scipy.ndimage.

map_coordinates#

scipy.ndimage.map_coordinates(input, coordinates, output=None, order=3, mode='constant', cval=0.0, prefilter=True)[source]#

通过插值将输入数组映射到新的坐标。

坐标数组用于查找输出中的每个点在输入中的对应坐标。通过请求阶数的样条插值确定输入在这些坐标处的数值。

输出的形状通过从坐标数组中删除第一个轴来推导。沿第一个轴的数组值是在输入数组中找到输出值的坐标。

参数:
inputarray_like

输入数组。

coordinatesarray_like

评估 input 的坐标。

output数组或 dtype,可选

用于放置输出的数组,或返回数组的 dtype。默认情况下将创建一个与 input 相同 dtype 的数组。

orderint,可选

样条插值的阶数,默认为 3。阶数必须在 0-5 之间。

mode{‘reflect’, ‘grid-mirror’, ‘constant’, ‘grid-constant’, ‘nearest’, ‘mirror’, ‘grid-wrap’, ‘wrap’},可选

mode 参数决定了输入数组如何在超出其边界时扩展。默认值为 ‘constant’。每个有效值的行为如下(有关更多绘图和详细信息,请参阅 边界模式

‘reflect’ (d c b a | a b c d | d c b a)

输入通过围绕最后一个像素边缘反射来扩展。此模式有时也称为半样本对称。

‘grid-mirror’

这是 ‘reflect’ 的同义词。

‘constant’ (k k k k | a b c d | k k k k)

输入通过用 cval 参数定义的相同常数值填充超出边缘的所有值来扩展。在输入边缘之外不执行插值。

‘grid-constant’ (k k k k | a b c d | k k k k)

输入通过用 cval 参数定义的相同常数值填充超出边缘的所有值来扩展。对输入范围之外的样本进行插值。

‘nearest’ (a a a a | a b c d | d d d d)

输入通过复制最后一个像素来扩展。

‘mirror’ (d c b | a b c d | c b a)

输入通过围绕最后一个像素的中心反射来扩展。此模式有时也称为全样本对称。

‘grid-wrap’ (a b c d | a b c d | a b c d)

输入通过环绕到相对边缘来扩展。

‘wrap’ (d b c d | a b c d | b c a b)

输入通过环绕到相对边缘来扩展,但以最后一点和初始点完全重叠的方式。在这种情况下,在重叠点处选择哪个样本没有明确定义。

cval标量,可选

如果 mode 为 ‘constant’ 则用于填充输入边缘之外的值。默认为 0.0。

prefilterbool,可选

确定是否使用 spline_filter 在插值之前对输入数组进行预滤波。默认值为 True,如果 order > 1 则会创建一个经过滤波值的临时 float64 数组。如果将其设置为 False,则如果 order > 1,输出将略微模糊,除非输入是预滤波的,即它是对原始输入调用 spline_filter 的结果。

返回:
map_coordinatesndarray

变换输入的结果。输出的形状通过从 coordinates 中删除第一个轴来推导。

注意

对于复数 input,此函数独立地映射实部和虚部。

版本 1.6.0 中添加: 添加复数支持。

示例

>>> from scipy import ndimage
>>> import numpy as np
>>> a = np.arange(12.).reshape((4, 3))
>>> a
array([[  0.,   1.,   2.],
       [  3.,   4.,   5.],
       [  6.,   7.,   8.],
       [  9.,  10.,  11.]])
>>> ndimage.map_coordinates(a, [[0.5, 2], [0.5, 1]], order=1)
array([ 2.,  7.])

在上面,a[0.5, 0.5] 的插值值给出 output[0],而 a[2, 1] 是 output[1]。

>>> inds = np.array([[0.5, 2], [0.5, 4]])
>>> ndimage.map_coordinates(a, inds, order=1, cval=-33.3)
array([  2. , -33.3])
>>> ndimage.map_coordinates(a, inds, order=1, mode='nearest')
array([ 2.,  8.])
>>> ndimage.map_coordinates(a, inds, order=1, cval=0, output=bool)
array([ True, False], dtype=bool)