重新采样表示图像的 numpy 数组答案

【问题标题】：Resampling a numpy array representing an image重新采样表示图像的 numpy 数组
【发布时间】：2012-10-25 21:29:16
【问题描述】：

我正在寻找如何以新的大小对表示图像数据的 numpy 数组进行重新采样，最好可以选择插值方法（最近的、双线性等）。我知道有

scipy.misc.imresize

它通过包装 PIL 的 resize 函数来做到这一点。唯一的问题是，由于它使用 PIL，numpy 数组必须符合图像格式，最多提供 4 个“颜色”通道。

我希望能够使用任意数量的“颜色”通道调整任意图像的大小。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，或者我是否需要自己动手。

对于如何自己制作一个，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创建我自己的

第一个对于大数据可能会很慢，第二个似乎不提供除样条之外的任何其他插值方法。

【问题讨论】：

你看过scipy.interpolate.griddata吗？ link
看起来是个很棒的函数，但它是针对完全非结构化数据的，它运行的算法比我需要的要耗时得多。我查看了interp2d，但它不仅非常错误，而且我什至不确定它是否会正确地对数据进行下采样。

标签： python image-processing numpy scipy python-imaging-library

【解决方案1】：

根据你的描述，你想要scipy.ndimage.zoom。

双线性插值是order=1，最接近的是order=0，三次是默认值（order=3）。

zoom 专门用于您想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：

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，缩放多波段图像有几个注意事项。我正在从我的earlier answers 之一中逐字复制以下部分：

缩放也适用于 3D（和 nD）数组。但是请注意，例如，如果您缩放 2 倍，您将沿所有轴进行缩放。

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：

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”轴进行插值，从而创建新波段。

如果您想要缩放 3 波段 RGB 图像，您可以通过指定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))

这会产生：

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]]]

【讨论】：

仅供参考：如果您有多通道 image 数据，请在每个“通道切片”中调用它以避免不必要的“通道扩展”。通过示例解释：如果您的图像像素宽度为 10，高度为 5，然后是 3 个通道（每个 RGB 通道），在您调用它以缩放 7.0 x 之后，您将返回一个数组“70 x 35”像素，但有 21 个通道。 "scipy.ndimage.zoom(np.ones(10*5*3).reshape(10, 5, 3), 7.0, order=0).shape" 会给你元组：'(70, 35, 21) '附言。不相关：它可以优雅地处理浮点缩放因子，例如“0.37”或“6.1”
@MattS。 - 正如你所描述的，没有必要将它分别用于每个乐队。只需指定一个元组作为缩放因子。例如。 scipy.ndimage.zoom(data, (3,3,1)) 沿 x 和 y 维度将 3d 数组缩放 3 倍，同时保留第三维度。
@MattS。 - （回应您删除的评论）好建议！抱歉我没有早点回复！我添加了关于缩放多波段图像的警告。
只是我还是 scipy.ndimage.zoom 实际上处理矩阵边缘的方式与 scipy.misc.imresize 不同？当使用 10 的值缩放时，边只有 5 个值宽（imresize 是 10）。
@Kevin，从 1.6.0 版开始，该问题已得到解决

【解决方案2】：

如果您想重新采样，那么您应该查看 Scipy 的 rebinning 食谱。特别是最后定义的congrid函数将支持rebinning或interpolation（相当于IDL中同名的函数）。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) 很慢。

对于结构化网格的插值，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，您正在执行双线性插值(kx = ky = 1)。不支持“最近”类型的插值，因为这只是在矩形网格上进行样条插值。这也不是最快的方法。

如果您使用双线性或双三次插值，执行两次 1D 插值通常要快得多：

    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。

【讨论】：

【解决方案3】：

你看过Scikit-image吗？它的transform.pyramid_* 函数可能对你有用。

【讨论】：

【解决方案4】：

我最近刚刚发现 scipy.ndimage.interpolation.zoom 的一个问题，我已将其作为错误报告提交：https://github.com/scipy/scipy/issues/3203

作为替代方案（或至少对我而言），我发现 scikit-image 的 skimage.transform.resize 工作正常：http://scikit-image.org/docs/dev/api/skimage.transform.html#skimage.transform.resize

但是它的工作方式与 scipy 的 interpolation.zoom 不同 - 您可以指定所需的输出形状，而不是指定乘数。这适用于 2D 和 3D 图像。

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

【讨论】：

谢谢，我之前也注意到使用zoom 的奇怪输出。我会记住 skimage 的 resize，谢谢！
旧线程，但resize 是否保留了数组（图像）中值的大小？我刚刚第一次尝试，对于16位灰度图像，它没有；原始数组的中位数约为 32000，调整大小的图像的中位数在 0 到 1 之间。

【解决方案5】：

您可以使用interpolate.interp2d。

例如，考虑一个由 numpy 数组 arr 表示的图像，您可以将其调整为任意高度和宽度，如下所示：

W, H = arr.shape[:2]
new_W, new_H = (600,300)
xrange = lambda x: np.linspace(0, 1, x)

f = interp2d(xrange(W), xrange(H), arr, kind="linear")
new_arr = f(xrange(new_W), xrange(new_H))

当然，如果你的图像有多个通道，你必须对每个通道进行插值。

【讨论】：

【解决方案6】：

此解决方案在不影响 RGB 通道的情况下缩放输入图像的 X 和 Y：

import numpy as np
import scipy.ndimage

matplotlib.pyplot.imshow(scipy.ndimage.zoom(image_np_array, zoom = (7,7,1), order = 1))

希望这是有用的。

【讨论】：