보간법(Interpolation)
이미지 변환을 적용할 때 새로운 픽셀 강도를 어떻게 추정하는지를 보간법(Interpolation)이라고 해요. SciPy에서는 스플라인 함수들의 집합을 사용해 이를 구현합니다.
ndi.zoom() 같은 함수를 사용할 때 order를 바꾸면 추정 결과가 달라집니다. 차수가 높을수록 더 유연한 추정을 제공하지만 계산 시간이 더 길어져요.
이 연습에서는 im을 업샘플링하고, 보간 차수에 따라 결과 이미지가 어떻게 달라지는지 살펴보세요.
이 연습은 강의의 일부입니다
Python을 활용한 생의학 영상 분석
연습 안내
ndi.zoom()을 사용해im의 shape을128, 128에서512, 512로 업샘플링하세요. 두 번 수행하되, 처음에는 보간order를 0으로, 그다음에는order를 5로 설정하세요.im과up0의 배열 shape을 출력하세요.- 이미지의 클로즈업을 그리세요. 각 축에 대해 인덱스 범위
128:256을 사용하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Upsample "im" by a factor of 4
up0 = ndi.zoom(____, zoom=____, order=____)
up5 = ____
# Print original and new shape
print('Original shape:', ____)
print('Upsampled shape:', ____)
# Plot close-ups of the new images
fig, axes = plt.subplots(1, 2)
axes[0].imshow(up0[128:256, 128:256])
axes[1].imshow(____)
format_and_render_plots()