开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第3天，点击查看活动详情
SciPy 模块简介
SciPy 库是流行的科学计算库，提供了许多用户友好和高效的数值计算，如数值积分、插值、优化、线性代数等。
SciPy 库定义了许多数学物理的特殊函数，包括椭圆函数、贝塞尔函数、伽马函数等等，我们使用以下代码演示 SciPy 库的基本用法：
from scipy import special
import matplotlib.pyplot as plt
import numpy as np
def drumhead_height(n, k, distance, angle, t):
kth_zero = special.jn_zeros(n, k)[-1]
return np.cos(t) * np.cos(n*angle) * special.jn(n, distance*kth_zero)
theta = np.r_[0:2*np.pi:50j]
radius = np.r_[0:1:50j]
x = np.array([r * np.cos(theta) for r in radius])
y = np.array([r * np.sin(theta) for r in radius])
z = np.array([drumhead_height(1, 1, r, theta, 0.5) for r in radius])
fig = plt.figure()
ax = fig.add_axes(rect=(0, 0.05, 0.95, 0.95), projection='3d')
ax.plot_surface(x, y, z, rstride=1, cstride=1, cmap='RdBu_r', vmin=-0.5, vmax=0.5)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_xticks(np.arange(-1, 1.1, 0.5))
ax.set_yticks(np.arange(-1, 1.1, 0.5))
ax.set_zlabel('Z')
plt.show()
使用 SciPy ndimage 模块裁剪/调整图像大小
调整图像大小/裁剪图像是一项常见且重要的预处理步骤，例如，深度学习模型需要将输入图像调整为同一大小。在本节中，我们将学习如何使用 scipy.ndimage 模块的 zoom() 函数缩放图像，然后介绍如何使用 Numpy ndarray 切片语法裁剪图像。
首先，从 python 库模块导入所需的函数：
from scipy import ndimage
import matplotlib.pyplot as plt
from skimage.io import imread
读取输入图像并使用 scipy.ndimage.zoom() 函数缩放图像。根据 SciPy 文档所述，zoom() 函数的调用方式如下：
scipy.ndimage.zoom(input, zoom, output=None, order=3, mode='constant', cval=0.0, prefilter=True)
zoom() 函数默认使用样条插值缩放阵列，在函数中通过指定 “nearest” 模式执行样条插值，样条插值将通过复制最近的像素来扩展输入图像。
从以下代码可以看出，我们可以分别指定每个轴的缩放因子，因为我们不需要在颜色通道上缩放，所以通道上的缩放因子指定为 1，而宽度和高度维度的缩放因子指定为 2，样条插值的阶 (order)，默认为 3，阶是 [0, 5] 范围内的整数：
im = imread('1.png') / 255
zoomed_im = ndimage.zoom(im, (2,2,1), mode='nearest', order=1) # 缩放图像
print(im.shape, zoomed_im.shape)
最后，使用 NumPy ndarray 切片语法通过裁剪图像显示原始图像和缩放后的图像：
plt.figure(figsize=(20,10))
plt.subplot(121)
plt.imshow(im)
plt.title('Original Image', size=25)
plt.subplot(122)
plt.imshow(zoomed_im[125:325,375:550,:]) # 裁剪图像
plt.title('Zoomed and Cropped Image', size=25)
plt.show()
