如何将np.array存储的DICOM图像按比例缩小适配(None,128,128,1)模型输入

np.resize方案失效原因 #

np.resize本质是数组维度的重排，仅对底层存储的像素值做截断/重复填充，完全不保留图像的空间语义关系，因此输出和原图内容没有关联，不适合用于图像缩放场景。

cv2.resize方案失效原因 #

直接传入三维数组(129, 512, 512)调用cv2.resize时，OpenCV会默认将第一个维度识别为图像高度、第二个为宽度、第三个为通道数，相当于将129张切片当作同一幅多通道图像处理，自然会出现比例失衡、维度不符合要求的问题。

核心逻辑是逐张处理单张切片，再合并为符合要求的四维数组，以下两种实现均可：

方案1：OpenCV逐张处理（易理解，性能好） #

import numpy as np
import cv2

target_size = (128, 128) # cv2.resize的dsize参数顺序为(宽度, 高度)
sample_count = train_patient.shape[0]

# 初始化输出数组
resized_patient = np.zeros((sample_count, 128, 128, 1), dtype=train_patient.dtype)
resized_mask = np.zeros((sample_count, 128, 128, 1), dtype=train_mask.dtype)

for idx in range(sample_count):
    # 医学图像用三次插值保证灰度连续性
    resized_patient[idx, ..., 0] = cv2.resize(train_patient[idx], dsize=target_size, interpolation=cv2.INTER_CUBIC)
    # 掩码必须用最近邻插值，避免生成非标签类的中间灰度值
    resized_mask[idx, ..., 0] = cv2.resize(train_mask[idx], dsize=target_size, interpolation=cv2.INTER_NEAREST)

处理后resized_patient的shape为(129, 128, 128, 1)，直接符合模型输入要求。

方案2：skimage向量化处理（代码更简洁） #

import numpy as np
from skimage.transform import resize

# 先给原始数据加通道维度，再统一缩放
resized_patient = resize(
    train_patient[..., np.newaxis],
    (sample_count, 128, 128, 1),
    anti_aliasing=True,
    preserve_range=True
).astype(train_patient.dtype)

resized_mask = resize(
    train_mask[..., np.newaxis],
    (sample_count, 128, 128, 1),
    order=0, # 最近邻插值
    anti_aliasing=False,
    preserve_range=True
).astype(train_mask.dtype)

内容的提问来源于stack exchange，提问作者Adriana_V