带你实现TexturePacker中的网格打包功能
使用Python实现TexturePacker中的网格打包功能
现在手头上有一堆相同大小的图片，如下图所示：
我想将它们打包进一张大图片中，主要是便于资源管理。本着能偷懒就偷懒的原则，看看市面上有没有类似功能的软件，果然，找到了一款名为TexturePacker的软件。但很可惜，这个功能是收费的。毕竟需求比较简单，还是自己动手，丰衣足食，试着用Python实现下吧。
1. 图片的读取与保存
在Python中，我们可以使用pillow库处理图片，例如读写图片；此外，可以使用numpy将读取的图片转化为numpy数组，这样处理起来会很方便。为此，首先运行pip install numpy和pip install pillow安装这两个库。安装完成后，导入它们：
import numpy as np
from PIL import Image首先实现图片的读取功能：指定图片的路径，将其转化为numpy数组：
def read_image_as_numpy(image_path:str) -> np.ndarray:
"""读取一张图片，并转化为numpy数组
Args:
image_path: 图片路径
"""
image = Image.open(image_path)
arr = np.array(image, dtype=np.uint8)
return arr接下来是图片的保存功能：将numpy数组保存为图片：
def save_numpy_as_image(arr: np.ndarray, save_path:str):
"""将numpy数组保存为图片
Args:
arr: numpy数组
save_path: 保存图片的路径
"""
image = Image.fromarray(arr)
image.save(save_path)2. 图片的打包
将小图片合并很简单，无非是数组的切片操作。现在的问题是，如果有21张图片，我们可以将其打包为3x7的大图片；但如果有19张呢？可以有不同的选择，例如4x5或是3x7, 这样分别会产生1个或2个位置的浪费。
当然，可以让用户决定按照怎样的大小打包。我想了想自己的需求：打包后的图片，水平方向上最好有5~8个网格，而且浪费的内存越少越好。从而，实现一个函数，给定图片的张数n，找到满足要求的分解大小：
def best_size(n:int) -> tuple[int,int]:
"""为正整数n找到最佳的分解大小"""
if n <= 8:
return 1, n
else:
for t in [8, 7, 6, 5]:
if n % t == 0:
return n // t, t
best_w, best_h = n // 8 + 1, 8
for t in [7, 6, 5]:
w, h = n // t + 1, t
if best_w * best_h > w * h:
best_w, best_h = w, h
return best_w, best_h接下来就是为每张小图片找到它在大图片中的位置（这里假设处理的都是png图片）：
def grid_packer(dir_path:str):
"""网格打包
Args:
dir_path: 需要打包的文件夹路径
"""
# 1. 加载文件夹中的png图片（要求所有图片必须大小相同）
image_arrs = [
read_image_as_numpy(os.path.join(dir_path, filename))
for filename in os.listdir(dir_path) if filename.endswith('.png')
]
# 2. 计算打包后的最佳大小
best_x, best_y = best_size(len(image_arrs))
# 3. 将小图片写入大图片中对应的位置
image_w, image_h, image_channel = image_arrs[0].shape
target_image = np.zeros((best_x * image_w, best_y * image_h, image_channel), dtype=np.uint8)
for i, image_arr in enumerate(image_arrs):
i_x, i_y = i // best_y, i % best_y
target_image[i_x*image_w:(i_x+1)*image_w, i_y*image_h:(i_y+1)*image_h, :] = image_arr
save_numpy_as_image(target_image, f'{os.path.basename(dir_path).lower()}_{best_x}x{best_y}_{len(image_arrs)}.png')大功告成，最终效果如下图所示：
完整代码如下：
grid_packer.py
import sys, os
import numpy as np
from PIL import Image
def read_image_as_numpy(image_path:str) -> np.ndarray:
"""读取一张图片，并转化为numpy数组
Args:
image_path: 图片路径
"""
image = Image.open(image_path)
arr = np.array(image, dtype=np.uint8)
return arr
def save_numpy_as_image(arr: np.ndarray, save_path:str):
"""将numpy数组保存为图片
Args:
arr: numpy数组
save_path: 保存图片的路径
"""
image = Image.fromarray(arr)
image.save(save_path)
def best_size(n:int) -> tuple[int,int]:
"""为正整数n找到最佳的分解大小"""
if n <= 8:
return 1, n
else:
for t in [8, 7, 6, 5]:
if n % t == 0:
return n // t, t
best_w, best_h = n // 8 + 1, 8
for t in [7, 6, 5]:
w, h = n // t + 1, t
if best_w * best_h > w * h:
best_w, best_h = w, h
return best_w, best_h
def grid_packer(dir_path:str):
"""网格打包
Args:
dir_path: 需要打包的文件夹路径
"""
image_arrs = [
read_image_as_numpy(os.path.join(dir_path, filename))
for filename in os.listdir(dir_path) if filename.endswith('.png')
]
best_x, best_y = best_size(len(image_arrs))
image_w, image_h, image_channel = image_arrs[0].shape
target_image = np.zeros((best_x * image_w, best_y * image_h, image_channel), dtype=np.uint8)
for i, image_arr in enumerate(image_arrs):
i_x, i_y = i // best_y, i % best_y
target_image[i_x*image_w:(i_x+1)*image_w, i_y*image_h:(i_y+1)*image_h, :] = image_arr
save_numpy_as_image(target_image, f'{os.path.basename(dir_path).lower()}_{best_x}x{best_y}_{len(image_arrs)}.png')
if __name__ == '__main__':
if len(sys.argv) != 2:
print('usage: packer [directory path]')
elif not (os.path.exists(sys.argv[1]) and os.path.isdir(sys.argv[1])):
print(f'error: {sys.argv[1]} does not exist or is not a directory')
else:
grid_packer(sys.argv[1])
