如何调整大型NDVI数组尺寸并存储为灰度图供pydeck位图层使用

你遇到的死机问题核心是两个原因：一是直接加载全量高分辨率数组后用skimage.resize的高内存开销插值逻辑，二是代码中维度处理错误产生了额外内存占用。以下是两种低内存的可行实现方案：

方案1：读取tif时直接重采样（最优，内存占用最低） #

无需先把全量超大数组读入内存，直接用rasterio的重采样能力在读取阶段就生成目标尺寸的数组，全程不会加载原始高分辨率数据：

import rasterio
from rasterio.enums import Resampling
import numpy as np
from PIL import Image

fp = 'data/ndvi/index_ndvi.tif'
target_width = 1024

with rasterio.open(fp) as src:
    # 计算目标高度，保持原始宽高比
    target_height = int(target_width * src.height / src.width)
    # 读取时直接重采样，采用双线性插值平衡效果和速度
    ndvi_data = src.read(
        1,
        out_shape=(target_height, target_width),
        resampling=Resampling.bilinear
    )

# 数值归一化到0-255
ndvi_norm = ((ndvi_data - ndvi_data.min()) / (ndvi_data.max() - ndvi_data.min()) * 255).astype(np.uint8)
# 保存为jpg格式
Image.fromarray(ndvi_norm).save('ndvi_resized.jpg')

方案2：已加载全量数组时用Pillow缩放 #

如果你已经把全量数组加载到内存了，用Pillow的resize接口比skimage效率高很多，内存占用仅为skimage的1/3不到：

import numpy as np
from PIL import Image

# vals为你已经读取并归一化后的uint8数组，原始shape为(19204, 21063)
target_width = 1024
target_height = int(target_width * vals.shape[0] / vals.shape[1])

# 转Image对象后直接缩放，用LANCZOS插值保证缩放后清晰度
img_resized = Image.fromarray(vals).resize((target_width, target_height), resample=Image.Resampling.LANCZOS)
# 保存图片
img_resized.save('ndvi_resized.jpg')

原代码问题说明 #

• 维度逻辑错误：原始数组的shape是(高度, 宽度)，你计算目标高度时的宽高比逻辑写反，还额外扩展了不必要的维度，导致resize时生成了形状错误的超大数组
• skimage.resize默认使用高开销的插值方式，处理超大型数组时内存占用会翻数倍，很容易触发内存不足导致死机

内容的提问来源于stack exchange，提问作者Niko Gamulin