Wil*_*sem 76
是的,你可以安装opencv(这是一个用于图像处理和计算机视觉的库),并使用该cv2.resize功能.例如使用:
import cv2
import numpy as np
img = cv2.imread('your_image.jpg')
res = cv2.resize(img, dsize=(54, 140), interpolation=cv2.INTER_CUBIC)img因此,这是包含原始图像res的numpy数组,而是包含调整大小的图像的numpy数组.一个重要的方面是interpolation参数:有几种方法可以调整图像大小.特别是因为你缩小图像,而原图像的大小是不是调整后的图像的大小的倍数.可能的插值模式是:
INTER_NEAREST- 最近邻插值INTER_LINEAR- 双线性插值(默认使用)INTER_AREA- 使用像素区域关系重新采样.它可能是图像抽取的首选方法,因为它可以提供无莫尔条纹的结果.但是当图像被缩放时,它与INTER_NEAREST方法类似 .INTER_CUBIC- 在4x4像素邻域上的双三次插值INTER_LANCZOS4- 在8x8像素邻域上的Lanczos插值
与大多数选项一样,没有"最佳"选项,因为对于每个调整大小架构,有一种策略可以优先于另一种策略.
- 我尽量避免使用 cv2，它以 BGR 通道格式交换尺寸和负载。我更喜欢 `skimage.io.imread('image.jpg')` 和 `skimage.transform.resize(img)`。https://scikit-image.org/docs/dev/install.html (7认同)
- 我刚刚尝试了这段代码，它就可以了！仅有的一个变化是，`dsize`应该为`dsize =（54，140）`，因为它先是x然后是y，其中一个numpy数组将形状显示为y然后是x（y是行数，x是列数） (3认同)
- @Decker skimage.transform.resize 通过“order”参数提供一些控制。order=0 是最近邻，1=双线性，2=双二次，3=双三次等。但是没有面积均值或 lanczos 插值。 (3认同)
- @EduardoPignatelli 我避免使用 skimage.transform.resize 因为您无法控制它使用的插值算法。但是，这可能并不重要，这取决于人们的用例。 (2认同)
jak*_*vdp 44
虽然可以单独使用numpy来执行此操作,但操作不是内置的.也就是说,你可以使用scikit-image(建立在numpy上)来进行这种图像处理.
Scikit-Image重新缩放文档就在这里.
例如,您可以对图像执行以下操作:
from skimage.transform import resize
bottle_resized = resize(bottle, (140, 54))
这将为您处理内插,消除锯齿等问题.
- 即使原始图像是** uint8 **，这也会将图像返回为** float ** ndarray。 (3认同)
- 这是一种很好的技术，因为它适用于任意数量的通道。我尝试将 rgb 数据与深度点云数据相结合，并保留了我想要的关系。 (3认同)
- 谢谢！这个答案也有效！尽管我在使用`anti_aliasing`标志时遇到了一些问题，但它似乎已从[0.13.1]的最新版本中删除（http://scikit-image.org/docs/0.13.x/api /skimage.transform.html?highlight=resize#skimage.transform.resize） (2认同)
Rom*_*ell 16
如果有人来这里寻找一种在 Python 中缩放/调整图像大小的简单方法，而不使用其他库，这里有一个非常简单的图像调整大小函数：
#simple image scaling to (nR x nC) size
def scale(im, nR, nC):
nR0 = len(im) # source number of rows
nC0 = len(im[0]) # source number of columns
return [[ im[int(nR0 * r / nR)][int(nC0 * c / nC)]
for c in range(nC)] for r in range(nR)]
用法示例：将 (30 x 30) 图像调整为 (100 x 200)：
import matplotlib.pyplot as plt
def sqr(x):
return x*x
def f(r, c, nR, nC):
return 1.0 if sqr(c - nC/2) + sqr(r - nR/2) < sqr(nC/4) else 0.0
# a red circle on a canvas of size (nR x nC)
def circ(nR, nC):
return [[ [f(r, c, nR, nC), 0, 0]
for c in range(nC)] for r in range(nR)]
plt.imshow(scale(circ(30, 30), 100, 200))
输出： 
这适用于缩小/缩放图像，并且适用于 numpy 数组。
mat*_*lso 10
用于下采样的单行 numpy 解决方案（乘以 2）：
smaller_img = bigger_img[::2, ::2]
和上采样（2）：
bigger_img = smaller_img.repeat(2, axis=0).repeat(2, axis=1)
（这假设 HxWxC 形状的图像。h/t 到 L.Kärkkäinen 在上面的评论中。注意这种方法只允许整个整数调整大小（例如，2x 但不是 1.5x））
- 操纵分段标签掩码的绝佳解决方案，您确实不需要/不希望在 skimage 中进行到 float64 的转换。 (2认同)
对于来自Google来这里的人们，他们正在寻找一种快速降序对numpy数组图像进行下采样以供机器学习应用程序使用的方法，这是一种超快速方法（从此处改编）。仅当输入尺寸为输出尺寸的倍数时，此方法才有效。
以下示例将采样率从128x128降采样为64x64（可以轻松更改）。
频道最后订购
# large image is shape (128, 128, 3)
# small image is shape (64, 64, 3)
input_size = 128
output_size = 64
bin_size = input_size // output_size
small_image = large_image.reshape((output_size, bin_size,
output_size, bin_size, 3)).max(3).max(1)
渠道第一订购
# large image is shape (3, 128, 128)
# small image is shape (3, 64, 64)
input_size = 128
output_size = 64
bin_size = input_size // output_size
small_image = large_image.reshape((3, output_size, bin_size,
output_size, bin_size)).max(4).max(2)
对于灰度图像，只需将更3改为1如下所示：
渠道第一订购
# large image is shape (1, 128, 128)
# small image is shape (1, 64, 64)
input_size = 128
output_size = 64
bin_size = input_size // output_size
small_image = large_image.reshape((1, output_size, bin_size,
output_size, bin_size)).max(4).max(2)
此方法使用的是最大池化。我发现这是最快的方法。
- large_image[:, ::2, ::2] 返回分辨率减半的图像。 (7认同)
- @rayzinnz `np.repeat(np.repeat(a, 2, axis=0), 2, axis=1) ` (3认同)
- @LasseKärkkäinen 但它不会下采样，它只是选择每隔一个像素。不同之处在于最终函数“max”可以更改为以更好的方式选择或计算像素（例如使用“min”或“mean”）。如果这无关紧要，您的方法很有用（而且速度更快）。 (2认同)
- 用“.mean(4).mean(2)”替换“.max(4).max(2)”是否可以作为线性插值下采样的快速方法？ (2认同)
小智 6
对于想要调整（插值）一批 numpy 数组大小的人，pytorch 提供了一个更快的函数名称torch.nn.function.interpolate，只需记住首先使用 np.transpose 将通道从batchxWxHx3更改为batchx3xWxH。