如何通过scikit-image或Scipy实现标注分割掩码的最近邻插值缩放

这确实是分割任务里很关键的细节——掩码是离散的类别标签，绝对不能用线性插值这类会产生中间值的方法，必须用最近邻来保证标签的准确性。下面给你几个基于pip可安装工具的靠谱实现方案：

方案1：scikit-image（正确指定插值方式） #

你提到的scikit-image的resize和rescale其实是支持最近邻插值的，只是需要通过order参数来指定：

• order=0 对应最近邻插值，完全适配分割掩码的离散特性
• 一定要加上preserve_range=True，防止掩码的整数标签被自动归一化到0-1的浮点数区间
• 同时关闭anti_aliasing，因为分割掩码不需要抗锯齿处理

示例代码：

from skimage.transform import resize
import numpy as np

# 模拟一个256x256的分割掩码（0-4代表不同类别）
mask = np.random.randint(0, 5, size=(256, 256), dtype=np.int32)

# 缩放到128x128尺寸
resized_mask = resize(
    mask,
    output_shape=(128, 128),
    order=0,          # 强制使用最近邻插值
    preserve_range=True,
    anti_aliasing=False
).astype(np.int32)  # 转回整数类型，保证标签正确性

方案2：Scipy.ndimage #

Scipy的ndimage.zoom函数同样可以实现精准的最近邻缩放，核心也是通过order=0参数控制插值方式：

示例代码：

from scipy.ndimage import zoom
import numpy as np

mask = np.random.randint(0, 5, size=(256, 256), dtype=np.int32)

# 计算缩放因子（目标尺寸/原尺寸）
zoom_factor = (128 / 256, 128 / 256)
resized_mask = zoom(
    mask,
    zoom_factor,
    order=0,          # 最近邻插值
    mode='nearest'    # 边界采用最近邻填充，避免出现无效标签值
).astype(np.int32)

方案3：Pillow（PIL） #

Pillow是轻量且易用的图像处理库，pip直接可安装，处理分割掩码的逻辑非常直观：

示例代码：

from PIL import Image
import numpy as np

mask = np.random.randint(0, 5, size=(256, 256), dtype=np.int32)

# 将numpy掩码转为PIL Image对象
mask_image = Image.fromarray(mask)
# 缩放时指定最近邻采样
resized_mask_image = mask_image.resize((128, 128), resample=Image.NEAREST)
# 转回numpy数组
resized_mask = np.array(resized_mask_image)

以上三个方案都不需要依赖OpenCV，全部可以通过pip install scikit-image scipy pillow直接安装，且严格保证了分割掩码缩放时的类别标签完整性。

内容的提问来源于stack exchange，提问作者cdeepakroy