scipy.ndimage.map_coordinates¶

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

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相应坐标。这些坐标处的输入值由所请求阶次的样条插值确定。

输出的形状是通过放下第一个轴从坐标数组的形状派生出来的。沿第一轴的数组的值是输入数组中找到输出值的坐标。

参数

inputarray_like

输入数组。

coordinatesarray_like

它所在的坐标 input 是经过评估的。

output数组或数据类型，可选

要在其中放置输出的数组，或返回的数组的数据类型。默认情况下，将创建与输入数据类型相同的数组。

order整型，可选

样条插值的阶数，默认为3。阶数必须在0-5范围内。

mode{‘反射’，‘格网镜像’，‘常量’，‘格网常量’，‘最近’，‘镜像’，‘格网换行’，‘WRAP’}，可选

这个 mode 参数确定如何将输入数组扩展到其边界之外。默认值为‘Constant’。每个有效值的行为如下所示(请参阅上的其他绘图和详细信息 boundary modes )：

“反思” (d c b a | a b c d | d c b a ): 通过反射最后一个像素的边缘来扩展输入。此模式有时也称为半采样对称。
“网格镜”: 这是“反映”的同义词。
“常量” (k k k k | a b c d | k k k k ): 通过使用相同的常量值(由定义)填充超出边缘的所有值来扩展输入 cval 参数。不会在输入边缘之外执行插值。
‘栅格常数’ (k k k k | a b c d | k k k k ): 通过使用相同的常量值(由定义)填充超出边缘的所有值来扩展输入 cval 参数。对于输入范围之外的采样也会进行插值。
“最近的” (a a a a | a b c d | d d d d ): 通过复制最后一个像素来扩展输入。
“镜子” (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。此模式有时也称为全样本对称。
‘网格换行’ (a b c d | a b c d | a b c d ): 通过缠绕到相反的边来扩展输入。
“包装” (d b c d | a b c d | b c a b ): 通过缠绕到相对边来延伸输入，但方式是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

在以下情况下填充输入的过去边缘的值 mode 是“恒定的”。默认值为0.0。

prefilter布尔值，可选

确定输入数组是否使用 spline_filter 在插值之前。默认值为True，这将创建临时 float64 筛选值的数组，如果 order > 1 。如果将其设置为False，则在以下情况下输出将略有模糊 order > 1 ，除非输入经过预筛选，即它是调用 spline_filter 在原始输入上。

退货

map_coordinatesndarray: 转换输入的结果。输出的形状派生自 coordinates 通过放下第一个轴。

参见

spline_filter, geometric_transform, scipy.interpolate

注意事项

对于复值 input ，此函数独立映射实部和虚部。

1.6.0 新版功能: 增加了复值支持。

示例

>>> from scipy import ndimage
>>> 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，一个 [0.5，0.5] 提供输出 [0] ，而一个 [2, 1] 是输出 [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)

scipy.ndimage.geometric_transform

scipy.ndimage.rotate