OpenCV读取图像时按照BGR的顺序HWC排列,PyTorch按照RGB的顺序CHW排列,HWC格式排列，那么内存位置计算公式是？

修正20240422，计算HWC格式排列，那么内存位置计算公式错误

OpenCV读取RGB图像

在OpenCV中，读取的图片默认是HWC格式，即按照高度、宽度和通道数的顺序排列图像尺寸的格式。我们看最后一个维度是C，因此最小颗粒度是C。

例如，一张形状为256×256×3的RGB图像，在OpenCV中读取后的格式为[256, 256, 3]，其中最后一个维度表示图像的通道数。在OpenCV中，可以通过cv2.imread()函数读取图片，该函数的返回值是一个NumPy数组，表示读取的图像像素值。

需要注意的是，OpenCV读取的图像像素值是按照BGR顺序排列的，而不是RGB顺序。因此，如果需要将OpenCV读取的图像转换为RGB顺序，可以使用cv2.cvtColor()函数进行转换。

OpenCV读取一张RGB图像时，它会将像素数据按照BGR的顺序排列，对于一张3×4的RGB图像，其像素信息在内存中的排列方式如下所示：

[
[[B G R] [B G R] [B G R][B G R],
[[B G R] [B G R] [B G R][B G R],
[[B G R] [B G R] [B G R][B G R], ]

可知，每一个像素点都由三个值组成，分别表示该像素点在蓝色、绿色和红色通道中的颜色值，而整张图像的像素数据则按照BGR的顺序排列。

在HWC格式中，最小的像素坐标是(0,0),如果像素点的坐标为(i, j)，且其在第k个通道中的值需要被访问，那么其在内存中的存储位置可以表示为：
$offset=i\ast W\ast C+j\ast C+k$

也可以写成
$offset=(i\ast W+j)\ast C+k$

其中：

• i 表示像素点的高度索引（在0到H-1之间，H是图像的高度）。
• j 表示像素点的宽度索引（在0到W-1之间，W是图像的宽度）。
• k 表示通道索引（在0到C-1之间，C是通道数，对于RGB图像，C通常是3）。
• W 表示图像的宽度。
• C 表示通道数。

所以，对于 按照 BGR 排列的图像中的任意一个像素点(i, j)，如果你想要获取该像素点的蓝色通道的值，你需要计算该像素点在内存中的偏移量，然后加上0，如果你想要获取绿色通道的值，则加上1，对于红色通道则加上2。

首先计算了像素点(i, j)在整个图像中的线性位置（i * W + j），然后乘以通道数（C）以找到该像素点第一个通道值的起始位置。最后，加上通道索引（k）来得到特定通道的内存偏移量。

与CHW格式相比，HWC格式更直观，因为它首先按照图像的二维空间布局（高度和宽度）来排列数据，然后再按照通道来组织。这也是许多图像处理库（如OpenCV）和某些深度学习框架中默认的图像数据格式。

在PyTorch中读取RGB图像

特别是使用PyTorch等框架时，数据可能以CHW（通道、高度、宽度）或NHWC（批量大小、高度、宽度、通道）的格式存储，但这通常是在特定的库或框架内部为了计算效率而进行的优化，而不是图像在磁盘上的存储格式或常规处理时的格式。因此，在计算偏移量时，需要根据实际数据的布局来确定正确的公式。像素值通常采用浮点数的形式表示，并且像素值的范围通常是[0, 1]或[-1, 1]。

一般pytorch中的tensor，即网络的输入，要转换为plane的格式，即rrrrggggbbbb。

[
[[R R R R] [R R R R] [R R R R]],
[[G G G G] [G G G G] [G G G G]],
[[B B B B] [B B B B] [B B B B]], ]

在PyTorch中，模型接收的RGB图像通常采用CHW格式，即按照通道数、高度和宽度的顺序排列像素信息的方式。

在这种格式下，对于一个特定的像素点(i, j)在通道k中，其在内存中的存储位置（或偏移量）可以通过以下公式计算：

offset = k * H * W + i * W + j

其中：

• k 是通道索引（在0到C-1之间，C是通道数）。
• i 是高度索引（在0到H-1之间，H是图像的高度）。
• j 是宽度索引（在0到W-1之间，W是图像的宽度）。
• H 是图像的高度。
• W 是图像的宽度。

这个公式首先计算了通道k在整个图像中的起始位置（k * H * W），然后加上当前行在通道k中的起始位置（i * W），最后加上当前像素点在当前行中的位置（j）。这样就得到了像素点(i, j)在通道k中的内存偏移量。

请注意，这个公式假设图像数据是紧密排列的，没有额外的填充或间隙。此外，这里计算的是以字节为单位的偏移量，实际上每个像素点可能由多个字节组成（例如，对于浮点数表示的图像），但这不影响偏移量的计算，只需在访问数据时考虑每个像素点的大小即可。

实验

1 生成一张图片

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

# 用随机数模拟一张图像
image = np.random.randint(256, size=60)
image = image.reshape((5,4,3))
image_hwc = np.uint8(image)

# 展示图像
image_show = Image.fromarray(image_hwc)
plt.imshow(image_show)
plt.show()

# 打印图像像素值，[h, w, c]格式
print(image_hwc)

# 打印像素值，[c, h, w]格式
image_chw = np.transpose(image_hwc, (2,0,1))
print(image_chw)

以上代码模拟生成的图像如下图所示，图中有5行4列总共20个像素。

上图的所有像素及其像素值如下图所示，[h, w, c]格式。可以看出，最里层的括号内为单个像素在三个通道上的像素值。

我们看这种维度的一个方法是：看最后一个维度的含义，[h,w,c]最后一个维度是3，因此意味着最小的颗粒度维度是3。

如果以[c, h, w]格式表示的话，应该是下图这样的：
看最后一个维度的含义，[c,h,w]最后一个维度是w（我们实验中是4），因此意味着最小的颗粒度维度是4。

我们想象，一束光通过三棱镜后分解为彩色光，我们取出其中一个频段的数据，把这个频段的数据进行二维排列，就是该通道的情况。

2 CHW和HWC的本质

本质是一个规范，排列多维度的数据的规范，换句话说，就是定义了一个数据类型的结构体。

转换过程

1. 其实数据可以看做是一堆无序的数据，轴的存在让这些数据按照一定层级及次序排布
2. 转换前的数据是这样排布的，先按照图像高分成3堆，对这3堆的每一堆按照图像图像宽分2堆，分好的2堆分别按照通道数分成3堆
3. 转换后的数据排布顺序变了，它先按照通道数分成3堆，分好的3堆各自按照图像高分成3堆，再按照图像宽分成2堆。

参考

https://blog.csdn.net/hh1357102/article/details/130622666
https://zhuanlan.zhihu.com/p/476310426