ndimage.zoom
这可能是最好的方法,zoom method正是为这类任务而设计的。from scipy.ndimage import zoom
new_array = zoom(array, (0.5, 0.5, 2))
按指定的因子更改每个维度中的大小。如果数组的原始形状是(40, 50, 60),那么新的数组将是(20, 25, 120)。
信号重采样from scipy.signal import resample_poly
factors = [(1, 2), (1, 2), (2, 1)]
for k in range(3):
array = resample_poly(array, factors[k][0], factors[k][1], axis=k)
因子(必须是整数)是上下采样的。即:(1,2)是指尺寸除以2
(2,1)是指尺寸乘以2
(2,3)表示向上2,然后向下3,因此大小乘以2/3
可能的缺点是:这个过程在每个维度上都是独立的,因此空间结构可能不像ndimage方法那样被考虑在内。
RegularGridInterpolator
这是更实际的,但也更费力,而且没有过滤的好处:直接的下采样。我们必须为插值程序创建一个网格,在每个方向使用原始步长。创建内插器后,需要在新网格上对其求值;其调用方法采用不同的网格格式,使用mgrid准备。values = np.random.randint(0, 256, size=(40, 50, 60)).astype(np.uint8) # example
steps = [0.5, 0.5, 2.0] # original step sizes
x, y, z = [steps[k] * np.arange(array.shape[k]) for k in range(3)] # original grid
f = RegularGridInterpolator((x, y, z), values) # interpolator
dx, dy, dz = 1.0, 1.0, 1.0 # new step sizes
new_grid = np.mgrid[0:x[-1]:dx, 0:y[-1]:dy, 0:z[-1]:dz] # new grid
new_grid = np.moveaxis(new_grid, (0, 1, 2, 3), (3, 0, 1, 2)) # reorder axes for evaluation
new_values = f(new_grid)
缺点:例如,当一个维度减少2时,它实际上会每隔一个值下降一次,这就是简单的下采样。理想情况下,在这种情况下,应该平均相邻值。在信号处理方面,在{a5}中,低通滤波先于下采样。