用numpy和scipy填充图像上的空白

Question

附上图像(test.tif).np.nan值是最白的区域.如何使用一些使用邻居值的间隙填充算法填充那些最白的区域？

import scipy.ndimage

data = ndimage.imread('test.tif')

Answer 1

正如其他人所建议的那样,可以使用scipy.interpolate.但是,它需要相当广泛的索引操作才能使其正常工作.

完整的例子:

from pylab import *
import numpy
import scipy.ndimage
import scipy.interpolate
import pdb

data = scipy.ndimage.imread('data.png')

# a boolean array of (width, height) which False where there are missing values and True where there are valid (non-missing) values
mask = ~( (data[:,:,0] == 255) & (data[:,:,1] == 255) & (data[:,:,2] == 255) )

# array of (number of points, 2) containing the x,y coordinates of the valid values only
xx, yy = numpy.meshgrid(numpy.arange(data.shape[1]), numpy.arange(data.shape[0]))
xym = numpy.vstack( (numpy.ravel(xx[mask]), numpy.ravel(yy[mask])) ).T

# the valid values in the first, second, third color channel,  as 1D arrays (in the same order as their coordinates in xym)
data0 = numpy.ravel( data[:,:,0][mask] )
data1 = numpy.ravel( data[:,:,1][mask] )
data2 = numpy.ravel( data[:,:,2][mask] )

# three separate interpolators for the separate color channels
interp0 = scipy.interpolate.NearestNDInterpolator( xym, data0 )
interp1 = scipy.interpolate.NearestNDInterpolator( xym, data1 )
interp2 = scipy.interpolate.NearestNDInterpolator( xym, data2 )

# interpolate the whole image, one color channel at a time    
result0 = interp0(numpy.ravel(xx), numpy.ravel(yy)).reshape( xx.shape )
result1 = interp1(numpy.ravel(xx), numpy.ravel(yy)).reshape( xx.shape )
result2 = interp2(numpy.ravel(xx), numpy.ravel(yy)).reshape( xx.shape )

# combine them into an output image
result = numpy.dstack( (result0, result1, result2) )

imshow(result)
show()

输出:

这将我们拥有的所有值传递给插值器,而不仅仅是缺失值旁边的值(这可能有些低效).它还会插入输出中的每个点,而不仅仅是缺失值(这是非常低效的).更好的方法是仅插入缺失值,然后将它们修补到原始图像中.这只是一个快速工作的例子来开始:)

Answer 2

如果您想要来自最近邻居的值,可以使用scipy.interpolate中的NearestNDInterpolator.还有一些其他的插值,以及你可以考虑一下.

您可以使用以下命令找到NaN值的X,Y索引值:

import numpy as np

nan_locs = np.where(np.isnan(data))

插值还有一些其他选项.一种选择是用中值滤波器的结果替换NaN值(但是你的区域对此有点大).另一种选择可能是灰度扩张.正确的插值取决于您的结束域.

如果您之前没有使用过SciPy ND插补器,则需要提供X,Y和值数据以使插值器符合X和Y数据以插入值.您可以使用上面的示例作为模板来执行此操作.

Answer 3

我认为viena的问题与修复问题更为相关.

以下是一些想法:

• 为了填补黑白图像中的空白,您可以使用一些填充算法,如scipy.ndimage.morphology.binary_fill_holes.但是你有一个灰度图像,所以你不能使用它.

• 我想你不想使用复杂的修复算法.我的第一个建议是:不要尝试使用最近的灰度值(你不知道NaN像素的实际值).使用NEarest值将生成脏算法.相反,我建议你用其他一些值填补空白(例如行的平均值).您可以使用scikit-learn进行无需编码的操作:

资源:

>>> from sklearn.preprocessing import Imputer
>>> imp = Imputer(strategy="mean")
>>> a = np.random.random((5,5))
>>> a[(1,4,0,3),(2,4,2,0)] = np.nan
>>> a
array([[ 0.77473361,  0.62987193,         nan,  0.11367791,  0.17633671],
   [ 0.68555944,  0.54680378,         nan,  0.64186838,  0.15563309],
   [ 0.37784422,  0.59678177,  0.08103329,  0.60760487,  0.65288022],
   [        nan,  0.54097945,  0.30680838,  0.82303869,  0.22784574],
   [ 0.21223024,  0.06426663,  0.34254093,  0.22115931,         nan]])
>>> a = imp.fit_transform(a)
>>> a
array([[ 0.77473361,  0.62987193,  0.24346087,  0.11367791,  0.17633671],
   [ 0.68555944,  0.54680378,  0.24346087,  0.64186838,  0.15563309],
   [ 0.37784422,  0.59678177,  0.08103329,  0.60760487,  0.65288022],
   [ 0.51259188,  0.54097945,  0.30680838,  0.82303869,  0.22784574],
   [ 0.21223024,  0.06426663,  0.34254093,  0.22115931,  0.30317394]])

• 使用最近值的脏解可以是:1)找到NaN区域的周边点2)计算NaN点和周边之间的所有距离3)用最接近的点灰度值替换NaNs