Python中的下采样数组

Question

我有基本的二维 numpy 数组，我想将它们“下采样”到更粗略的分辨率。是否有一个简单的 numpy 或 scipy 模块可以轻松做到这一点？我还应该注意，这个数组是通过 Basemap 模块在地理上显示的。

示例：

Answer 1

scikit-image 在这里实现了downsampling 的工作版本，虽然他们回避称它为downsampling，因为它不是 DSP 方面的下采样，如果我理解正确的话：

http://scikit-image.org/docs/dev/api/skimage.measure.html#skimage.measure.block_reduce

但它工作得很好，它是我在 Python 中找到的唯一一个可以处理图像中的np.nan 的downsampler。我很快就用这个对巨大的图像进行了下采样。

Answer 2

在下采样时，插值是错误的做法。始终使用聚合方法。

我使用块手段来做到这一点，使用“因素”来降低分辨率。

import numpy as np
from scipy import ndimage

def block_mean(ar, fact):
    assert isinstance(fact, int), type(fact)
    sx, sy = ar.shape
    X, Y = np.ogrid[0:sx, 0:sy]
    regions = sy/fact * (X/fact) + Y/fact
    res = ndimage.mean(ar, labels=regions, index=np.arange(regions.max() + 1))
    res.shape = (sx/fact, sy/fact)
    return res

例如，使用因子为 5（5x5 块）的 (100, 200) 形状数组会产生 (20, 40) 数组结果：

ar = np.random.rand(20000).reshape((100, 200))
block_mean(ar, 5).shape  # (20, 40)

Answer 3

imresize 和 ndimage.interpolation.zoom 看起来像他们做你想做的事

我之前没有尝试过 imresize，但这里是我使用 ndimage.interpolation.zoom 的方式

a = np.array(64).reshape(8,8)
a = ndimage.interpolation.zoom(a,.5) #decimate resolution

a 是一个 4x4 矩阵，其中包含插值

Answer 4

因为 OP 只想要更粗的分辨率，我想我会分享我的方法，将每个维度的像素数减少一半。我取 2x2 块的平均值。这可以多次应用以减少 2 倍。

from scipy.ndimage import convolve
array_downsampled = convolve(array, 
                 np.array([[0.25,0.25],[0.25,0.25]]))[:array.shape[0]:2,:array.shape[1]:2]

Answer 5

最简单的方法： 您可以使用array[0::2] 表示法，它只考虑每隔一个索引。 例如

array= np.array([[i+j for i in range(0,10)] for j in range(0,10)])
down_sampled=array[0::2,0::2]

print("array \n", array)
print("array2 \n",down_sampled)

有输出：

array 
[[ 0  1  2  3  4  5  6  7  8  9]
 [ 1  2  3  4  5  6  7  8  9 10]
 [ 2  3  4  5  6  7  8  9 10 11]
 [ 3  4  5  6  7  8  9 10 11 12]
 [ 4  5  6  7  8  9 10 11 12 13]
 [ 5  6  7  8  9 10 11 12 13 14]
 [ 6  7  8  9 10 11 12 13 14 15]
 [ 7  8  9 10 11 12 13 14 15 16]
 [ 8  9 10 11 12 13 14 15 16 17]
 [ 9 10 11 12 13 14 15 16 17 18]]
array2 
[[ 0  2  4  6  8]
 [ 2  4  6  8 10]
 [ 4  6  8 10 12]
 [ 6  8 10 12 14]
 [ 8 10 12 14 16]]

Answer 6

xarray 的“coarsen”方法可以对 xarray.Dataset 或 xarray.DataArray 进行下采样

• http://xarray.pydata.org/en/stable/generated/xarray.DataArray.coarsen.html
• http://xarray.pydata.org/en/stable/computation.html#coarsen-large-arrays

例如：

import xarray as xr
import numpy as np
import matplotlib.pyplot as plt

fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15,5))

# Create a 10x10 array of random numbers
a = xr.DataArray(np.random.rand(10,10)*100, dims=['x', 'y'])

# "Downscale" the array, mean of blocks of size (2x2)
b = a.coarsen(x=2, y=2).mean()

# "Downscale" the array, mean of blocks of size (5x5)
c = a.coarsen(x=5, y=5).mean()


# Plot and cosmetics
a.plot(ax=ax1)
ax1.set_title("Full Data")

b.plot(ax=ax2)
ax2.set_title("mean of (2x2) boxes")

c.plot(ax=ax3)
ax3.set_title("mean of (5x5) boxes")

Answer 7

这可能不是您想要的，但为了完整起见，我想我会提到它。

您可以尝试安装 scikits.samplerate (docs)，它是 libsamplerate 的 Python 包装器。它提供了很好的、高质量的重采样算法——但据我所知，它只适用于一维。您可能可以先沿一个轴然后沿另一个轴重新采样您的 2D 信号，但我认为这可能会抵消高质量重新采样的好处。

Answer 8

这将获取任何分辨率的图像，并通过获取图像数组的第 4 个索引仅返回其大小的四分之一。

import cv2
import numpy as np

def quarter_res_drop(im):

    resized_image = im[0::4, 0::4]
    cv2.imwrite('resize_result_image.png', resized_image)

    return resized_image

im = cv2.imread('Your_test_image.png', 1)

quarter_res_drop(im)