Повторная выборка массива numpy, представляющего изображение

Ответ 1

На основе вашего описания вы хотите scipy.ndimage.zoom.

Билинейная интерполяция будет order=1, ближайшая - order=0, а кубика - по умолчанию (order=3).

zoom предназначен специально для данных с фиксированной сеткой, которые вы хотите переделать в новое разрешение.

В качестве быстрого примера:

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)

И результат:

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]]

Изменить: Как указал Мэтт С., есть несколько предостережений для масштабирования многодиапазонных изображений. Я копирую часть ниже почти дословно из одного из моих более ранних ответов:

Масштабирование также работает для массивов 3D (и nD). Однако имейте в виду, что если вы увеличиваете масштаб на 2x, например, вы будете масштабировать по всем осям.

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

Это дает:

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)

В случае многодиапазонных изображений вы обычно не хотите интерполировать вдоль оси "z", создавая новые полосы.

Если у вас есть что-то вроде 3-полосного изображения RGB, которое вы хотите увеличить, вы можете сделать это, указав последовательность кортежей как коэффициент масштабирования:

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

Это дает:

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]]]

Ответ 2

Если вы хотите выполнить повторную выборку, вы должны посмотреть кулинарную книгу Scipy на rebinning. В частности, функция congrid, определенная в конце, будет поддерживать перестроение или интерполяцию (эквивалентную функции в IDL с тем же именем). Это должен быть самый быстрый вариант, если вы не хотите интерполяции.

Вы также можете напрямую использовать scipy.ndimage.map_coordinates, который будет выполнять сплайн-интерполяцию для любого вида повторной выборки (включая неструктурированные сетки). Я нахожу map_coordinates медленным для больших массивов (nx, ny > 200).

Для интерполяции на структурированных сетках я обычно использую scipy.interpolate.RectBivariateSpline. Вы можете выбрать порядок сплайнов (линейный, квадратичный, кубический и т.д.) И даже независимо для каждой оси. Пример:

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

В этом случае вы выполняете двухлинейную интерполяцию (kx = ky = 1). "Ближайший" вид интерполяции не поддерживается, так как все это делает сплайновую интерполяцию по прямоугольной сетке. Это также не самый быстрый метод.

Если вы пользуетесь билинейной или би-кубической интерполяцией, то, как правило, гораздо быстрее выполнять две интерполяции 1D:

    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

Вы также можете использовать kind='nearest', но в этом случае избавиться от поперечных массивов.

Ответ 3

Вы посмотрели Scikit-image? Его функции transform.pyramid_* могут быть полезны для вас.

Ответ 4

Недавно я обнаружил проблему с scipy.ndimage.interpolation.zoom, которую я отправил в виде отчета об ошибке: https://github.com/scipy/scipy/issues/3203

В качестве альтернативы (или хотя бы для меня) я обнаружил, что scikit-image skimage.transform.resize работает правильно: http://scikit-image.org/docs/dev/api/skimage.transform.html#skimage.transform.resize

Однако он работает по-другому для scipy interpolation.zoom - вместо того, чтобы указывать множитель, вы указываете желаемую выходную форму. Это работает для 2D и 3D изображений.

Для двухмерных изображений вы можете использовать transform.rescale и указать множитель или масштаб, как если бы вы использовали interpolation.zoom.

Ответ 5

Это решение масштабирует X и Y подаваемого изображения без влияния на каналы RGB:

import numpy as np
import scipy.ndimage

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

Надеюсь, это полезно.

Ответ 6

Вы можете использовать interpolate.interp2d.

Например, рассматривая изображение, представленное массивом пустышек arr, вы можете изменить его размер до произвольной высоты и ширины следующим образом:

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))

Конечно, если у вашего изображения есть несколько каналов, вы должны выполнить интерполяцию для каждого из них.