resize 的宽高顺序#

1
img = cv2.imread("demo.jpg")
2
h, w = img.shape[:2]
3
resized = cv2.resize(img, (640, 480))  # width=640, height=480
4
print(w, h, resized.shape)

我通常显式写注释，提醒自己传入的是宽、高。

保持比例缩放#

1
target_w = 640
2
scale = target_w / w
3
target_h = int(h * scale)
4
resized = cv2.resize(img, (target_w, target_h))

如果不想图像变形，就不要强行拉到固定宽高。目标模型需要固定尺寸时，可以再做 padding。

裁剪要检查边界#

1
x1, y1, x2, y2 = 100, 80, 300, 260
2
x1 = max(0, x1)
3
y1 = max(0, y1)
4
x2 = min(w, x2)
5
y2 = min(h, y2)
6
crop = img[y1:y2, x1:x2]

数组裁剪顺序是 [y1:y2, x1:x2]，也就是先高后宽。

和标注联动#

如果图片做了 resize 或 crop，检测框坐标也必须同步变换。只改图片不改标注，会让训练数据直接错位。

实战复盘#

检查《OpenCV resize 与裁剪》这类视觉流程时，我不会只看命令是否完成，而会打开输出文件。视觉任务的质量判断必须回到图像本身：目标是否还在、颜色是否正常、框是否贴合、类别是否正确。

如果处理结果准备进入训练集，我会额外记录数据版本。图片、标签、划分文件和增强策略要能对应到同一个版本，否则模型结果变化时很难解释。

这类文章最适合持续补充错误案例。每遇到一次读图失败、标注错位或预测异常，都可以回到文章里增加一个真实排查点。

最小验收样例#

验收《OpenCV resize 与裁剪》时，我会固定三张图片：一张正常样例、一张边界样例、一张容易失败的样例。每次改代码都用这三张图跑一遍，并保存输出结果。

视觉流程的验收必须能用眼睛确认。只打印数组 shape 或命令成功不够，至少要保存一张中间结果图或最终可视化图，确认处理效果和预期一致。

小结#

OpenCV 预处理要始终区分 shape 的高宽和 resize 参数的宽高。图片变换后，标注也要一起变换。