scipy.ndimage.

map_coordinates#

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

透過內插將輸入陣列對應到新的座標。

座標陣列用於找出輸出中每個點在輸入中對應的座標。輸入在這些座標的值由請求階數的 spline 內插法決定。

輸出的形狀由座標陣列的形狀衍生而來，方法是捨棄第一個軸。沿著第一個軸的陣列值是輸入陣列中找到輸出值的座標。

參數:

inputarray_like

輸入陣列。

coordinatesarray_like

評估 input 的座標。

outputarray 或 dtype，選用

放置輸出的陣列，或傳回陣列的 dtype。預設會建立與輸入相同 dtype 的陣列。

orderint，選用

spline 內插法的階數，預設為 3。階數必須在 0-5 的範圍內。

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

mode 參數決定輸入陣列如何在其邊界之外延伸。預設為 ‘constant’。每個有效值的行為如下（請參閱邊界模式上的其他圖表和詳細資訊）

‘reflect’ (d c b a | a b c d | d c b a): 輸入會藉由反射最後一個像素的邊緣來延伸。此模式有時也稱為半樣本對稱。
‘grid-mirror’: 這是 ‘reflect’ 的同義詞。
‘constant’ (k k k k | a b c d | k k k k): 輸入會藉由以相同的常數值填滿邊緣之外的所有值來延伸，常數值由 cval 參數定義。在輸入邊緣之外不會執行內插。
‘grid-constant’ (k k k k | a b c d | k k k k): 輸入會藉由以相同的常數值填滿邊緣之外的所有值來延伸，常數值由 cval 參數定義。內插會發生在輸入範圍之外的樣本。
‘nearest’ (a a a a | a b c d | d d d d): 輸入會藉由複製最後一個像素來延伸。
‘mirror’ (d c b | a b c d | c b a): 輸入會藉由反射最後一個像素的中心來延伸。此模式有時也稱為全樣本對稱。
‘grid-wrap’ (a b c d | a b c d | a b c d): 輸入會藉由環繞到相對邊緣來延伸。
‘wrap’ (d b c d | a b c d | b c a b): 輸入會藉由環繞到相對邊緣來延伸，但方式是最後一個點和初始點完全重疊。在這種情況下，在重疊點會選擇哪個樣本並未明確定義。

cvalscalar，選用

如果 mode 為 ‘constant’，則填滿輸入邊緣之外的值。預設值為 0.0。

prefilterbool，選用

決定輸入陣列是否在內插之前使用 spline_filter 進行預先篩選。預設值為 True，如果 order > 1，則會建立篩選值的暫時 float64 陣列。如果將此設定為 False，則如果 order > 1，除非輸入已預先篩選，也就是它是呼叫 spline_filter 在原始輸入上的結果，否則輸出會稍微模糊。

傳回:

map_coordinatesndarray: 轉換輸入的結果。輸出的形狀由 coordinates 的形狀衍生而來，方法是捨棄第一個軸。

另請參閱

spline_filter、geometric_transform、scipy.interpolate

註解

對於複數值 input，此函式會獨立對應實部和虛部。

版本 1.6.0 新增：新增複數值支援。

範例

>>> 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] 的內插值給出 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)