多维数组和位图数据的转换

多维数组与位图数据的转换是同一像素集合的不同表达：图像转位图需缩放、灰度化、二值化、packbits打包为字节数组；位图还原需frombuffer、reshape、unpackbits；深度学习输入需按框架要求调整维度顺序；须区分位图与BMP文件，注意reshape与transpose差异、自适应阈值及MSB位序。

多维数组和位图数据的转换，核心在于理解二者的数据组织逻辑：位图本质是按行优先排列的二值（或灰度）像素序列，而多维数组（如 NumPy 的 ndarray）则用结构化维度描述空间布局。转换不是格式切换，而是对同一像素集合的不同视角表达。

图像转位图数组（用于嵌入式显示）

典型场景是把一张图片转成适合 OLED 或 LCD 屏幕直接读取的字节数组（如 128×64 单色屏）。关键步骤是尺寸适配 → 灰度 → 二值化 → 按字节打包：

• 先缩放到目标分辨率（如 img.resize((128, 64))），确保宽高匹配硬件；
• 转灰度后用阈值二值化：np.array(img.convert("L")) > 128 得到布尔矩阵；
• 每 8 个像素合并为 1 字节（高位在前）：用 np.packbits() 自动完成，输出形状为 (height, width//8)；
• 若需 C 风格十六进制数组（如 {0x01, 0xFF, ...}），再用 .tobytes().hex() 拆分并格式化。

位图数组还原为多维数组

从嵌入式设备导出的位图数据（如 bytes 或 list of int），要复原为可处理的数组，重点是明确原始布局：

• 若已知是单色、128×64 屏数据，且按行存储、每字节 8 像素，则先转为 uint8 数组：np.frombuffer(data, dtype=np.uint8)；
• reshape 成 (64, 128//8)，再用 np.unpackbits() 展开为 (64, 128) 布尔数组；
• 如需灰度或彩色，位图数据本身不含调色信息，必须额外携带 palette 或通道说明——纯位图（BMP 文件头除外）不包含颜色模型。

PyTorch/TensorFlow 输入所需的维度对齐

深度学习框架对输入张量有固定轴约定（如 PyTorch 是 [C, H, W]，TensorFlow 常用 [H, W, C]），图像加载后常需调整：

• PIL 加载默认是 [H, W, C]（RGB 为 3），转 Tensor 后用 .permute(2, 0, 1) 变成 [C, H, W]；
• 灰度图 PIL 返回 [H, W]，需先 .unsqueeze(0) 补通道维，再转为 [1, H, W]；
• 批量数据堆叠时，确保所有样本 shape 一致；若原始是 [N, H, W, C]，模型要 [N, C, H, W]，就用 transpose(0, 3, 1, 2) 或 moveaxis。

避免常见陷阱

转换容易出错的地方不在代码语法，而在语义误解：

• 别混淆“位图”和“BMP 文件”：前者指像素二值/灰度阵列，后者是带文件头、信息头、调色板的完整二进制格式；
• reshape 不等于 transpose：a.reshape(3,4) 改形状但保持内存顺序；a.transpose() 交换轴索引，影响后续切片和广播；
• 二值化阈值不是万能的：光照不均时用全局阈值会丢失细节，应考虑局部自适应方法（如 OpenCV 的 cv2.adaptiveThreshold）；
• 字节序与位序要统一：OLED 驱动常要求 MSB 在前（即第 0 像素对应最高位），np.packbits(..., bitorder='big')（NumPy 1.23+）可显式控制。