我正在使用 griddata 对网格上的 numpy 二维数组进行重新采样。
z.shape = (1000, 1000)
x, y = np.arange(-5, 5, 0.01), np.arange(-5, 5, 0.01)
newx, newy = np.arange(-2, 2, 0.1), np.arange(-2, 2, 0.1)
griddata((x, y), z, (newx[None, :], newy[:, None]))
代码应该:
- 将 z(代表图像)重新采样为新的较粗或较细网格
- 新网格不一定覆盖所有原始网格。
但是 griddata 无法管理常规输入网格。有谁知道一个简单的替代方案吗?
最佳答案
使用文档中列出的任何适合网格数据的方法:https://docs.scipy.org/doc/scipy/reference/interpolate.html#multivariate-interpolation
即:
https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.RegularGridInterpolator.html
或https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.RectBivariateSpline.html
另请注意,您错误地使用了 griddata
。您的代码对应于从由 1000 (x, y) 坐标定义的线进行插值,其中每个点都有 1000 个与其关联的值。但是,从 1D 线到 2D 的插值定义不正确,并且尝试对沿线的一组点进行三角测量会导致失败。
你应该这样做
import numpy as np
from scipy.interpolate import griddata
z = np.random.rand(100, 100)
z.shape = (100, 100)
x, y = np.arange(-5, 5, 0.1), np.arange(-5, 5, 0.1)
xx, yy = np.meshgrid(x, y, indexing='ij')
newx, newy = np.arange(-2, 2, 0.1), np.arange(-2, 2, 0.1)
griddata((xx.ravel(), yy.ravel()), z.ravel(), (newx[None, :], newy[:, None]))
这将正常工作——但是,对于基于三角测量的非结构化插值来说,2D 中的 1000x1000 = 1000000 点实在是太多的数据(三角测量需要大量内存+速度很慢),因此您应该使用网格数据算法。
关于python - python griddata 的替代品,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/26276550/