SciPy griddata插值不符合预期，如何实现邻域像素均值填充？

核心思路 #

直接针对异常像素的局部邻域（如3x3、5x5范围），提取其中有效像素（非异常值）计算平均值，用该均值替换异常像素。这种方法简单高效，结果更贴合你预期的均值导向修复效果，避免双线性插值单轴偏移的问题。

具体实现方案 #

1. 标记异常像素位置 #

先通过掩码明确异常像素的位置，比如用布尔数组标记：

import numpy as np

# 示例：假设异常值为14，生成掩码
mask = (img == 14)  # img为你的输入图像数组

2. 两种邻域均值计算方式 #

方法一：用scipy.ndimage快速实现（推荐）

借助generic_filter函数，自定义过滤逻辑，自动处理边界和异常值：

from scipy.ndimage import generic_filter

def calc_valid_mean(window):
    # 过滤窗口内的异常值，返回有效像素均值
    valid_pixels = window[window != 14]
    return np.mean(valid_pixels) if len(valid_pixels) > 0 else 0  # 全异常时返回默认值

# 用3x3窗口修复图像
fixed_img = generic_filter(img, calc_valid_mean, size=(3, 3))

方法二：手动遍历实现（灵活自定义邻域）

适合需要指定邻域范围（比如仅取上下左右4邻域）的场景：

rows, cols = np.where(mask)
img_height, img_width = img.shape

for r, c in zip(rows, cols):
    # 限制邻域边界，避免越界
    top = max(0, r - 1)
    bottom = min(img_height - 1, r + 1)
    left = max(0, c - 1)
    right = min(img_width - 1, c + 1)
    
    # 提取邻域并过滤异常值
    neighborhood = img[top:bottom+1, left:right+1]
    valid_vals = neighborhood[neighborhood != 14]
    
    # 替换异常像素为均值
    img[r, c] = np.mean(valid_vals)

注意事项 #

• 邻域选择：3x3是最常用的平衡方案，若图像噪声较大可改用5x5，但过大邻域会导致图像模糊
• 边界处理：手动遍历需注意图像边缘像素的索引限制，避免数组越界
• 极端情况：若异常像素的邻域全为异常值，需提前设置默认填充值（如全局均值、0等）

内容的提问来源于stack exchange，提问作者David Zanger