python升采样和插值_python – 在x,y和z中以不同间隔快速插值定期采样的3D数据

您可以使用map_coordinates与一点代数。让我们说你的网格的间距是dx，dy和dz。我们需要将这些真实世界坐标映射到数组索引坐标，因此我们可以定义三个新变量：

xx = x / dx

yy = y / dy

zz = z / dz

输入到map_coordinates的数组索引是一个形状数组(d，…)，其中d是原始数据的维数。如果您定义了一个数组，例如：

scaling = np.array([dx, dy, dz])

您可以将您的真实世界坐标转换为数组索引坐标，除以缩放与一点广播魔术：

idx = coords / scaling[(slice(None),) + (None,)*(coords.ndim-1)]

把它放在一起的例子：

dx, dy, dz = 1, 1, 2

scaling = np.array([dx, dy, dz])

data = np.random.rand(10, 15, 5)

假设我们要沿着平面内插值2 * y – z = 0。我们采用垂直于平面的两个向量法向量：

u = np.array([1, 0 ,0])

v = np.array([0, 1, 2])

并得到我们要插值的坐标：

coords = (u[:, None, None] * np.linspace(0, 9, 10)[None, :, None] +

v[:, None, None] * np.linspace(0, 2.5, 10)[None, None, :])

我们使用map_coordinates将它们转换为数组索引坐标和interpoalte：

idx = coords / scaling[(slice(None),) + (None,)*(coords.ndim-1)]

new_data = ndi.map_coordinates(data, idx)

最后一个数组是形状(10,10)，并具有与坐标坐标[:, u_idx，v_idx]对应的值[u_idx，v_idx]的位置。

您可以建立在这个想法上，通过在缩放之前添加一个偏移来处理坐标不能从零开始的插值。