Python 使用numpy和scipy填充图像上的间隙

随附图像（test.tif）。 np.nan值是最白的区域。 如何使用一些使用邻域值的间隙填充算法来填充那些最白色的区域

---

如果需要来自最近邻居的值，可以使用from scipy.interpolate。你也可以考虑。

您可以通过以下方式找到NaN值的X、Y索引值：

import numpy as np

nan_locs = np.where(np.isnan(data))

还有一些其他插值选项。一个选项是用a的结果替换NaN值（但是您的区域对于这个来说有点大）。另一个选择可能是。正确的插值取决于端域

如果以前没有使用过SciPy ND插值器，则需要提供X、Y和值数据，以使插值器与要插值的值的X和Y数据相匹配。您可以使用上面的where示例作为模板来完成此操作。

我认为viena的问题与问题更相关

以下是一些想法：

• 为了填补黑白图像中的空白，您可以使用一些填充算法，如。但是你有一个灰度图像，所以你不能使用它

• 我想您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）。使用最接近的值将生成脏算法。相反，我建议您使用其他值（例如行的平均值）来填补空白。您可以使用以下方法进行无需编码的操作：

• 使用最接近值的脏溶液可以是： 1） 查找NaN区域的周界点 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

---

正如其他人所建议的，可以使用scipy.interpolate。然而，这需要相当广泛的索引操作来实现

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：

---

这会将我们拥有的所有值传递给插值器，而不仅仅是缺失值旁边的值（这可能有点低效）。它还插值输出中的每个点，而不仅仅是缺少的值（效率极低）。更好的方法是只插值缺失的值，然后将它们修补到原始图像中。这只是一个快速入门的示例：）

OpenCV有一些可以使用的图像绘制算法。您只需要提供一个二进制掩码，它指示应该绘制哪些像素

导入cv2
将numpy作为np导入
导入scipy.ndimage
数据=ndimage.imread（“test.tif”）
掩码=np.isnan（数据）
inpainted_img=cv2.inpaint（img，mask，inpaintRadius=3，flags=cv2.inpaint_TELEA）

查看scipy插值库，找到适合您需要的函数。对于那些寻找

sklearn.preprocessing.inputer

：功能已移至

sklearn.inpute.simplemputer

下，请参阅文档。最近邻（“脏解决方案”）也已在

sklearn.impute.knimputer

中实现，其文档可以找到。

>>> 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]])

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()