附带了图像(test.tif)。 np.nan值是最白的区域。 如何使用一些间隙填充算法填充这些最白的区域，这些算法使用邻居的值？
import scipy.ndimage
data = ndimage.imread('test.tif')
使用NumPy和SciPy填补图像中的空缺
14
- 2964502
1
1查看scipy interpolate库以找到适合您需求的函数。http://docs.scipy.org/doc/scipy/reference/interpolate.html - M4rtini
4个回答
22
正如其他人建议的那样，可以使用scipy.interpolate。但是，需要相当广泛的索引操作才能使其正常工作。
完整示例：
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:
这会将我们所有的值传递给内插器，而不仅仅是丢失值旁边的值（这可能有点低效）。它还会内插输出中的每个点，而不仅仅是缺失的值（这非常低效）。更好的方法是仅内插缺失的值，然后将其补丁到原始图像中。这只是一个快速的工作示例，可供参考 :)
- Alex I
10
我认为viena的问题更与修复图像有关。
以下是一些想法：
为了填补黑白图像中的空白，可以使用一些填充算法，例如scipy.ndimage.morphology.binary_fill_holes。但你有一张灰度图像，所以不能使用它。
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像素的真实值）。使用最近的值会产生一个脏算法。相反，我建议你用其他值（例如行的平均值）来填补缺口。你可以使用scikit-learn而不需要编码：
>>> 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“肮脏解决方案”可能是这样的： 1）找到NaN区域的周长点 2）计算NaN点和周长之间的所有距离 3）用最近点的灰度值替换NaN值
- phyrox
1
8
如果您想要最近邻居的值，可以使用scipy.interpolate中的NearestNDInterpolator。还有其他插值器也可以考虑。
您可以使用以下方法找到NaN值的X、Y索引值：
您可以使用以下方法找到NaN值的X、Y索引值：
import numpy as np
nan_locs = np.where(np.isnan(data))
还有其他一些插值选项。其中之一是使用中位数滤波器的结果替换NaN值（但您的区域有点大）。另一个选项可能是灰度膨胀。正确的插值取决于您的最终领域。
如果您以前没有使用过SciPy ND插值器，则需要提供X、Y和值数据来适应插值器，然后提供X和Y数据进行插值。您可以使用上面的where示例作为模板。
- exogeographer
4
OpenCV拥有一些图像修复算法，您可以使用它们。您只需要提供一个二进制掩码，指示哪些像素应该进行修复。
import cv2
import numpy as np
import scipy.ndimage
data = ndimage.imread("test.tif")
mask = np.isnan(data)
inpainted_img = cv2.inpaint(img, mask, inpaintRadius=3, flags=cv2.INPAINT_TELEA)
- Nathan
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接