如何使用Numpy高效地执行最近邻插值

我有一个图像，为了这个问题，它只是一个numpy数组。我想过滤图像以去除孤立透明像素形式的噪声（更一般地说，我也想去除线条，但这是下一个问题）

让我们举一个可玩的例子：

a = np.ones((10, 10), np.uint8)
a[5,5] = 0    # isolated hole
a[5,6] = 2    # the neighbour to clone

导致该矩阵：

       [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 0, 2, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]]

问题是，当矩阵中有一个0时，我希望它被最近的邻居替换（在这种情况下是2，但如果易于实现，四个的平均值可能更好）

---

这可以在没有显式循环的情况下完成吗？

使用检测

a

中的

0

条目。要计算描述的平均值，请与

mode='same'

和以下内核一起使用：

kernel=np.array（[[0,1,0]，[1,0,1]，[0,1,0]]）/4

最后，用卷积结果中的相应条目替换

a

中找到的

0

条目。请参阅以下代码片段：

将numpy导入为np
从scipy.signal导入卷积2D
a=np.ones（（10，10），np.uint8）
a[5,5]=0
a[5,6]=2
印刷品（a）
kernel=np.array（[[0,1,0]，[1,0,1]，[0,1,0]]）/4
b=卷积2D（a，内核，模式='same'）
a[a==0]=b[a==0]
印刷品（a）

结果是：

[[1]
[1 1 1 1 1 1 1 1 1 1]
[1 1 1 1 1 1 1 1 1 1]
[1 1 1 1 1 1 1 1 1 1]
[1 1 1 1 1 1 1 1 1 1]
[1 1 1 1 1 1 2 1 1 1]
[1 1 1 1 1 1 1 1 1 1]
[1 1 1 1 1 1 1 1 1 1]
[1 1 1 1 1 1 1 1 1 1]
[1 1 1 1 1 1 1 1 1 1]]

由于您将

a

初始化为

np.uint8

，实际替换值

1.25

被截断为

1

。如果将

a

初始化为

np.float32

，您将看到

1.25

正确地放置在那里

----------------------------------------
系统信息
----------------------------------------
平台：Windows-10-10.0.16299-SP0
Python:3.9.1
NumPy:1.20.1
SciPy:1.6.0
----------------------------------------

---

---

编辑：如果只想计算两个/三个相邻像素的平均值，硬编码内核将无法正确处理角点和边界像素。也许，在不进行除法的情况下设置内核，并存储三个不同的卷积结果，每个结果被

2

、

3

或

4

除法，然后选择正确的值w.r.t.角点、边框或常规像素的存在。

很好，感谢您的快速回答。我理解这是如何工作的，这很有意义。但这提出了一个尖锐的问题。。。卷积在任何地方都进行，尽管实际上是在少数几个洞中进行的。这听起来效率很低。只有在洞被发现之后和发现的地方计算卷积才更明智。我认为这导致了一个更深层次的问题，这个问题植根于Numpy的实现方式，但我忍不住要在这里提及它。再次感谢！当然，对于大型图像和少量单个

0

条目，这可能更快：首先找到

0

条目，迭代相应的感兴趣区域（ROI），并仅适当地卷积这些ROI。但是，乍一看，我想不出一个不使用某种循环的解决方案，这是您想要避免的。