Python skimage resize更改数组的总和

我想将fits格式的图像调整为更小的尺寸。例如，我想将我的100x100像素图像调整为58x58像素图像。阵列的值是强度值或通量值。我希望图像的总强度在变换后保持不变。这不适用于略读调整大小。我的总价值减少取决于我放大或缩小的因素。我已经在下面展示了我迄今为止尝试的代码

import numpy as np
from skimage.transform import resize


image=fits.open(directory+file1)
cutout=image[0].data
out = resize(cutout, (58,58), order=1, preserve_range=True)
print(np.sum(out),np.sum(cutout))

我的输出是：

0.074657436655 0.22187 (I want these two values to be equal)

如果我使用以下方法将其缩放到相同的尺寸：

out = resize(cutout, (100,100), order=1, preserve_range=True)
print(np.sum(out),np.sum(cutout))

我的输出非常接近我想要的：

0.221869631852 0.22187

我有同样的问题，如果我试图增加图像大小以及

out = resize(cutout, (200,200), order=1, preserve_range=True)
print(np.sum(out),np.sum(cutout))

输出：

0.887316320731 0.22187

我想知道这个问题是否有解决办法

编辑1:

我刚刚意识到，如果我把我的图像乘以我想增加或减少图像大小的比例的平方，那么我的总和是守恒的

例如：

x=58
out = resize(cutout, (x,x), order=1, preserve_range=True)
test=out*(100/x)**2
print(np.sum(test),np.sum(cutout))

我的输出非常接近我想要的，但略高：

0.221930548915 0.22187

---

我用不同的维度尝试了这个方法，除了非常小的值外，它都有效。有人能解释为什么这个关系是真的，或者这只是统计上的巧合。

如果你把一幅图像

I=Width x Height

其中

N=Width x Height

看作一组强度在

[0,1]

范围内的像素，将图像大小调整为

M=newWidth x newWeight

后，强度总和与之前完全不同，这是完全正常的

假设具有

N

像素的图像

I

的强度在

[0,1]

范围内均匀分布。然后强度之和约为

0.5*N

。如果使用skimage的调整大小，则图像的大小将调整为更小（或更大）的大小。插值不会累积值（正如您所期望的那样），而是将邻域中的值平均，以预测新图像中每个像素的值。因此，图像的强度范围不改变，值被修改，因此，新调整大小的图像的强度总和将大约为

0.5*M

。如果

M！=N

则强度之和会有很大差异

解决此问题的方法是：

根据新数据的大小按比例重新缩放数据：

>>> y, x = (57, 58)
>>> out = resize(data, (y,x), order=1, preserve_range=True)
>>> out = out * (data.shape[0] / float(y)) * (data.shape[1] / float(x))

这与您的建议类似，但适用于任何大小的图像（不仅仅是方形图像）。然而，这用恒定因子

out[i，j]*=X

补偿每个像素，其中

X

对于图像中的每个像素是相等的，并且并非所有像素都将以相同的权重进行插值，因此，增加了小的人工伪影

我认为最好用图像中的平均强度（不依赖于像素数量）替换图像的总和（取决于图像上的像素数量）

---

为什么不在缩放后重新标准化强度？我应该将强度标准化为缩放因子的平方吗？如果是这种情况，你能告诉我为什么这种关系是真实的吗？你可能想看看：谢谢你的链接和你的答案。我现在明白了，解释得很好。

>>> meanI = np.sum(I) / float(I.size)   # Exactly the same as np.mean(I) or I.mean()
>>> meanInew = np.sum(out) / float(out.size)
>>> np.isclose(meanI, meanInew) # True