我想将适合格式的图像调整为较小的尺寸。例如,我想将我的100x100像素图像调整为58x58像素图像。阵列的值是强度或通量值。我想要在转换后保留图像的总强度。这不适用于skimage resize。我的总价值会根据我放大或缩小的因素而减少。我已经在下面展示了我到目前为止尝试的代码。
import numpy as np
from skimage.transform import resize
image=fits.open(directory+file1)
cutout=image[0].data
out = resize(cutout, (58,58), order=1, preserve_range=True)
print(np.sum(out),np.sum(cutout))
我的输出是:
0.074657436655 0.22187 (I want these two values to be equal)
如果我使用以下方法将其缩放到相同的维度:
out = resize(cutout, (100,100), order=1, preserve_range=True)
print(np.sum(out),np.sum(cutout))
我的输出非常接近我想要的:
0.221869631852 0.22187
如果我尝试增加图像尺寸,我也会遇到同样的问题。
out = resize(cutout, (200,200), order=1, preserve_range=True)
print(np.sum(out),np.sum(cutout))
输出:
0.887316320731 0.22187
我想知道这个问题是否有解决办法。
编辑1:
我刚才意识到,如果我将图像乘以我希望增加或缩小图像大小的平方的平方,那么我的总和就会得到保存。
例如:
x=58
out = resize(cutout, (x,x), order=1, preserve_range=True)
test=out*(100/x)**2
print(np.sum(test),np.sum(cutout))
我的输出非常接近我想要的但略高:
0.221930548915 0.22187
我尝试了不同的尺寸,除了非常小的值外,它的工作原理。任何人都可以解释为什么这种关系是真的,或者这只是一个统计上的巧合。
答案 0 :(得分:4)
如果您将I = Width x Height
处的N = Width x Height
视为一组强度在[0,1]
范围内的像素,则将图像尺寸调整为{{1}后完全正常强度之和与以前完全不同。
假设具有M = newWidth x newWeight
像素的图像I
具有均匀分布在N
范围内的强度。那么强度之和大约为[0,1]
。如果您使用skimage' 0.5 * N
,则图片将按interpolating调整为较小(或较大)的尺寸。插值不会累积值(正如您所期望的那样),而是在邻域中使用平均值来预测新图像中每个像素的值。因此,图像的强度范围不会改变,值被修改,因此,新调整大小的图像的强度之和大约为resize
。如果0.5 * M
那么强度之和将会有很大不同。
解决此问题的方法是:
重新调整与其大小成比例的新数据:
M != N
这与您的建议类似,但适用于任何尺寸的图像(不仅仅是方形图像)。然而,这会使用常数因子>>> y, x = (57, 58)
>>> out = resize(data, (y,x), order=1, preserve_range=True)
>>> out = out * (data.shape[0] / float(y)) * (data.shape[1] / float(x))
补偿每个像素,其中out[i,j] *= X
对于图像中的每个像素都相等,并且并非所有像素都将以相同的权重进行插值,因此,添加小的人工制品。
我认为最好将图像的总和(取决于图像上的像素数)替换为图像中的平均强度(不依赖于数字)像素)
X