对表示图像的numpy数组进行重采样
我正在寻找如何对表示新大小的图像数据的numpy数组进行重采样，最好有插值方法的选择(最接近的，双线性等)。我知道有
scipy.misc.imresize这正是通过包装PIL的resize函数来实现的。唯一的问题是，由于它使用了PIL，numpy数组必须符合图像格式，这给了我最多4个“颜色”通道。
我希望能够调整任意大小的图像，与任何数量的“颜色”通道。我想知道在scipy/numpy中是否有一种简单的方法可以做到这一点，或者我是否需要使用自己的方法。
关于如何自己炮制一个，我有两个想法：
使用scipy.ndimage.interpolation.affine_transform在我自己的每个频道上运行
- 的函数
scipy.misc.imresize
对于大数据，第一种方法可能会很慢，而第二种方法似乎除了样条之外，没有提供任何其他插值方法。
回答 6
Stack Overflow用户
发布于 2013-05-13 01:19:54
根据您的描述，您需要scipy.ndimage.zoom。
双线性插值将为order=1，最近点为order=0，默认为立方(order=3)。
zoom专门用于要重新采样到新分辨率的规则网格数据。
举个简单的例子：
import numpy as np
import scipy.ndimage
x = np.arange(9).reshape(3,3)
print 'Original array:'
print x
print 'Resampled by a factor of 2 with nearest interpolation:'
print scipy.ndimage.zoom(x, 2, order=0)
print 'Resampled by a factor of 2 with bilinear interpolation:'
print scipy.ndimage.zoom(x, 2, order=1)
print 'Resampled by a factor of 2 with cubic interpolation:'
print scipy.ndimage.zoom(x, 2, order=3)结果是：
Original array:
[[0 1 2]
[3 4 5]
[6 7 8]]
Resampled by a factor of 2 with nearest interpolation:
[[0 0 1 1 2 2]
[0 0 1 1 2 2]
[3 3 4 4 5 5]
[3 3 4 4 5 5]
[6 6 7 7 8 8]
[6 6 7 7 8 8]]
Resampled by a factor of 2 with bilinear interpolation:
[[0 0 1 1 2 2]
[1 2 2 2 3 3]
[2 3 3 4 4 4]
[4 4 4 5 5 6]
[5 5 6 6 6 7]
[6 6 7 7 8 8]]
Resampled by a factor of 2 with cubic interpolation:
[[0 0 1 1 2 2]
[1 1 1 2 2 3]
[2 2 3 3 4 4]
[4 4 5 5 6 6]
[5 6 6 7 7 7]
[6 6 7 7 8 8]]编辑:正如Matt S所指出的，缩放多波段图像有几个注意事项。我几乎是一字不差地从我的一个earlier answers复制下面的部分
缩放也适用于3D (和nD)阵列。但是，请注意，如果您缩放2倍，例如，您将沿所有轴缩放。
data = np.arange(27).reshape(3,3,3)
print 'Original:\n', data
print 'Zoomed by 2x gives an array of shape:', ndimage.zoom(data, 2).shape这会产生以下结果：
Original:
[[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]]
[[ 9 10 11]
[12 13 14]
[15 16 17]]
[[18 19 20]
[21 22 23]
[24 25 26]]]
Zoomed by 2x gives an array of shape: (6, 6, 6)在多波段图像的情况下，您通常不希望沿"z“轴插值，从而创建新的波段。
如果您有想要缩放的3波段RGB图像，可以通过指定一个元组序列作为缩放因子来执行此操作：
print 'Zoomed by 2x along the last two axes:'
print ndimage.zoom(data, (1, 2, 2))这会产生以下结果：
Zoomed by 2x along the last two axes:
[[[ 0 0 1 1 2 2]
[ 1 1 1 2 2 3]
[ 2 2 3 3 4 4]
[ 4 4 5 5 6 6]
[ 5 6 6 7 7 7]
[ 6 6 7 7 8 8]]
[[ 9 9 10 10 11 11]
[10 10 10 11 11 12]
[11 11 12 12 13 13]
[13 13 14 14 15 15]
[14 15 15 16 16 16]
[15 15 16 16 17 17]]
[[18 18 19 19 20 20]
[19 19 19 20 20 21]
[20 20 21 21 22 22]
[22 22 23 23 24 24]
[23 24 24 25 25 25]
[24 24 25 25 26 26]]]Stack Overflow用户
发布于 2012-11-06 12:10:37
如果您想重新采样，那么您应该查看Scipy的rebinning食谱。特别是，在末尾定义的congrid函数将支持反归或插值(相当于IDL中具有相同名称的函数)。如果你不想要插值，这应该是最快的选择。
也可以直接使用scipy.ndimage.map_coordinates，它将为任何类型的重采样(包括非结构化栅格)执行样条线插值。我发现对于大型数组(nx，ny > 200)，map_coordinates速度很慢。
对于结构化网格上的插值，我倾向于使用scipy.interpolate.RectBivariateSpline。您可以选择样条曲线的顺序(线性、二次、三次等)，甚至可以独立选择每个轴的顺序。举个例子：
import scipy.interpolate as interp
f = interp.RectBivariateSpline(x, y, im, kx=1, ky=1)
new_im = f(new_x, new_y)在本例中，您正在进行双线性插值(kx = ky = 1)。不支持“最近”类型的插值，因为它只支持矩形网格上的样条线插值。这也不是最快的方法。
如果你想要双线性或双三次插值，通常做两个一维插值要快得多：
f = interp.interp1d(y, im, kind='linear')
temp = f(new_y)
f = interp.interp1d(x, temp.T, kind='linear')
new_im = f(new_x).T您也可以使用kind='nearest'，但在这种情况下，请去掉横向数组。
Stack Overflow用户
发布于 2012-11-06 20:43:43
你看过Scikit-image吗？它的transform.pyramid_*函数可能对您有用。
https://stackoverflow.com/questions/13242382
复制相似问题