如何在一维中变形/缩放 3 维 numpy 数组？答案

【问题标题】：How to deform/scale a 3 dimensional numpy array in one dimension?如何在一维中变形/缩放 3 维 numpy 数组？
【发布时间】：2019-07-31 14:28:02
【问题描述】：

我想在一维中变形/缩放 三维 numpy 数组。我将在 2D 中可视化我的问题：

我有原始图像，它是一个 2D numpy 数组：

然后我想将它变形/缩放到维度 0 或水平维度中的某个因素：

对于PIL 图像，有很多解决方案，例如在pytorch 中，但是如果我有一个 numpy 形状数组 (w, h, d) = (288, 288, 468) 怎么办？我想以 1.04 的因子对宽度进行上采样，例如到 (299, 288, 468)。每个单元格包含一个介于 0 和 1 之间的标准化数字。

我不确定，如果我只是不寻找正确的词汇，我是否尝试在线搜索。因此，纠正我的问题也会有所帮助。或者告诉我这个问题的数学背景，然后我可以自己写代码。

谢谢！

【问题讨论】：

问题是你要添加的值会发生什么？例如，如果您想将形状 (100,200,50) 的数组“拉伸”到 (100,300,50) 之间的值（现在有更多数字）应该是什么样子？可能您正在寻找插值，因此您可以使用众多库之一，例如 scipy。
好问题，我想我必须尝试不同的可能性。我需要这个用于医疗数据，即 PET/PSMA。我不知道是什么让数据保持真实。
是的，这是一个非常关键的应用程序......如果它只是关于视觉检查，我猜双三次插值可能对你有用（只要你只是将尺寸稍微改变为原始尺寸的 20% 左右） .您能给我们提供与您正在使用的数据相似的示例数据吗？
示例数据不易获取。也许像this 这样的东西。确实，缩放比例将是现实的。你知道任何用于 3D 插值的库吗？
第三频道有什么？例如，如果您有一个 RGB 图像，您将有一个形状为 (w,h,3) 的数组，其中 w 和 h 分别是宽度和高度。现在没有真正的理由威胁是作为 3d 插值，因为颜色不必“连接”它们或多或少是独立的。因此，您会将其视为 2D 插值的 3 倍。但是在医学图像中，通道中可能隐藏了其他信息，因此这将是相关信息（如果您已经知道数据的形状）。

标签： python-3.x numpy image-processing scale scaletransform

【解决方案1】：

您可以沿特定轴重复数组的次数等于ceil(factor) 其中factor > 1，然后在拉伸维度上均匀间隔索引以选择int(factor * old_length) 元素。这不会执行任何类型的插值，而只是重复一些元素：

import math

import cv2
import numpy as np
from scipy.ndimage import imread

img = imread('/tmp/example.png')
print(img.shape)  # (512, 512)

axis = 1
factor = 1.25

stretched = np.repeat(img, math.ceil(factor), axis=axis)
print(stretched.shape)  # (512, 1024)

indices = np.linspace(0, stretched.shape[axis] - 1, int(img.shape[axis] * factor))
indices = np.rint(indices).astype(int)

result = np.take(stretched, indices, axis=axis)
print(result.shape)  # (512, 640)

cv2.imwrite('/tmp/stretched.png', result)

这是结果（左边是原始example.png，右边是stretched.png）：

【讨论】：

【解决方案2】：

看起来就像使用 pytorch 中的 torch.nn.functional.interpolate 函数并选择“三线性”作为插值模式一样简单：

import torch

PET = torch.tensor(data)

print("Old shape = {}".format(PET.shape))

scale_factor_x = 1.4

# Scaling.
PET = torch.nn.functional.interpolate(PET.unsqueeze(0).unsqueeze(0),\
 scale_factor=(scale_factor_x, 1, 1), mode='trilinear').squeeze().squeeze()

print("New shape = {}".format(PET.shape))

输出：

>>> Old shape = torch.Size([288, 288, 468])
>>> New shape = torch.Size([403, 288, 468])

我通过查看数据验证了结果，但由于数据隐私，我无法在此处显示它们。对不起！

【讨论】：

优秀而干净的解决方案。这应该是选定的答案！

【解决方案3】：

这是一个使用 scipy.interpolate 对 3D 图像进行线性上采样的示例，希望对您有所帮助。

（我在这里与np.meshgrid 合作了很多，如果你不熟悉它，我最近解释了它here）

import numpy as np
import matplotlib.pyplot as plt

import scipy
from scipy.interpolate import RegularGridInterpolator

# should be 1.3.0
print(scipy.__version__)

# =============================================================================
# producing a test image "image3D"
# =============================================================================

def some_function(x,y,z):
    # output is a 3D Gaussian with some periodic modification
    # its only for testing so this part is not impotent
    out = np.sin(2*np.pi*x)*np.cos(np.pi*y)*np.cos(4*np.pi*z)*np.exp(-(x**2+y**2+z**2))
    return out


# define a grid to evaluate the function on.
# the dimension of the 3D-Image will be (20,20,20)
N = 20
x = np.linspace(-1,1,N)
y = np.linspace(-1,1,N)
z = np.linspace(-1,1,N)
xx, yy, zz = np.meshgrid(x,y,z,indexing ='ij')

image3D = some_function(xx,yy,zz)

# =============================================================================
# plot the testimage "image3D"
# you will see 5 images that corresponds to the slicing of the 
# z-axis similar to your example picture_
# https://sites.google.com/site/linhvtlam2/fl7_ctslices.jpg
# =============================================================================

def plot_slices(image_3d):
    f, loax = plt.subplots(1,5,figsize=(15,5))    
    loax = loax.flatten()
    for ii,i in enumerate([8,9,10,11,12]):
        loax[ii].imshow(image_3d[:,:,i],vmin=image_3d.min(),vmax=image_3d.max())
    plt.show()

plot_slices(image3D)

# =============================================================================
# interpolate the image
# =============================================================================

interpolation_function = RegularGridInterpolator((x, y, z), image3D, method = 'linear')

# =============================================================================
# evaluate at new grid
# =============================================================================

# create the new grid that you want
x_new = np.linspace(-1,1,30)
y_new = np.linspace(-1,1,40)
z_new = np.linspace(-1,1,N)
xx_new, yy_new, zz_new = np.meshgrid(x_new,y_new,z_new,indexing ='ij')

# change the order of the points to match the input shape of the interpolation
# function. That's a bit messy but i couldn't figure out a way around that
evaluation_points = np.rollaxis(np.array([xx_new,yy_new,zz_new]),0,4)

interpolated = interpolation_function(evaluation_points)

plot_slices(interpolated)

原(20,20,20)立体3D图：

以及上采样的(30,40,20) 三维 3D 图像：

【讨论】：