如何将MNIST数据集的28*28像素图像转换为32*32像素？

MNIST数据集的CSV格式中，每行除类别列外的784个像素是28×28图像的一维展开值。要转换为32×32像素，核心流程是：将一维像素重塑为28×28二维图像 → 插值缩放至32×32 → 再转回一维格式（如需保存回CSV）。以下是两种常用实现方案：

方法一：使用Pillow（PIL）库 #

Pillow是Python常用的图像处理库，支持多种插值方式，适合快速实现图像缩放：

import pandas as pd
import numpy as np
from PIL import Image

# 读取MNIST CSV文件
df = pd.read_csv("your_mnist_file.csv")

# 分离类别列与像素列
labels = df.iloc[:, 0]
pixels = df.iloc[:, 1:]

# 定义单行走像素缩放函数
def resize_single_row(pixel_row):
    # 将一维像素重塑为28×28的灰度图像数组
    img_array = np.array(pixel_row).reshape(28, 28).astype(np.uint8)
    # 转为PIL图像对象
    img = Image.fromarray(img_array)
    # 缩放至32×32，采用LANCZOS插值（高质量缩放，保留细节）
    img_resized = img.resize((32, 32), Image.LANCZOS)
    # 将缩放后的图像转回一维数组
    return np.array(img_resized).flatten()

# 对所有像素行应用缩放
resized_pixels = pixels.apply(resize_single_row, axis=1)

# 合并类别列与新像素列，生成新的CSV
resized_df = pd.concat([labels, resized_pixels], axis=1)
resized_df.to_csv("mnist_32x32.csv", index=False)

方法二：使用OpenCV库 #

OpenCV的resize函数支持更丰富的插值选项，适合对性能或精度有更高要求的场景：

import pandas as pd
import numpy as np
import cv2

# 读取MNIST CSV文件
df = pd.read_csv("your_mnist_file.csv")

labels = df.iloc[:, 0]
pixels = df.iloc[:, 1:]

def resize_single_row_cv2(pixel_row):
    img_array = np.array(pixel_row).reshape(28, 28).astype(np.uint8)
    # 缩放至32×32，采用INTER_LANCZOS4插值（与PIL的LANCZOS效果一致）
    img_resized = cv2.resize(img_array, (32, 32), interpolation=cv2.INTER_LANCZOS4)
    return img_resized.flatten()

resized_pixels = pixels.apply(resize_single_row_cv2, axis=1)
resized_df = pd.concat([labels, resized_pixels], axis=1)
resized_df.to_csv("mnist_32x32_cv2.csv", index=False)

性能优化：批量处理 #

如果处理70000行数据，逐行apply效率较低，可采用批量处理方式提速：

import pandas as pd
import numpy as np
from PIL import Image

df = pd.read_csv("your_mnist_file.csv")
labels = df.iloc[:, 0]
pixels = df.iloc[:, 1:]

# 将所有像素转为(70000, 28, 28)的三维数组
pixels_batch = pixels.to_numpy().reshape(-1, 28, 28).astype(np.uint8)
# 初始化存储缩放后图像的数组
resized_batch = np.zeros((pixels_batch.shape[0], 32, 32), dtype=np.uint8)

# 批量处理每一张图像
for idx in range(pixels_batch.shape[0]):
    img = Image.fromarray(pixels_batch[idx])
    resized_batch[idx] = np.array(img.resize((32, 32), Image.LANCZOS))

# 将缩放后的三维数组展平为二维，转为DataFrame
resized_pixels = pd.DataFrame(resized_batch.reshape(-1, 32*32))
resized_df = pd.concat([labels, resized_pixels], axis=1)
resized_df.to_csv("mnist_32x32_batch.csv", index=False)

关键注意事项 #

• 插值方式选择：LANCZOS（或INTER_LANCZOS4）是高质量的插值算法，适合图像缩放，能最大程度保留手写数字的细节；若追求速度，也可选择BILINEAR或NEAREST插值，但精度会略有下降。
• 数据类型：确保像素值转换为uint8（0-255的整数范围），避免缩放后出现超出范围的异常值。

内容的提问来源于stack exchange，提问作者Yasin Karayanık