重新采样表示图像的numpy数组
image-processing
numpy
python
python-imaging-library
7
0

我正在寻找如何以新大小重新采样表示图像数据的numpy数组,最好选择插值方法(最近,双线性等)。我知道有

scipy.misc.imresize

通过包装PIL的调整大小功能可以做到这一点。唯一的问题是,由于它使用PIL,因此numpy数组必须符合图像格式,最多可以提供4个“颜色”通道。

我希望能够使用任意数量的“彩色”通道来调整任意图像的大小。我想知道是否有简单的方法可以在scipy / numpy中执行此操作,或者是否需要自己滚动。

对于如何炮制自己,我有两个想法:

  • 在每个通道上分别运行scipy.misc.imresize的函数
  • 使用scipy.ndimage.interpolation.affine_transform创建自己的

对于大数据,第一个可能很慢,而第二个似乎没有提供除样条线之外的任何其他插值方法。

参考资料:
Stack Overflow
收藏
评论
共 4 个回答
高赞 时间 活跃

您看过Scikit图片了吗?它的transform.pyramid_*函数可能对您有用。

收藏
评论

根据您的描述,您需要scipy.ndimage.zoom

双线性插值将为order=1 ,最接近的为order=0 ,并且三次为默认值( order=3 )。

zoom专用于要重新采样为新分辨率的规则栅格数据。

作为一个简单的例子:

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:

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.指出的那样,缩放多波段图像有两个注意事项。我正在从以前的答案之一中几乎逐字地复制下面的部分:

缩放也适用于3D(和nD)阵列。但是请注意,例如,如果放大2倍,则会沿所有轴缩放。

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

这样产生:

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)

对于多波段图像,通常不希望沿“ z”轴进行插值,从而创建新波段。

如果您要缩放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实现:

print 'Zoomed by 2x along the last two axes:'
print ndimage.zoom(data, (1, 2, 2))

这样产生:

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]]]
收藏
评论

我最近刚发现scipy.ndimage.interpolation.zoom有问题,我已将其提交为错误报告: https : //github.com/scipy/scipy/issues/3203

作为一种选择(或者至少对我来说),我发现scikit-image的skimage.transform.resize可以正常工作: http ://scikit-image.org/docs/dev/api/skimage.transform.html#skimage .transform.resize

但是,它与scipy的interpolation.zoom的工作方式有所不同-您无需指定多个,而是指定所需的输出形状。这适用于2D和3D图像。

对于仅2D图像,您可以使用transform.rescale并指定一个乘数或比例,就像使用interpolation.zoom一样。

收藏
评论

如果你想重新取样,那么你应该看看SciPy的的食谱进行重排 。特别是, congrid定义的congrid函数将支持重新绑定或插值(等效于IDL中具有相同名称的函数)。如果您不想插值,这应该是最快的选择。

您也可以直接使用scipy.ndimage.map_coordinates ,它将对任何类型的重采样(包括非结构化网格)进行样条插值。我发现map_coordinates对于大型数组(nx,ny> 200)比较慢。

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,二次方,三次等),甚至可以为每个轴独立选择。一个例子:

    import scipy.interpolate as interp
    f = interp.RectBivariateSpline(x, y, im, kx=1, ky=1)
    new_im = f(new_x, new_y)

在这种情况下,您要进行双线性插值(kx = ky = 1) 。不支持“最近”类型的插值,因为所有这些操作都是在矩形网格上进行样条插值。这也不是最快的方法。

如果您要进行双线性或双三次插值,则执行两个一维插值通常会更快:

    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' ,但是在这种情况下,请摆脱横向数组。

收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号