透明区域转为白色背景，再执行上述逻辑：

def convert_rgba_to_square_with_white_bg(input_path, output_path):
    img = cv2.imread(input_path, cv2.IMREAD_UNCHANGED)
    if img is None:
        raise ValueError("无法读取图像，请检查路径是否正确")
    
    # 如果是RGBA图像，将透明通道转为白色背景
    if img.shape[2] == 4:
        alpha_channel = img[:, :, 3]
        rgb_channels = img[:, :, :3]
        white_bg = np.ones_like(rgb_channels) * 255
        # 根据透明通道混合背景与原图
        img = np.where(alpha_channel[:, :, np.newaxis] == 0, white_bg, rgb_channels)
    
    # 后续步骤和基础版本一致
    h, w = img.shape[:2]
    square_size = max(w, h)
    white_bg = np.ones((square_size, square_size, 3), dtype=np.uint8) * 255
    x_offset = (square_size - w) // 2
    y_offset = (square_size - h) // 2
    white_bg[y_offset:y_offset+h, x_offset:x_offset+w] = img
    cv2.imwrite(output_path, white_bg)
    print(f"处理完成，已保存至 {output_path}")

内容的提问来源于stack exchange，提问作者Nguyễn Trọng Hiển