N维数组的快速最近邻插值(Nearest Neighbour)，Python实现

N维数组的快速最近邻插值(Nearest Neighbour)，Python实现

这份代码实现的是numpy.ndarray的快速最近邻插值（放缩）。而这个方法貌似并没有直接的API（不能使用图像放缩API，因为数值会放缩到0-255）。

目标

我们由3*3的数组如下：

[[1 2 3][4 5 6][7 8 9]]

然后我们想要使用最近邻插值，放缩其成为一个8*10的矩阵，如下：

[[1 1 1 1 2 2 2 3 3 3][1 1 1 1 2 2 2 3 3 3][1 1 1 1 2 2 2 3 3 3][4 4 4 4 5 5 5 6 6 6][4 4 4 4 5 5 5 6 6 6][4 4 4 4 5 5 5 6 6 6][7 7 7 7 8 8 8 9 9 9][7 7 7 7 8 8 8 9 9 9]]

当前难点

• 显然我们可以使用相当简单的两重for循环实现，但是这种实现极其耗时，尤其是数组特别大的时候。

• 使用图像处理的API进行插值，会使得所有矩阵数值量化到0-255。

• scipy.ndimage 库提供了一个API叫 zoom （在代码里面也提供了），但是会得到如下的结果，这显然不是我们想要的。

[[1 1 1 2 2 2 2 3 3 3][1 1 1 2 2 2 2 3 3 3][4 4 4 5 5 5 5 6 6 6][4 4 4 5 5 5 5 6 6 6][4 4 4 5 5 5 5 6 6 6][4 4 4 5 5 5 5 6 6 6][7 7 7 8 8 8 8 9 9 9][7 7 7 8 8 8 8 9 9 9]]

实现代码

• ndarray_nearest_neighbour_scaling 为本文实现的算法
• ndarray_zoom_scaling 为使用 实现的算法

import numpy as np
import scipy.ndimagedef ndarray_zoom_scaling(label, new_h, new_w):"""Implement scaling for ndarray with :param label: [H, W] or [H, W, C]:return: label_new: [new_h, new_w] or [new_h, new_w, C]Examples--------ori_arr = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]], dtype=np.int32)new_arr = ndarray_zoom_scaling(ori_arr, new_h=8, new_w=10)>> print(new_arr)[[1 1 1 2 2 2 2 3 3 3][1 1 1 2 2 2 2 3 3 3][4 4 4 5 5 5 5 6 6 6][4 4 4 5 5 5 5 6 6 6][4 4 4 5 5 5 5 6 6 6][4 4 4 5 5 5 5 6 6 6][7 7 7 8 8 8 8 9 9 9][7 7 7 8 8 8 8 9 9 9]]"""scale_h = new_h / label.shape[0]scale_w = new_w / label.shape[1]if len(label.shape) == 2:label_new = (label, zoom=[scale_h, scale_w], order=0)else:label_new = (label, zoom=[scale_h, scale_w, 1], order=0)return label_newdef ndarray_nearest_neighbour_scaling(label, new_h, new_w):"""Implement nearest neighbour scaling for ndarray:param label: [H, W] or [H, W, C]:return: label_new: [new_h, new_w] or [new_h, new_w, C]Examples--------ori_arr = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]], dtype=np.int32)new_arr = ndarray_nearest_neighbour_scaling(ori_arr, new_h=8, new_w=10)>> print(new_arr)[[1 1 1 1 2 2 2 3 3 3][1 1 1 1 2 2 2 3 3 3][1 1 1 1 2 2 2 3 3 3][4 4 4 4 5 5 5 6 6 6][4 4 4 4 5 5 5 6 6 6][4 4 4 4 5 5 5 6 6 6][7 7 7 7 8 8 8 9 9 9][7 7 7 7 8 8 8 9 9 9]]"""if len(label.shape) == 2:label_new = np.zeros([new_h, new_w], dtype=label.dtype)else:label_new = np.zeros([new_h, new_w, label.shape[2]], dtype=label.dtype)scale_h = new_h / label.shape[0]scale_w = new_w / label.shape[1]y_pos = np.arange(new_h)x_pos = np.arange(new_w)y_pos = np.floor(y_pos / scale_h).astype(np.int32)x_pos = np.floor(x_pos / scale_w).astype(np.int32)y_pos = shape(y_pos.shape[0], 1)y_pos = np.tile(y_pos, (1, new_w))x_pos = np.tile(x_pos, (new_h, 1))assert y_pos.shape == x_pos.shapelabel_new[:, :] = label[y_pos[:, :], x_pos[:, :]]return label_new

结果对比

比较了三个算法（两重for循环、 算法、本文实现的算法）在10,000次的插值操作后的总耗时，如下：

显然本文的算法在速度上比两重for循环快很多。