用Python语言对任意图像进行m*n的均匀分块并拼接还原（思路非常清晰，步骤简单）

  基本思路：根据图像尺寸创建一个 $(m+1)\times (n+1)$个均匀的网格顶点坐标，对于图像块来说每个图像块的左上角和右下角可以唯一确定一个图像块，这样就可以利用网格顶点坐标对原始图像进行裁剪。
  注意：完整的Python源程序可以在我的CSDN上下载（ 点击进入下载界面），没有积分的小伙伴把下面的各个程序整理起来即可。

1.读取原始图像

import numpy as np 
import matplotlib.pyplot as plt 
import cv2

img = cv2.imread('cat.jpg')
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)

h, w = img.shape[0], img.shape[1]
fig1 = plt.figure('原始图像')
plt.imshow(img)
plt.axis('off')
plt.title('Original image')
print( '\t\t\t   原始图像形状:\n', '\t\t\t',img.shape ) 

2.网格划分，将图像划分为m*n块

  这里有三个要点：图像的存储问题，图像的裁剪方法，长宽不能整除的问题。下面逐一介绍

2.1分块后图像的存储问题

  由于事先不知道m和n的具体值，因此也就不知道图像的分块数目具体是多少个。必须想个办法来存储这$m\times n$个图像分块，创建$m\times n$个变量来存储也是不可取的，因为这样会让程序变得很复杂。
  本人想到一个很简单的方法：增加维度的方法。创建一个五维的张量来存放各个划分后的子图像块，其中前面两维表示该图像块在原图像的位置（如第i行第j列的分块），后面三个维度表示每个子图像块的具体内容(R、G、B的值)。

a = np.zeros([m-1, n-1, int(h*1.0/(m-1)+0.5), int(w*1.0/(n-1)+0.5),3], np.uint8)

2.2图像的裁剪

  直接利用numpy的切片功能将每个网格的左上角和右下角的坐标值所确定的图像块的像素直接写入五维张量即可。这里只需要注意网格顶点坐标的确认，在处理的时候横坐标和纵坐标对应的维度不要搞反。

gx, gy = np.meshgrid(np.linspace(0, w, n),np.linspace(0, h, m))) a[i,j,...]=img[gy[i][j]:gy[i+1][j+1], gx[i][j]:gx[i+1][j+1],:]

2.3图像长宽的整除问题

  上一步还存在一个很大的bug：如果图像的长宽不能分别被m和n整除就会带来网格点非整数的问题，还会带来部分图像分块的大小与其他图像分块不一致的问题。举个例子，比如我的图像尺寸是$3\times 3$，现在要把这个图像分成$1\times$