以参考数组为基准重塑并填充二维数组技术问题

问题出在哪 #

• MaxMinScaler根本不是干这个的：它是用来做特征值范围缩放的（比如把数据映射到0-1区间），和数组的尺寸调整完全没关系，所以用它处理后数组形状肯定不变，纯属用错工具。
• numpy reshape用不了很正常：reshape只能改变数组的维度排列，不能增减元素数量。你的预测数组有1181840个元素，真值只有1141413个，元素数不一样，自然没法reshape。

正确做法：用图像插值缩放 #

因为是二值图像（只有0和1），得用能保留二值特性的插值方法，优先选最近邻插值，避免出现中间值。下面给两种常用实现方式：

方式1：OpenCV实现 #

import cv2
import numpy as np

# 目标尺寸就是真值数组的形状
target_h, target_w = T_array.shape
# OpenCV的resize要求输出尺寸是(宽, 高)，注意顺序
P_array_resized = cv2.resize(P_array, (target_w, target_h), interpolation=cv2.INTER_NEAREST)

# 检查结果形状
print(P_array_resized.shape)  # 应该输出(791, 1443)

方式2：scikit-image实现 #

from skimage.transform import resize
import numpy as np

# order=0对应最近邻插值，preserve_range=True保持原数值范围，anti_aliasing=False避免模糊
P_array_resized = resize(
    P_array,
    output_shape=T_array.shape,
    order=0,
    preserve_range=True,
    anti_aliasing=False
).astype(np.float64)

# 验证形状和二值特性
print(P_array_resized.shape)
print(np.unique(P_array_resized))  # 输出应该是[0. 1.]

关键提醒 #

• 别用双线性之类的插值方法，会产生0和1之间的数值，破坏二值图像的特性。
• 缩放后可以用np.array_equal(np.unique(P_array_resized), [0., 1.])确认是否保持了二值状态。

内容的提问来源于stack exchange，提问作者marco cappellazzo