【Atlas200】使用Mindx v2接口(C++)完成letterbox，等长宽比缩放后padding操作

letterbox介绍

在深度学习中，图像的尺寸对于模型的训练和推理十分重要。为了保持输入图像的纵横比例，避免因缩放导致的失真，通常会对图像进行裁剪或嵌入（padding）操作。其中，letterbox是一种常用的嵌入操作，其主要思想是在图像周围添加黑色边框，使图像的尺寸与模型的期望输入尺寸一致。通过这种方式，输入图像可以被缩放到模型的期望输入大小，而不会破坏图像的纵横比例。因此，letterbox可以有效地提高模型的训练和推理性能，同时保持图像的视觉质量。在训练阶段，letterbox还可以避免因图像尺寸不一致导致的batch样本大小不一致问题。在实际应用中，letterbox通常被用于目标检测、人脸识别等深度学习任务中。

使用python完成letterbox

这段代码是对输入图片进行预处理，具体步骤如下：

1.根据输入图片的通道数，创建一个与模型输入大小相同的空白图片padding_image。

2.计算原图与模型输入大小之间的缩放比例ratio，并将原图按照该比例进行缩放，得到缩放后的图片resized_img。

3.将缩放后的图片resized_img覆盖到空白图片padding_image的左上角位置，并将padding_image按照指定的通道顺序swap进行转置。（变成行优先的连续的内存块）注意，这里的python版本是将裁剪后的图片贴到了背景图的左上角。

4.将转置后的padding_image转换为dtype为float32的numpy数组，并返回该数组和缩放比例ratio。

import numpy as np
import cv2

GRAY = 114

def preproc(img, img_size, swap=(2, 0, 1)):
    """Resize the input image."""
    if len(img.shape) == 3:
        padding_image = np.ones((img_size[0], img_size[1], 3), dtype=np.uint8) * GRAY
    else:
        padding_image = np.ones(img_size, dtype=np.uint8) * GRAY

    ratio = min(img_size[0] / img.shape[0], img_size[1] / img.shape[1])
    resized_img = cv2.resize(
        img,
        (int(img.shape[1] * ratio), int(img.shape[0] * ratio)),
        interpolation=cv2.INTER_LINEAR,
    ).astype(np.uint8)
    padding_image[: int(img.shape[0] * ratio), : int(img