python - 使用 scipy interpolate griddata 方法重新网格化数据时出现意外的内存错误

Question

我有一个 3000x6000 2D 网格(来自 tiff 图像)。我想使用 scipy.interpolate 库中的 griddata 方法将其重新网格化为较低分辨率的网格。首先，我需要根据我读到的内容 here 形成一个 18000000x2 numpy array 作为 griddata 的输入。这就是我所做的:

import numpy as np
from scipy.interpolate import griddata
x_length = 6000
y_length = 3000
def func(x, y):
    return x*(1-x)*np.cos(4*np.pi*x) * np.sin(4*np.pi*y**2)**2
grid_x, grid_y = np.meshgrid(np.linspace(0,1,x_length),np.linspace(0,1,y_length))
points = np.random.rand(x_length*y_length, 2)
values = func(points[:,0], points[:,1])
grid_z0 = griddata(points, values, (grid_x, grid_y), method='nearest')

我在执行griddata时遇到MemoryError。我有 8 GB RAM，根据 this question 的第一个答案，我不应该收到此错误。 .

总的来说，将 3000x6000 网格重新网格化为较低分辨率的网格应该不会那么困难，我想我在这里做了一些有趣的事情。使用 8 GB RAM 执行这些代码时是否应该遇到 e MemoryError ？

P.S:虽然我有 64 位 操作系统 (Windows 7)，但我使用以下 Python 版本:

Python 2.7.2 (default, Jun 12 2011, 15:08:59) [MSC v.1500 32 bit (Intel)] on win32

Answer 1

正如评论所指出的，你的内存不足。在 64 位 Windows 7 上运行的 32 位 Python 的内存限制为 2 GB，而您刚刚遇到了这个问题。

解决方案有以下三种:

1. 获取 64 位 Python。 (建议)
2. 插入多个 block (将图像分割成一些合适的重叠部分)(费力)
3. 重新考虑您的插值方法(推荐)

如果您有一个常规网格(如图像的情况)，使用griddata将其重新网格化到另一个常规网格在内存和时间方面是相当浪费的。

有多种方法可以对图像进行下采样。至少PIL和cv2模块提供了下采样功能。如果您想使用 SciPy 方法，请查看 scipy.ndimage.zoom。它将允许您将图像从一个常规网格重新采样到另一个常规网格。