Python 将raw图pack成4通道及其逆运算unpack!

一般神经网络处理的数据都是数组，raw图数据读入时是单通道的数组，如(H, W);而基于raw数据的深度学习图像处理基本上都是将raw数据pack成4通道的数组，即每一个通道分别有 R, Gr, Gb, B像素值组成的，形如(4, H / 2, W / 2)；然后再送进神经网络进行运算学习的。
下面是将raw数据(H, W)，pack成4通道形式(4, H / 2, W / 2)的方法，以及其反向操作的方法。
一、将raw数据才成4通道：

def pack_raw(raw):
    """
    :param raw: raw图->(H, W)
    :return: 按R, Gr, Gb, B将raw图提取成4通道；分辨率为raw图的一半->(4, H / 2, W / 2)
    """
	# raw数据归一化处理，white_level: sensor的白电平，black_level: sensor的黑电平
	raw = np.maximum(raw - black_level, 0) / (white_level - black_level)

    R = raw[0::2, 0::2]             #[0,0]
    Gr = raw[0::2, 1::2]            #[0,1]
    Gb = raw[1::2, 0::2]            #[1,0]
    B = raw[1::2, 1::2]             #[1,1]

    out = np.stack((R, Gr, Gb, B))

    return out

二、将raw数据从4通道拼成一通道

def unpack(raw):
    #4->1
    # 创建一个和raw数据单通道大小相同的全0数组
    out = np.zeros((raw.shape[0] * 2, raw.shape[1] * 2))
    
    # 按R,Gr,Gb,B的顺序赋值给out数组，最后out就是raw数据的单通道数组
    out[0::2, 0::2] = raw[:, :, 0]
    out[0::2, 1::2] = raw[:, :, 1]
    out[1::2, 0::2] = raw[:, :, 2]
    out[1::2, 1::2] = raw[:, :, 3]
    
    # 将归一化的数据恢复到原样
    out = out * (white_level - black_level) + black_level
    out = np.minimum(np.maximum(out, black_level), white_level).astype(np.uint16)
    return out