求助：基于含重复有理数像素与RGB颜色创建图像的问题

问题背景 #

给定N×2的有理数像素坐标（存在重复坐标）和对应的N×3 RGB颜色值，需要生成完整图像。原尝试代码存在像素未填充的问题，使用OpenCV的inpaint后处理速度太慢，寻求更优解。

原代码问题分析 #

1. 原代码用np.random.randint生成整数坐标，随机生成必然存在部分像素未被命中（呈现黑色0值）；
2. 直接赋值重复坐标时，只会保留最后一次的RGB值，没有对重复点的颜色做加权处理；
3. 完全未处理输入为有理数坐标的核心要求；
4. inpaint针对大面积空白修复效率极低，属于事后补救的低效方案。

解决方案 #

方案1：重复点加权平均+快速网格插值 #

先处理有理数坐标到像素网格的映射，对重复像素点做颜色平均，再用高效插值填充空白：

import numpy as np
from scipy.interpolate import griddata

width = 200
height = 100
n = 100*200

# 模拟输入：生成有理数坐标和对应RGB
x = np.random.uniform(0, width-1, n)
y = np.random.uniform(0, height-1, n)
rgb = np.random.randint(0, 255, size=(n, 3)).astype(np.float32)

# 步骤1：将有理数坐标映射到最近整数像素，统计每个像素的颜色总和与出现次数
pixel_indices = np.stack((np.round(y).astype(np.int32), np.round(x).astype(np.int32)), axis=1)
counts = np.zeros((height, width), dtype=np.int32)
rgb_sum = np.zeros((height, width, 3), dtype=np.float32)

for (y_idx, x_idx), color in zip(pixel_indices, rgb):
    if 0 <= y_idx < height and 0 <= x_idx < width:
        counts[y_idx, x_idx] += 1
        rgb_sum[y_idx, x_idx] += color

# 计算已有像素的平均颜色
base_image = np.zeros((height, width, 3), dtype=np.uint8)
valid_mask = counts > 0
base_image[valid_mask] = (rgb_sum[valid_mask] / counts[valid_mask, np.newaxis]).astype(np.uint8)

# 步骤2：用双线性插值快速填充空白区域
grid_y, grid_x = np.mgrid[0:height, 0:width]
valid_points = np.argwhere(valid_mask)
valid_rgb = base_image[valid_mask]

# 分别对RGB三个通道插值
interp_r = griddata(valid_points, valid_rgb[:,0], (grid_y, grid_x), method='linear', fill_value=0)
interp_g = griddata(valid_points, valid_rgb[:,1], (grid_y, grid_x), method='linear', fill_value=0)
interp_b = griddata(valid_points, valid_rgb[:,2], (grid_y, grid_x), method='linear', fill_value=0)

final_image = np.stack((interp_r, interp_g, interp_b), axis=2).astype(np.uint8)

方案2：核密度加权（保留有理数坐标精度） #

如果需要更平滑的图像效果，可基于有理数坐标用高斯核给周围像素分配颜色权重，避免生硬的整数映射：

import numpy as np
from scipy.ndimage import gaussian_filter

width = 200
height = 100
n = 100*200

x = np.random.uniform(0, width-1, n)
y = np.random.uniform(0, height-1, n)
rgb = np.random.randint(0, 255, size=(n, 3)).astype(np.float32)

# 初始化权重累积和颜色累积矩阵
weight_map = np.zeros((height, width), dtype=np.float32)
rgb_accum = np.zeros((height, width, 3), dtype=np.float32)

# 高斯核参数，控制每个点的影响范围
sigma = 0.5

for (px, py), color in zip(np.stack((x, y), axis=1), rgb):
    # 取高斯核影响的像素范围（3sigma内）
    y_min = max(0, int(np.floor(py - 3*sigma)))
    y_max = min(height-1, int(np.ceil(py + 3*sigma)))
    x_min = max(0, int(np.floor(px - 3*sigma)))
    x_max = min(width-1, int(np.ceil(px + 3*sigma)))
    
    # 计算每个像素的权重并累积颜色
    for y_idx in range(y_min, y_max+1):
        for x_idx in range(x_min, x_max+1):
            dy = y_idx - py
            dx = x_idx - px
            weight = np.exp(-(dx**2 + dy**2)/(2*sigma**2))
            weight_map[y_idx, x_idx] += weight
            rgb_accum[y_idx, x_idx] += color * weight

# 归一化得到最终图像
final_image = (rgb_accum / weight_map[..., np.newaxis]).astype(np.uint8)

方案对比 #

• 方案1：兼顾效率与效果，适合大规模空白填充，速度远快于inpaint；
• 方案2：生成的图像更平滑，能保留有理数坐标的精度，计算量稍大，适合对图像质量要求高的场景。

内容的提问来源于stack exchange，提问作者Jenia Golbstein