Question

我需要通过非整数因子（例如，100x100阵列到45x45阵列）对2D numpy数组进行下采样，执行局部平均，就像Photoshop / gimp会对图像执行此操作一样。我需要双精度。目前的选择不能很好。

scipy.ndimage.zoom不执行平均，并且基本上使用最近邻采样（见上一个问题scipy.ndimage.interpolation.zoom uses nearest-neighbor-like algorithm for scaling-down）
scipy.misc.imresize将数组转换为int8;我需要更多精度和浮点
skimage.transform.rescale也使用最近邻居并将您转发到skimage.transform.downscale_local_mean进行本地平均，
skimage.transform.downscale_local_mean只能执行整数缩放因子（如果因子是非整数，则使用零填充图像）。整数缩放因子是一个微不足道的numpy excersice。

我是否错过了其他选择？

Answer 1

我最后编写了一个小函数，使用scipy.ndimage.zoom升级图像，但是为了缩小尺寸，它首先将其升级为原始形状的倍数，然后通过块平均缩小。它接受scipy.zoom（order和prefilter）

的任何其他关键字参数

我仍然在寻找使用可用软件包的清洁解决方案。

def zoomArray(inArray, finalShape, sameSum=False, **zoomKwargs):
    inArray = np.asarray(inArray, dtype = np.double)
    inShape = inArray.shape
    assert len(inShape) == len(finalShape)
    mults = []
    for i in range(len(inShape)):
        if finalShape[i] < inShape[i]:
            mults.append(int(np.ceil(inShape[i]/finalShape[i])))
        else:
            mults.append(1)
    tempShape = tuple([i * j for i,j in zip(finalShape, mults)])

    zoomMultipliers = np.array(tempShape) / np.array(inShape) + 0.0000001
    rescaled = zoom(inArray, zoomMultipliers, **zoomKwargs)

    for ind, mult in enumerate(mults):
        if mult != 1:
            sh = list(rescaled.shape)
            assert sh[ind] % mult == 0
            newshape = sh[:ind] + [sh[ind] / mult, mult] + sh[ind+1:]
            rescaled.shape = newshape
            rescaled = np.mean(rescaled, axis = ind+1)
    assert rescaled.shape == finalShape

    if sameSum:
        extraSize = np.prod(finalShape) / np.prod(inShape)
        rescaled /= extraSize
    return rescaled

Python：通过非整数因子下采样2D numpy数组

1 个答案: