python实现信号的抽样和内插

最新推荐文章于 2023-11-11 12:23:41 发布
最新推荐文章于 2023-11-11 12:23:41 发布
阅读量2.4k 收藏 13
点赞数 4
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/whujk/article/details/108541371
版权

###matlab转python实现系列（二）

信号的抽样和内插

程序结构
定义基础函数:产生方波,时频转化
定义功能函数:show_sin
定义功能函数:show_rec
定义功能函数:show_trg
定义离散信号,作图显示原信号
正常采样,显示采样信号
欠采样,显示采样信号
还原并显示信号
前示信号时频转换,显示频谱图
自定义函数
#定义Rect wave函数 Rec_wav

#第一个参数为方波时间对应的list，第二个参数为方波的幅度。

def Rec_wave(x,A):
#定义Frequece Amplitude函数 Fre_ampl

#第一个参数为信号时间的list，第二个参数为信号对应时间的幅度的list
#返回两个参数，第一个参数为frequecy的list(所得频率序列需除以总时长)，第二个参数为amplitude的list

def Fre_ampl(x,y):
#定义Show sin函数 Show_sin

#显示正弦信号的原信号时域图，正常抽样时域图，欠抽样时域图，还原信号时域图；原信号频域图，正常抽样频时域图，欠抽样频域图，还原信号频域图。

def Show_sin():
#定义Show rec函数 Show_rec

#显示方波信号的原信号时域图，正常抽样时域图，欠抽样时域图，还原信号时域图；原信号频域图，正常抽样频时域图，欠抽样频域图，还原信号频域图。

def Show_rec():
#定义Show Trg函数 Show_trg

#显示三角波信号的原信号时域图，正常抽样时域图，欠抽样时域图，还原信号时域图；原信号频域图，正常抽样频时域图，欠抽样频域图，还原信号频域图。

def Show_trg():
主要进程
a.

在三个show函数里：首先进行原信号的定义，之后利用离散信号的性质设定合适的抽样频率（F>2fmax）进行抽样，频率选择较低则会欠抽样。

b.

设置合适频率的低频滤波器，f<100Hz。对抽样信号进行还原滤波。得出还原信号。

c.

将上述信号在频域里进行转换（傅里叶变化，单边处理，归一化处理），并显示。

附整体代码
import numpy as np
import scipy.signal as signal
import matplotlib.pyplot as plt
import math
import scipy.integrate as si


##定义Rect wave函数 Rec_wav
#第一个参数为方波时间对应的list，第二个参数为方波的幅度。
def Rec_wave(x,A):
	y=np.zeros(len(x))
	for i in range(1,101,2):
		y+=4*A/np.pi*np.sin(2*np.pi*i*x)/i
	return y
		
#定义Frequece Amplitude函数 Fre_ampl
#第一个参数为信号时间的list，第二个参数为信号对应时间的幅度的list
#返回两个参数，第一个参数为frequecy的list(所得频率序列需除以总时长)，第二个参数为amplitude的list
def Fre_ampl(x,y):
	y_f=np.fft.fft(y)
	f=np.arange(len(x))
	abs_y=np.abs(y_f)
	normalization_y=abs_y/(len(x)) 
	half_x=f[range(int(len(x)/2))]
	normalization_y=normalization_y[range(int(len(x)/2))]
	return half_x,normalization_y

#定义Show sin函数 Show_sin
def Show_sin():
	#定义信号时间
	t=np.arange(0,1,0.001)
	#定义正弦波
	y_sin=3*np.sin(12*np.pi*t)
	plt.figure(num=1,figsize=(8,6))
	plt.subplot(2,2,1)
	plt.axis([0,1.05,-3.2,3.2])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.plot(t,y_sin,'b')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	#正常采样
	y_sin1=y_sin.copy()
	i=0
	N=15
	while i<N:
		y_sin1[i::N+1]=0
		i=i+1
	plt.subplot(2,2,2)
	plt.axis([0,1.05,-3.2,3.2])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.vlines(t,0,y_sin1,'r')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	#欠采样
	y_sin2=y_sin.copy()
	i=0
	N=47
	while i<N:
		y_sin2[i::N+1]=0
		i=i+1		
	plt.subplot(2,2,3)
	plt.axis([0,1.05,-3.2,3.2])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.vlines(t,0,y_sin2,'c')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	#还原信号
	b,a=signal.iirdesign(0.08, 0.1, 1, 40) #设置低通滤波器
	y_sinh1=signal.filtfilt(b, a, y_sin1)
	y_sinh2=signal.filtfilt(b, a, y_sin2)
	plt.subplot(2,2,4)
	plt.axis([0,1.05,-0.5,0.5])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.plot(t,y_sinh1,color='r',label='enough')
	plt.plot(t,y_sinh2,color='c',label='low')
	plt.legend(loc='upper right')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	"""各个信号频谱"""
	plt.figure(num=2,figsize=(8,6))
	f_sin,am_sin=Fre_ampl(t,y_sin)
	f_sin1,am_sin1=Fre_ampl(t,y_sin1)
	f_sin2,am_sin2=Fre_ampl(t,y_sin2)
	f_sinh1,am_sinh1=Fre_ampl(t,y_sinh1)
	f_sinh2,am_sinh2=Fre_ampl(t,y_sinh2)
	plt.subplot(5,1,1)
	plt.axis([0,10,0,3])
	plt.vlines(f_sin,0,am_sin,'b')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
	
	plt.subplot(5,1,2)
	plt.vlines(f_sin1,0,am_sin1,'r')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
	
	plt.subplot(5,1,3)
	plt.vlines(f_sin2,0,am_sin2,'c')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
	
	plt.subplot(5,1,4)
	plt.axis([0,10,0,0.1])
	plt.vlines(f_sinh1,0,am_sinh1,'r')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
	
	plt.subplot(5,1,5)
	#plt.axis([0,10,0,3])
	plt.vlines(f_sinh2,0,am_sinh2,'c')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
	
#定义Show rectwave函数 Show_rec
def Show_rec():
	#定义信号时间
	t=np.arange(0,1,0.001)
	#定义方波信号
	y_rec=Rec_wave(t,3)
	plt.figure(num=1,figsize=(8,6))
	plt.subplot(2,2,1)
	plt.axis([0,1.05,-3.2,3.2])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.plot(t,y_rec,'b')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	#正常采样
	y_rec1=y_rec.copy()
	i=0
	N=15
	while i<N:
		y_rec1[i::N+1]=0
		i=i+1
	plt.subplot(2,2,2)
	plt.axis([0,1.05,-3.2,3.2])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.vlines(t,0,y_rec1,'r')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	#欠采样
	y_rec2=y_rec.copy()
	i=0
	N=95
	while i<N:
		y_rec2[i::N+1]=0
		i=i+1
	plt.subplot(2,2,3)
	plt.axis([0,1.05,-3.2,3.2])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.vlines(t,0,y_rec2,'c')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	#还原信号
	b,a=signal.iirdesign(0.08, 0.1, 1, 40) #设置低通滤波器
	y_rech1=signal.filtfilt(b, a, y_rec1)
	y_rech2=signal.filtfilt(b, a, y_rec2)
	plt.subplot(2,2,4)
	plt.axis([0,1.05,-0.3,0.3])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.plot(t,y_rech1,color='r',label='enough')
	plt.plot(t,y_rech2,color='c',label='low')
	plt.legend(loc='upper right')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	plt.figure(num=2,figsize=(8,6))
	f_rec,am_rec=Fre_ampl(t,y_rec)
	f_rec1,am_rec1=Fre_ampl(t,y_rec1)
	f_rec2,am_rec2=Fre_ampl(t,y_rec2)
	f_rech1,am_rech1=Fre_ampl(t,y_rech1)
	f_rech2,am_rech2=Fre_ampl(t,y_rech2)
	plt.subplot(5,1,1)
	plt.axis([0,10,0,3])
	plt.vlines(f_rec,0,am_rec,'b')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
	
	plt.subplot(5,1,2)
	plt.vlines(f_rec1,0,am_rec1,'r')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
	
	plt.subplot(5,1,3)
	plt.vlines(f_rec2,0,am_rec2,'c')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
	
	plt.subplot(5,1,4)
	plt.axis([0,10,0,0.1])
	plt.vlines(f_rech1,0,am_rech1,'r')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
	
	plt.subplot(5,1,5)
	#plt.axis([0,10,0,3])
	plt.vlines(f_rech2,0,am_rech2,'c')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
#定义Show Trgwave函数 Show_trg
def Show_trg():	
	#定义信号时间
	t=np.arange(0,1,0.001)
	#定义三角波信号
	n=1000
	y_trg = np.zeros(n)
	for i in range(1, n+1):
		y_trg += 12 / ((2 * i - 1) * np.pi*(2 * i - 1) * np.pi) * np.sin((2 * i - 1)*np.pi/2)* np.sin((2 * i - 1)*np.pi*100 * t)
	plt.figure(num=1,figsize=(8,6))
	plt.subplot(2,2,1)
	plt.axis([0,1.05,-3.2,3.2])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.plot(t,y_trg,'b')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	#正常采样
	y_trg1=y_trg.copy()
	i=0
	N=15
	while i<N:
		y_trg1[i::N+1]=0
		i=i+1
	plt.subplot(2,2,2)
	plt.axis([0,1.05,-3.2,3.2])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.vlines(t,0,y_trg1,'r')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	#欠采样
	y_trg2=y_trg.copy()
	i=0
	N=95
	while i<N:
		y_trg2[i::N+1]=0
		i=i+1
	plt.subplot(2,2,3)
	plt.axis([0,1.05,-3.2,3.2])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.vlines(t,0,y_trg2,'c')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	#还原信号
	b,a=signal.iirdesign(0.08, 0.1, 1, 40) #设置低通滤波器
	y_trgh1=signal.filtfilt(b, a, y_trg1)
	y_trgh2=signal.filtfilt(b, a, y_trg2)
	plt.subplot(2,2,4)
	plt.axis([0,1.05,-0.2,0.2])
	ax = plt.gca()
	ax.spines['right'].set_color('none')
	ax.spines['top'].set_color('none')
	ax.xaxis.set_ticks_position('bottom')
	ax.yaxis.set_ticks_position('left')
	ax.spines['bottom'].set_position(('data', 0))
	plt.plot(t,y_trgh1,color='r',label='enough')
	plt.plot(t,y_trgh2,color='c',label='low')
	plt.legend(loc='upper right')
	plt.xlabel('time/(s)')
	plt.ylabel('Amplitude/(V)')
	"""各个信号频谱"""
	plt.figure(num=2,figsize=(8,6))
	f_trg,am_trg=Fre_ampl(t,y_trg)
	f_trg1,am_trg1=Fre_ampl(t,y_trg1)
	f_trg2,am_trg2=Fre_ampl(t,y_trg2)
	f_trgh1,am_trgh1=Fre_ampl(t,y_trgh1)
	f_trgh2,am_trgh2=Fre_ampl(t,y_trgh2)
	plt.subplot(5,1,1)
	plt.axis([0,500,0,0.7])
	plt.vlines(f_trg,0,am_trg,'b')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')

	plt.subplot(5,1,2)
	plt.vlines(f_trg1,0,am_trg1,'r')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')

	plt.subplot(5,1,3)
	plt.vlines(f_trg2,0,am_trg2,'c')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')

	plt.subplot(5,1,4)
	plt.axis([0,100,0,0.025])
	plt.vlines(f_trgh1,0,am_trgh1,'r')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')

	plt.subplot(5,1,5)
	#plt.axis([0,10,0,3])
	plt.vlines(f_trgh2,0,am_trgh2,'c')
	plt.xlabel('frequence/(Hz)')
	plt.ylabel('amplitude/(V)')
    
    
#Show_sin()
#Show_rec()
Show_trg()
plt.show()
人間矢格
关注
  • 4
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
小波包及其应用
总结论文中的算法并给出论文的复现代码
05-25 1万+
本博文首先介绍了小波包分解的特点和基本原理，然后将小波包分解应用于信号的去噪，最后提取小波包分解后各个频带的能量作为特征量。
数字信号处理及python实现(三)
飞华的博客
11-15 1001
这是参考知乎的数字信号处理及matlab实现的python实现版本，项目文件结构test为测试文件，window为项目文件。
python升采样和插值_重采样和插值
weixin_42323064的博客
01-29 901
在理解如何将数据重新采样为小时速率而不是现在的4小时数据块时，仍被困在一项任务上。这是我们要求做的。在差异ENTRIES和EXITS字段保存每周不重置为零的原始计数。我们想知道4小时内有多少出入口。要计算这个值，我们需要计算具有相同(UNIT，C/A，SCP)键的相邻行之间的差异。创建存储这些数字的NUM_ENTRIES和NUM_EXITS列。在提示：移位法很有用。在进行转换时使用groupby会...
如何求小波近似系数
weixin_35753431的博客
01-01 433
小波近似系数是指小波变换中用来表示信号的系数。要求小波近似系数，需要先进行小波变换，然后在变换后的系数矩阵中找到对应的系数即可。 举个例子，假设我们有一个信号 $x(t)$，需要使用小波变换进行分析。我们首先需要选择一个小波函数 $\psi(t)$ 和一个尺度参数 $a$，然后对信号进行小波变换，得到变换后的系数矩阵 $C$： $$C = \left{ c_{j,k} \right} = \lef...
小波变换（wavelet transform）
imNingyuan的博客
09-15 2万+
小波变换学习
“小波”的定义与小波函数
我是一只小嵩鼠
01-14 1万+
“小波”指波形指具有衰减性与波动性
python学习之信号与系统实验.zip
最新发布
06-19
信号的抽样和内插 二阶状态轨迹的显示 Wav信号的波形分析 这4个实验分别对应本项目中Lab1、Lab2、Lab3、Lab5文件夹，每个文件夹中有对应的README.md文件，这些README.md文件解释了程序的架构，函数的功能以及工程的...
计算机python编程试题,机器学习,深度学习试题及答案.pdf
11-16
【计算机python编程试题,机器学习,深度学习试题及答案.pdf】这份文件包含了多个关于Python编程、机器学习和深度学习的基础知识题目。以下是根据题目内容解析的一些关键知识点： 1. Python语法： - 变量赋值：选项A...
计算机python编程试题,机器学习,深度学习试题及答案.docx
11-16
这份文档包含了多个与计算机编程，特别是Python编程，以及机器学习和深度学习相关的试题。以下是根据题目内容提炼出的相关知识点： 1. Python语法基础： - Python中的非法表达式：题目中提到非法表达式的问题，这...
Python进阶——time、random、collections、itertools
12-20
【Python进阶——time、random、collections、itertools】这篇文档涵盖了Python中四个重要的标准库：time、random、collections和itertools，它们在各种场景下都有广泛的应用。 **第一部分：time库——Python处理...
小波变换计算方法
11-05
小波变换（wavelet transform，WT）是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。
由小波滤波器系数求尺度函数和小波函数
03-24
：为更好地将离散小波变换和连续小波变换联系起来，在分析了现有的由小波滤波器积法求 尺度函数和小波函数的方法的基础上。提出了对迭代卷积法的一种改进算法，同时给出了迭代卷积法的 收敛判定方法，并分析了改进后算法的优势．实验结果表明该算法是有效的．
小波变换系数的含义
baidu_15615203的博客
10-27 2万+
在数值分析中，我们学过内积，内积的物理含义：两个图形的相似性，若两个图形完全正交，则内积为0，若两个图形完全一样，则系数为1（相对值）。小波变换的实质是：原信号与小波基函数的相似性。小波系数就是小波基函数与原信号相似的系数。（英文文献中是这样解释：The definition of wavelet  transform shows that the wavelet analysis is a
Pytorch常用的函数(四)深度学习中常见的上采样方法总结
qq_44665283的博客
11-11 2745
Pytorch常用的函数(四)深度学习中常见的上采样方法总结
小波变换 分离影像低频部分_经济周期分析的强大工具——小波分析
weixin_39963853的博客
11-28 1282
今天会发福利横空出世的“数学显微镜”小波(Wavelet)这一术语，顾名思义，小波”就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier变换相比，小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的...
小波的秘密3_连续、离散小波变换定义
热门推荐
沈春旭的博客
11-01 3万+
1.前言 小波变换主要包括连续小波变换和离散小波变换。本篇博客主要想弄清楚连续小波变换、离散小波变换、高维小波连续变换的意义。 2.连续小波变换 2.1 连续小波变换的定义 将任意L2（R）空间中的函数f(t)在小波基下展开，称这种展开为函数f(t)的连续小波变换（CWT）。其表达式为： 其中应当满足： 从定义可以看出：小波变换和傅立叶变换一样，也是一种
小波变换--matlab中系数的获取
09-12 5452
<br />1.matlab中常用的小波基函数：<br />morl       Morlet小波<br />mexh     墨西哥草帽小波<br />meyr      Meyer小波<br />haar      Haar小波<br />dbN       紧支集正交小波<br />symN     近似对称的紧支集双正交小波<br />coifN      Coifmant小波<br />biorNr.Nd   双正交样条小波<br /> <br /> <br />2.用函数waveinfo（’参数
小波变换系数计算实例_小波变换原理与基本案例分析
weixin_36050671的博客
12-24 1048
科研训练报告一：科研训练目标及意义在深入理解经典Fourier变换的基础上，通过系统介绍加窗Fourier变换(WindowedFourierTransfrom,WFT),小波变换(Wavelettrsnaform,WT)等定义，理解时间分辨率，频率分辨率及，时频局部化性质等基本概念；通过编程实现基本的时频分析方法，理解时变信号中时频结构信息。二：科研训练任务1.理解加窗Fourier变换...
python实现dem内插代码
11-11
Python是一种功能强大的编程语言，可以用来实现DEM内插。DEM（Digital Elevation Model）是数字高程模型，用来表示地表的高程和形状。在Python中，可以使用一些库来进行DEM内插，比如使用gdal、numpy和matplotlib等库。 首先，可以使用gdal库来读取DEM的数据，然后将数据转换为numpy数组进行处理。接着，可以使用numpy来实现DEM内插的算法，比如最近邻法、双线性插值法或者双三次插值法。这些算法可以用来根据已知的高程数据，在空白的区域估算出地表的高程。最后，可以使用matplotlib库来可视化经过内插后的DEM数据，将结果呈现出来。 以最近邻法为例，可以通过编写Python代码来使用gdal库读取DEM数据，然后将其转换为numpy数组。接着使用numpy中的函数来实现最近邻法的内插算法，根据已知高程点周围的值来估算目标位置的高程。最后使用matplotlib库来绘制出内插后的DEM图像，展现出地表的高程分布。 通过以上方法，可以在Python中实现DEM内插代码，对DEM数据进行处理和分析。这样的代码可以在地理信息系统、地质勘探、环境科学等领域得到广泛应用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值