有效地调整图像的ndarray答案

【问题标题】：Resizing ndarray of images efficiently有效地调整图像的ndarray
【发布时间】：2017-03-05 06:03:42
【问题描述】：

我有一个包含 100 个彩色图像的 ndarray I，其中 I.shape 是：(100,1,3,100,200)。

这会调整单个图像的大小：i=cv2.resize(i,(10,25))，但是调整I 中所有图像大小的有效方法是什么，使得ndarray 形状变为：(100,1,3,10,25)？

【问题讨论】：

看看here
@HishamKaram 感谢Hisham。您能否尝试为我的问题编辑该代码？我做不到。

【解决方案1】：

这是一个使用来自ndimage 的zoom 函数的命题。在我的电脑上调整大小大约需要 69 毫秒：

import numpy as np
I=np.random.randint(0,255,size=(100,1,3,100,200),dtype=np.uint8)

from scipy.ndimage.interpolation import zoom
I2=zoom(I,zoom=(1,1,1,1./10,1./8),order=1)

【讨论】：

这是一个简洁的解决方案。它应该是：“1./10.,1./8”。尽管。谢谢。
哦，对了，对不起！现在应该适用于 python2 和 3。
当我在深度学习应用程序中使用 50 万张图像时，这效率低下 :( 如果你有一些提示可以加快或瘫痪它，我希望你。比你。
@HeshamEraqi 您能否更准确地了解高效对您意味着什么？ 50 万张 100x200 8 位 RGB 图像是 30 GB 的数据，计算量很大，需要大量内存。但就效率而言，我真的不确定你在追求什么......从我的笔记本电脑上的测试来看，调整 20K 图片（1.2GB）的大小大约需要 12.5 秒，所以你的 0.5M 需要大约 5 分钟来处理，是这对你来说还不够快？
@HeshamEraqi 实际上代码是在 69 毫秒内调整 一个 100 个图像的大小，因此调整 50 万个图像需要 5 或 6 分钟