scipy.ndimage.

map_coordinates

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找到输入中对应的坐标。输入在这些坐标处的值由请求阶数的样条插值确定。

输出形状是通过删除坐标数组的第一个轴从坐标数组的形状派生出来的。沿着第一个轴的数组值是输入数组中找到输出值的坐标。

参数:

输入array_like

输入数组。

坐标array_like

input 被评估的坐标。

输出数组或数据类型，可选

要放置输出的数组，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。

顺序int, 可选

样条插值的顺序，默认是 3。顺序必须在 0-5 的范围内。

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

mode 参数决定了输入数组在边界之外如何扩展。默认值为 ‘constant’。每个有效值的行为如下（参见 边界模式 的额外图表和详细信息）：

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

输入通过反射最后一个像素的边缘来扩展。这种模式有时也被称为半样本对称。

‘grid-mirror’

这是“reflect”的同义词。

‘常量’ (k k k k | a b c d | k k k k)

输入通过填充边缘之外的所有值来扩展，这些值由 cval 参数定义为相同的常数值。在输入边缘之外不进行插值。

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

输入通过填充边缘之外的所有值来扩展，这些值由 cval 参数定义为相同的常数值。插值也发生在输入范围之外的样本中。

‘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进行反射来扩展。这种模式有时也被称为全样本对称。

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

输入通过环绕到相对的边缘来扩展。

‘wrap’ (d b c d | a b c d | b c a b)

输入通过环绕到相对的边缘来扩展，但这种方式使得最后一个点和初始点完全重叠。在这种情况下，重叠点的采样选择并不明确。

cval标量，可选

如果 mode 是 ‘constant’，则用于填充输入边缘之外的值。默认值为 0.0。

预过滤器bool, 可选

确定是否在插值之前使用 spline_filter 对输入数组进行预过滤。默认值为 True，这将创建一个临时的 float64 数组来存储过滤后的值，如果 order > 1。如果设置为 False，则如果 order > 1，输出将略微模糊，除非输入已经预过滤，即它是原始输入上调用 spline_filter 的结果。

返回:

map_coordinatesndarray

转换输入的结果。输出的形状是通过删除 coordinates 的第一个轴来推导的。

参见

spline_filter, geometric_transform, scipy.interpolate

注释

对于复数 输入，此函数分别映射实部和虚部。

Added in version 1.6.0: 复数值支持已添加。

示例

Try it in your browser!

>>> 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.])

在上面的例子中，插值值 a[0.5, 0.5] 给出输出 output[0]，而 a[2, 1] 是输出 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)

Go BackOpen In Tab