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)