edit：Tensorflow 1.3 现在包含此操作的tf.contrib.resampler。从 v0.2 开始，PyTorch 也通过affine_grid函数支持此操作。
我想知道在 Tensorflow 中是否有等效于 cv2.remap(或 scipy.ndimage.interpolate.map_coordinates，基本上是一回事)的函数的官方或自定义实现。
这个问题很相似，但答案不是我想要的，因为tf.contrib.image.transform函数执行射影映射和cv2.remap，scipy...map_coordinates执行像素映射。
我刚刚浏览了 GitHub 存储库，它似乎没有实现，tf.contrib.image.transform不使用任何子例程，纯粹返回内插值。但是，像素位置本身的转换只是您可以自己完成的简单矩阵乘法。如果您不熟悉，请在此处查看我的答案。不过，您需要自己进行插值。基本上，您只需将坐标放入一个新的(3, N)矩阵(其中N是点数)，如下所示(假设您只有N=4个点以简洁起见)：
x0 x0 x0 x0 x1 x1 x1 x1 x2 x2 x2 x2 x3 x3 x3 x3
y0 y1 y2 y3 y0 y1 y2 y3 y0 y1 y2 y3 y0 y1 y2 y3
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
然后乘以(3,3)转换矩阵以获得新位置
s0*x0' s1*x0' s2*x0' ...
s0*y0' s1*y1' s2*y2' ...
s0 s1 s2
其中s0、...、sN是缩放因子，因此最后除以最后一行以删除缩放，然后仅将前两行作为点。
x0' x0' x0' ...
y0' y1' y2' ...
您需要确保使用的是浮点运算，然后可以根据需要进行插值。
你可以在TensorFlow中完成所有这些操作。如果你只是把它作为一个预处理步骤，你当然可以将张量分解成一个numpy数组，用cv2.remap或scipy.ndimage.interpolate.map_coordinates处理，然后把它放回张量中，但这样做没有真正的好处。
一个迟到的答案
在TF 1.13上，有一个tf.contrib.image.dense_image_warp新功能，它或多或少地remap但没有插值。