import numpy as np
from scipy.ndimage import map_coordinates
def main():
data = np.arange(5*4*3).reshape(5,4,3)
x = np.linspace(5, 10, data.shape[0])
y = np.linspace(10, 20, data.shape[1])
z = np.linspace(-100, 0, data.shape[2])
# Interpolate at a single point
print interp3(x, y, z, data, 7.5, 13.2, -27)
# Interpolate a region of the x-y plane at z=-25
xi, yi = np.mgrid[6:8:10j, 13:18:10j]
print interp3(x, y, z, data, xi, yi, -25 * np.ones_like(xi))
def interp3(x, y, z, v, xi, yi, zi, **kwargs):
"""Sample a 3D array "v" with pixel corner locations at "x","y","z" at the
points in "xi", "yi", "zi" using linear interpolation. Additional kwargs
are passed on to ``scipy.ndimage.map_coordinates``."""
def index_coords(corner_locs, interp_locs):
index = np.arange(len(corner_locs))
if np.all(np.diff(corner_locs) < 0):
corner_locs, index = corner_locs[::-1], index[::-1]
return np.interp(interp_locs, corner_locs, index)
orig_shape = np.asarray(xi).shape
xi, yi, zi = np.atleast_1d(xi, yi, zi)
for arr in [xi, yi, zi]:
arr.shape = -1
output = np.empty(xi.shape, dtype=float)
coords = [index_coords(*item) for item in zip([x, y, z], [xi, yi, zi])]
map_coordinates(v, coords, order=1, output=output, **kwargs)
return output.reshape(orig_shape)
main()
from numpy import array
from scipy.interpolate import RegularGridInterpolator as rgi
my_interpolating_function = rgi((x,y,z), V)
Vi = my_interpolating_function(array([xi,yi,zi]).T)
这里有一个完整的例子来演示两者;它将帮助您理解它们之间的确切区别。。。
MATLAB代码:
x = linspace(1,4,11);
y = linspace(4,7,22);
z = linspace(7,9,33);
V = zeros(22,11,33);
for i=1:11
for j=1:22
for k=1:33
V(j,i,k) = 100*x(i) + 10*y(j) + z(k);
end
end
end
xq = [2,3];
yq = [6,5];
zq = [8,7];
Vi = interp3(x,y,z,V,xq,yq,zq);
结果是Vi=[268 357],这确实是这两点的值(2,6,8)和(3,5,7)。
SCIPY代码:
from scipy.interpolate import RegularGridInterpolator
from numpy import linspace, zeros, array
x = linspace(1,4,11)
y = linspace(4,7,22)
z = linspace(7,9,33)
V = zeros((11,22,33))
for i in range(11):
for j in range(22):
for k in range(33):
V[i,j,k] = 100*x[i] + 10*y[j] + z[k]
fn = RegularGridInterpolator((x,y,z), V)
pts = array([[2,6,8],[3,5,7]])
print(fn(pts))
基本上,
ndimage.map_coordinates
在“索引”坐标(也就是“体素”或“像素”坐标)中工作。它的界面一开始看起来有点笨拙,但它确实给了你很多灵活性。如果要指定类似于matlab的
interp3
的插值坐标,则需要将intput坐标转换为“索引”坐标。还有一个额外的问题
map_coordinates
总是保留输出中输入数组的数据类型。如果您插入一个整数数组,您将得到整数输出,这可能是您想要的,也可能不是您想要的。对于下面的代码片段,我假设您总是希望浮点输出。(如果你不这样做,实际上更简单。)今晚晚些时候我将尝试添加更多的解释(这是相当密集的代码)。
总而言之,我所拥有的
interp3
函数比您所需要的要复杂得多。然而,它应该或多或少地复制我记忆中的interp3
的行为(忽略interp3(data, zoom_factor)
的“缩放”功能,该功能由scipy.ndimage.zoom
处理)在scipy 0.14或更高版本中,有一个新函数^{} 与
interp3
非常相似。MATLAB命令
Vi = interp3(x,y,z,V,xi,yi,zi)
将转换为如下内容:这里有一个完整的例子来演示两者;它将帮助您理解它们之间的确切区别。。。
MATLAB代码:
结果是
Vi=[268 357]
,这确实是这两点的值(2,6,8)
和(3,5,7)
。SCIPY代码:
又是
[268,357]
。所以你可以看到一些细微的差别:Scipy使用x,y,z索引顺序,而MATLAB使用y,x,z索引顺序(奇怪地);在Scipy中,你在单独的步骤中定义一个函数,当你调用它时,坐标被分组为(x1,y1,z1),(x2,y2,z2),。。。而matlab使用(x1,x2,…)(y1,y2,…)(z1,z2,…)。除此之外,两者相似,同样易于使用。
与MATLAB的} 进行一次性插值:
interp3
等价的精确将使用scipy的^{MATLAB和scipy的默认方法都是线性插值,这可以通过
method
参数进行更改。注意,对于三维及三维以上,只有线性和最近邻插值才支持interpn
,而MATLAB也支持三次和样条插值。当在同一个网格上进行多个插值调用时,最好使用插值对象^{} ,就像在接受的答案above中一样。
interpn
在内部使用RegularGridInterpolator
。相关问题 更多 >
编程相关推荐