使用scikit-learn PatchExtractor后如何跟踪补丁所属原始图像？

这确实是个非常实际的痛点——当批量提取图像补丁后，没法溯源每个补丁的来源，后续的分析或者标注工作根本没法开展。我之前处理医学图像补丁的时候也遇到过一模一样的问题，下面分享几个亲测有效的解决方法：

方法一：基于补丁数量计算索引（适用于固定提取数量的场景） #

如果你的PatchExtractor没有设置max_patches（即提取所有可能的补丁），或者每张图提取的补丁数量是固定的，那可以先计算单张图能生成的补丁数，再通过重复索引的方式生成对应关系。

举个具体的代码例子：

import numpy as np
from sklearn.feature_extraction.image import PatchExtractor

# 假设你的图像数组形状是(n_images, image_h, image_w)
images = np.random.rand(10, 256, 256)  # 示例：10张256x256的图像
patch_size = (64, 64)

# 初始化提取器（默认步长等于patch_size，无重叠）
extractor = PatchExtractor(patch_size=patch_size)

# 计算单张图像能提取的补丁数量
n_patches_per_img = (images.shape[1] // patch_size[0]) * (images.shape[2] // patch_size[1])
# 生成每个补丁对应的原始图像索引：每张图对应n_patches_per_img个相同索引
patch_to_img_indices = np.repeat(np.arange(images.shape[0]), n_patches_per_img)

# 提取补丁
patches = extractor.transform(images)

# 现在patches[i]对应的原始图像索引就是patch_to_img_indices[i]

如果是有重叠的提取（需要设置step参数），那单张图的补丁数量计算要调整为：

step = (32, 32)  # 步长设为32，重叠一半
n_patches_per_img = ((images.shape[1] - patch_size[0]) // step[0] + 1) * ((images.shape[2] - patch_size[1]) // step[1] + 1)

方法二：循环逐个提取并标记（通用场景，尤其适合随机提取） #

如果你的提取器设置了max_patches（比如每张图随机提取N个补丁），这时候每张图的补丁数量不固定，方法一就失效了。这种情况下，最稳妥的方式是逐个处理每张图像，提取补丁的同时直接标记索引。

代码示例：

import numpy as np
from sklearn.feature_extraction.image import PatchExtractor

images = np.random.rand(10, 256, 256)
patch_size = (64, 64)
extractor = PatchExtractor(patch_size=patch_size, max_patches=10, random_state=42)  # 每张图随机提10个补丁

patches_list = []
patch_indices_list = []

for img_idx, single_img in enumerate(images):
    # 注意：transform需要输入4D数组（批量），所以给单张图加一个维度
    img_patches = extractor.transform(single_img[np.newaxis, ...])
    patches_list.append(img_patches)
    # 给当前图像的所有补丁打上相同的索引
    patch_indices_list.extend([img_idx] * len(img_patches))

# 合并所有补丁和索引
patches = np.concatenate(patches_list, axis=0)
patch_to_img_indices = np.array(patch_indices_list)

这个方法不管你是固定数量还是随机提取，都能准确跟踪每个补丁的来源，唯一的小缺点是需要循环处理，但对于大多数图像数量来说，这点性能影响几乎可以忽略。

额外提示 #

如果你用的是skimage.util.extract_patches_2d（PatchExtractor内部其实也是调用这个函数），同样可以用上面的循环标记方法，逻辑完全一致。

内容的提问来源于stack exchange，提问作者John Smith