如何在Python中使用高斯函数插值2D图像的缺失区域？

问题背景 #

已知2D高斯灰度图像的缺失区域为行169至195、列0至195，使用scipy.interpolate.griddata线性插值修复后存在瑕疵，尝试用scipy.interpolate.RBFInterpolator的高斯基函数时，出现错误："Expected the first axis of d to have length 2"。

报错原因 #

RBFInterpolator要求输入的坐标数据必须是形状为(N, 2)的二维数组，每个元素对应图像中一个有效像素的(列坐标, 行坐标)（注意：图像索引是[行, 列]，但插值时需要把x轴设为列、y轴设为行，符合常规坐标系统习惯）。如果直接传入一维的行/列索引，就会触发该错误。

完整修复代码 #

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
from scipy.interpolate import RBFInterpolator

# 1. 加载并转换为灰度图
def rgb2gray(rgb):
    return np.dot(rgb[...,:3], [0.2989, 0.5870, 0.1140])

image_unprocessed = mpimg.imread('Cropped.tif')
image_grayscale = rgb2gray(image_unprocessed)

# 2. 标记缺失区域为NaN
rows_start, rows_end = 169, 195
cols_start, cols_end = 0, 195
image_grayscale[rows_start:rows_end+1, cols_start:cols_end+1] = np.nan

# 3. 提取有效像素的坐标和灰度值
# 获取所有非NaN像素的索引
y_valid, x_valid = np.where(~np.isnan(image_grayscale))
# 整理为(N,2)的坐标数组：[[x1,y1], [x2,y2], ...]
coords_valid = np.column_stack((x_valid, y_valid))
# 提取对应的灰度值
values_valid = image_grayscale[y_valid, x_valid]

# 4. 创建高斯RBF插值器
# 使用高斯基函数（kernel='gaussian'），可调整epsilon参数控制高斯宽度
rbf_interp = RBFInterpolator(coords_valid, values_valid, kernel='gaussian', epsilon=10)

# 5. 生成缺失区域的坐标网格
x_missing = np.arange(cols_start, cols_end+1)
y_missing = np.arange(rows_start, rows_end+1)
x_grid, y_grid = np.meshgrid(x_missing, y_missing)
# 整理为(M,2)的坐标数组
coords_missing = np.column_stack((x_grid.ravel(), y_grid.ravel()))

# 6. 插值填充缺失区域
values_missing = rbf_interp(coords_missing)
# 将插值结果放回原图像
image_grayscale[y_grid.ravel(), x_grid.ravel()] = values_missing

# 7. 可视化修复后的图像
plt.figure(figsize=(10,6))
plt.title("修复后的灰度图像（高斯RBF插值）")
plt.xlabel("X像素（列）")
plt.ylabel("Y像素（行）")
plt.imshow(image_grayscale, cmap='gray')
plt.colorbar()
plt.show()

关键注意事项 #

• 坐标顺序：必须将(列, 行)作为坐标对传入RBFInterpolator，因为图像的image[y,x]对应坐标系统中的(x,y)。
• epsilon参数：控制高斯基函数的宽度，值越大，插值结果越平滑；值越小，越贴合局部像素。可根据实际图像在5-20之间调整测试。
• 数据类型：确保image_grayscale是浮点型数组（rgb2gray返回的是浮点型，无需额外转换），否则NaN无法被正确识别。

效果对比 #

高斯RBF插值相比线性插值，能更好地拟合图像原本的高斯分布特征，修复后的缺失区域过渡更自然，不会出现线性插值的生硬边界。

内容的提问来源于stack exchange，提问作者hex93