Python: 降采样2D numpy数组通过非整数

Question

我需要以执行局部平均的方式将2D numpy数组的非整数因子（例如100x100数组降到45x45数组），就像Photoshop/gimp对图像那样。我需要双倍精度。目前的选项做不好。在

• scipy.ndimage.zoom不执行平均，基本上使用 最近邻抽样（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还使用最近邻并将您转发到skimage.transform.downscale_local_mean进行局部平均，

• 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）。整数比例因子是一个微不足道的numpy过度。

我错过了其他的选择吗？在

Answer 1

我最后编写了一个小函数，它使用scipy.ndimage.zoom对图像进行放大，但是对于缩小尺寸，它首先将其放大为原始形状的倍数，然后通过块平均缩小比例。它接受scipy.zoom（order和prefilter）的任何其他关键字参数

我仍然在寻找一个更干净的解决方案使用可用的软件包。在

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