python多维插值函数 多维插值算法

气象 python 二维线性插值

scipy.interpolate.griddata(points, values, xi, method='linear', fill_value=nan, rescale=False)

官网：

一维数组，shape为（n，） ，是需要插值的变量数据

如果需要插值的变量var是一个多维数组，则需要转换成一维的

方法：var.ravel()

values的坐标，shape为（n，D），第一维需要与values长度相同，

D就是values的坐标轴个数

如果是在地图上，D为2，分别是lon、lat，是values中对应的每个数据的lat和lon

插值过后的新的坐标，shape为(m, D) ，第二维与points的第二维相同

插值方法，有 ‘linear’, ‘nearest’, ‘cubic’

nearest：返回最接近插值点的数据点的值

linear：线性插值

cubic：三次样条

用于填充输入点凸包之外的请求点的值。如果未提供，则默认值为 nan 。此选项对‘nearest’ 方法无效。

在执行插值之前将点重新缩放到单位立方体。如果某些输入维度具有不可比较的单位并且相差许多数量级，这将很有用。

相关问答

Q1: 图像双三次插值算法原理及python实现

一. 图像双三次插值算法原理：

        假设源图像 A 大小为 m*n ，缩放后的目标图像 B 的大小为 M*N 。那么根据比例我们可以得到 B(X,Y) 在 A 上的对应坐标为 A(x,y) = A( X*(m/M), Y*(n/N) ) 。在双线性插值法中，我们选取 A(x,y) 的最近四个点。而在双立方插值法中，我们选取的是最近的16个像素点作为计算目标图像 B(X,Y) 处像素值的参数。如图所示：

        如图所示 P 点就是目标图像 B 在 (X,Y) 处对应于源图像中的位置，P 的坐标位置会出现小数部分，所以我们假设 P 的坐标为 P(x+u,y+v)，其中 x,y 分别表示整数部分，u,v 分别表示小数部分。那么我们就可以得到如图所示的最近 16 个像素的位置，在这里用 a(i,j)(i,j=0,1,2,3) 来表示。 

        双立方插值的目的就是通过找到一种关系，或者说系数，可以把这 16 个像素对于 P 处像素值的影响因子找出来，从而根据这个影响因子来获得目标图像对应点的像素值，达到图像缩放的目的。 

        BiCubic基函数形式如下：

二. python实现双三次插值算法

from PIL import Image

import numpy as np

import math

# 产生16个像素点不同的权重

def BiBubic(x):

    x=abs(x)

    if x=1:

        return 1-2*(x**2)+(x**3)

    elif x2:

        return 4-8*x+5*(x**2)-(x**3)

    else:

        return 0

# 双三次插值算法

# dstH为目标图像的高，dstW为目标图像的宽

def BiCubic_interpolation(img,dstH,dstW):

    scrH,scrW,_=img.shape

    #img=np.pad(img,((1,3),(1,3),(0,0)),'constant')

    retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)

    for i in range(dstH):

        for j in range(dstW):

            scrx=i*(scrH/dstH)

            scry=j*(scrW/dstW)

            x=math.floor(scrx)

            y=math.floor(scry)

            u=scrx-x

            v=scry-y

            tmp=0

            for ii in range(-1,2):

                for jj in range(-1,2):

                    if x+ii0 or y+jj0 or x+ii=scrH or y+jj=scrW:

                        continue

                    tmp+=img[x+ii,y+jj]*BiBubic(ii-u)*BiBubic(jj-v)

            retimg[i,j]=np.clip(tmp,0,255)

    return retimg

im_path='../paojie.jpg'

image=np.array(Image.open(im_path))

image2=BiCubic_interpolation(image,image.shape[0]*2,image.shape[1]*2)

image2=Image.fromarray(image2.astype('uint8')).convert('RGB')

image2.save('BiCubic_interpolation.jpg')

三. 实验结果：

四. 参考内容：

        

        

Q2: python怎样对矩阵进行插值？

首先需要创建数组才能对其进行其它操作。

我们可以通过给array函数传递Python的序列对象创建数组，如果传递的是多层嵌套的序列，将创建多维数组(下例中的变量c):

a = np.array([1, 2, 3, 4])

b = np.array((5, 6, 7, 8))

c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])

b

array([5, 6, 7, 8])

c

array([[1, 2, 3, 4],

[4, 5, 6, 7],

[7, 8, 9, 10]])

c.dtype

dtype('int32')

数组的大小可以通过其shape属性获得：

a.shape

(4,)

c.shape

关于python多维插值函数和多维插值算法的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。