Python SciPy ndimage.map_coordinates用法及代码示例

本文简要介绍 python 语言中 scipy.ndimage.map_coordinates 的用法。

用法:

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

通过插值将输入数组映射到新坐标。

坐标数组用于为输出中的每个点查找输入中的对应坐标。这些坐标处的输入值由请求顺序的样条插值确定。

输出的形状是通过删除第一个轴从坐标数组的形状导出的。沿第一个轴的数组值是输入数组中找到输出值的坐标。

参数 ：：

input： array_like

输入数组。

coordinates： array_like

评估输入的坐标。

output： 数组或数据类型，可选

放置输出的数组，或返回数组的 dtype。默认情况下，将创建一个与输入具有相同 dtype 的数组。

order： 整数，可选

样条插值的阶数，默认为 3。阶数必须在 0-5 范围内。

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

模式参数确定输入数组如何扩展到其边界之外。默认为‘constant’。每个有效值的行为如下(请参阅其他图表和详细信息边界模式):

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

通过反射最后一个像素的边来扩展输入。此模式有时也称为half-sample 对称模式。

‘grid-mirror’

这是‘reflect’ 的同义词。

‘constant’ (k k k k | a b c d |呸呸呸呸)

通过使用 cval 参数定义的相同常量值填充边之外的所有值来扩展输入。在输入边之外不执行插值。

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

通过使用 cval 参数定义的相同常量值填充边之外的所有值来扩展输入。插值也会发生在输入范围之外的样本上。

‘nearest’ (啊啊啊啊| a b c d |嘀嘀嘀嘀)

通过复制最后一个像素来扩展输入。

‘mirror’ (d c b | a b c d | c b a)

通过反射最后一个像素的中心来扩展输入。此模式有时也称为whole-sample 对称模式。

‘grid-wrap’ (a b c d | a b c d | A B C D)

通过环绕到相对边来扩展输入。

‘wrap’ (d b c d | a b c d | b c a b)

输入通过环绕到相反的边来扩展，但是以某种方式使最后一个点和初始点完全重叠。在这种情况下，没有很好地定义在重叠点将选择哪个样本。

cval： 标量，可选

如果模式为‘constant’，则填充过去输入边的值。默认值为 0.0。

prefilter： 布尔型，可选

确定输入数组是否经过预过滤scipy.ndimage.spline_filter插值之前。默认为 True，这将创建一个临时浮点数64过滤值数组 if订单 > 1.如果将此设置为 False，则输出会稍微模糊，如果订单 > 1, 除非输入是预过滤的，即它是调用的结果scipy.ndimage.spline_filter在原始输入上。

返回 ：：

map_coordinates： ndarray

转换输入的结果。输出的形状是通过删除第一个轴从坐标的形状得出的。

注意：

对于complex-valued 输入，此函数独立映射实部和虚部。

例子：

>>> 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.])

上面，a[0.5, 0.5] 的插值给出了 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)