重新采样表示图像的numpy数组
我正在寻找如何以一个新的尺寸重新取样代表图像数据的numpy数组，最好有一个插值方法的select（最近的，双线性等）。 我知道有
scipy.misc.imresize 这是通过包装PIL的resizefunction来完成的。 唯一的问题是，因为它使用PIL，numpy数组必须符合图像格式，给我最多4个“彩色”通道。
我希望能够调整任意图像的大小，使用任何数量的“颜色”通道。 我想知道是否有一个简单的方法来做这个scipy / numpy，或者如果我需要推出自己的。
对于如何自己制作一个我有两个想法：
- 一个在每个通道上分别运行
scipy.misc.imresize的函数 - 创build我自己的使用
scipy.ndimage.interpolation.affine_transform
第一个对于大数据可能会很慢，第二个似乎没有提供除了样条的其他插值方法。
基于你的描述，你想scipy.ndimage.zoom 。
双线性插值将是order=1 ，最接近order=0 ，而cubic是默认值（ order=3 ）。
zoom是专门针对要重新采样到新分辨率的常规网格数据。
举一个简单的例子：
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)
结果是：
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：正如马特·S指出的那样，缩放多波段图像有一些注意事项。 我从我以前的答案几乎逐字抄录下面的部分：
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，则将沿所有轴缩放。
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，您通常不希望沿着“z”轴插入，创build新的波段。
如果您想要缩放3像素的RGB图像，可以通过指定一系列元组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]]]
如果你想重新采样，那么你应该看看Scipy的食谱来重组 。 具体来说， congrid定义的函数会支持重定义或插值（相当于IDL中具有相同名称的函数）。 如果你不想插值，这应该是最快的select。
您也可以直接使用scipy.ndimage.map_coordinates ，它将为任何types的重采样（包括非结构化网格）执行样条插值。 我发现map_coordinates对于较大的数组（nx，ny> 200）会很慢。
对于结构化网格上的插值，我倾向于使用scipy.interpolate.RectBivariateSpline 。 您可以select样条的顺序（线性，二次，立方等），甚至可以独立的为每个轴。 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，你正在做一个双线性插值(kx = ky = 1) 。 不支持“最近”types的插值，因为所有这些都是矩形网格上的样条插值。 这也不是最快的方法。
如果在双线性或双三次插值之后，进行两次一维插值通常要快得多：
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
你也可以使用kind='nearest' ，但是在这种情况下，摆脱横向数组。
你看了Scikit-image ？ 它的transform.pyramid_*函数可能对你有用。
我最近刚刚发现了一个scipy.ndimage.interpolation.zoom的问题，我把它作为一个错误报告提交： https : //github.com/scipy/scipy/issues/3203
作为替代（或者至less对我来说），我发现scikit-image的skimage.transform.resize能够正常工作： http ://scikit-image.org/docs/dev/api/skimage.transform.html#skimage .transform.resize
然而，它对scipy的interpolation.zoom的作用是不同的 – 不是指定一个mutliplier，而是指定你想要的输出形状。 这适用于二维和三维图像。
对于2D图像，您可以使用transform.rescale，并像interpolation.zoom一样指定倍数或比例。
