Upsample und interpolieren eine NumPy Array

Question

Ich habe ein Array, so etwas wie:

array = np.arange(0,4,1).reshape(2,2) 

> [[0 1 
    2 3]] 

I mit höherer Abtastung dieses Array sowie interpoliert die resultierenden Werte für beide wollen. Ich weiß, dass ein guter Weg, um ein Array Upsampling unter Verwendung ist:

array = eratemp[0].repeat(2, axis = 0).repeat(2, axis = 1) 
[[0 0 1 1] 
[0 0 1 1] 
[2 2 3 3] 
[2 2 3 3]] 

aber ich kann nicht einen Weg finden, um die Werte zu interpolieren, die ‚blockartig‘ Natur zwischen jedem 2x2 Abschnitt des Arrays zu entfernen.

Ich möchte etwas wie folgt aus:

[[0 0.4 1 1.1] 
[1 0.8 1 2.1] 
[2 2.3 3 3.1] 
[2.1 2.3 3.1 3.2]] 

So etwas wie dieses (Hinweis: diese werden nicht die genauen Zahlen). Ich verstehe, dass es nicht möglich ist, dieses bestimmte 2D-Gitter zu interpolieren, aber mit dem ersten Gitter in meiner Antwort sollte eine Interpolation während des Upsampling-Prozesses möglich sein, da Sie die Anzahl der Pixel erhöhen und somit die Lücken füllen können ".

Ich bin nicht zu sehr auf die Art der Interpolation, vorausgesetzt, die endgültige Ausgabe ist eine geglättete Oberfläche! Ich habe versucht, die scipy.interp2d Methode zu verwenden, aber ohne Erfolg, wäre dankbar, wenn jemand ihre Weisheit teilen könnte!

Answer 1

Sie können SciPy interp2d für die Interpolation verwenden, Sie finden die Dokumentation here.

from scipy import interpolate 
x = np.array(range(2)) 
y = np.array(range(2)) 
a = np.array([[0, 1], [2, 3]]) 
xx, yy = np.meshgrid(x, y) 
f = interpolate.interp2d(x, y, a, kind='linear') 

xnew = np.linspace(0, 2, 4) 
ynew = np.linspace(0, 2, 4) 
znew = f(xnew, ynew) 

Wenn Sie znew ausdrucken sollte wie folgt aussehen:

Ich habe das Beispiel aus der Dokumentation ein wenig modifiziert

array([[ 0.  , 0.66666667, 1.  , 1.  ], 
     [ 1.33333333, 2.  , 2.33333333, 2.33333333], 
     [ 2.  , 2.66666667, 3.  , 3.  ], 
     [ 2.  , 2.66666667, 3.  , 3.  ]]) 

Answer 2

würde ich scipy.misc.imresize:

array = np.arange(0,4,1).reshape(2,2) 
from skimage.transform import resize 
out = scipy.misc.imresize(array, 2.0) 

Die 2.0 zeigt an, dass der Ausgang doppelt so groß sein soll Dimensionen der Eingabe. Sie können alternativ einen int oder einen tuple angeben, um einen Prozentsatz der ursprünglichen Abmessungen oder nur die neuen Abmessungen selbst anzugeben.

Dies ist sehr einfach zu bedienen, aber es ist ein zusätzlicher Schritt, weil imresize neu skaliert alles, damit Ihr Maximalwert wird 255 und Ihr min wird 0. (Und es ändert den Datentyp np.unit8.) Sie müssen möglicherweise etwas tun wie:

out = out.astype(array.dtype)/255 * (np.max(array) - np.min(array)) + np.min(array) 

die am Ausgang Werfen wir einen Blick:

>>> out.round(2) 
array([[0. , 0.25, 0.75, 1. ], 
     [0.51, 0.75, 1.26, 1.51], 
     [1.51, 1.75, 2.26, 2.51], 
     [2. , 2.25, 2.75, 3. ]]) 

imresize mit deprecation Warnung kommt und Ersatz, aber:

VernachlässigungWarnung: imresize ist veraltet! imresize ist in SciPy 1.0.0 veraltet und wird in 1.2.0 entfernt. Verwenden Sie stattdessen skimage.transform.resize.