Skip to main content
 首页 » 编程设计

python之不均匀采样角度值的二维插值/平滑

2024年10月25日13tintown

我有一些数据由不均匀采样的 2D 空间位置组成,其中每个 x, y 坐标都有一个介于 0 和 2pi 之间的相关相位值 theta。我希望能够将 theta 值插入到常规 x, y 网格中。在相同(或非常接近)x、y 位置可能与多个相位值相关联的意义上,数据是退化的,对于 theta 值,反之亦然,因此严格来说,这是一个平滑问题,而不是直接插值。

我已经对 scipy 的径向基函数进行了简短的实验,但是由于 2pi --> 0 的 theta 值不连续,这些函数会产生令人讨厌的边缘效应。

这是一个玩具示例(相位的真实空间分布要复杂得多):

import numpy as np 
from matplotlib import pyplot as plt 
from matplotlib import colorbar 
from matplotlib.colors import Normalize 
from scipy import interpolate 
 
# randomly sampled spatial locations 
x, y = np.random.uniform(-1, 1, size=(2, 1000)) 
# theta varies smoothly with location apart from the singularity at 0, 0 
z = np.arctan2(x, y) % (2 * np.pi) 
 
# smooth with a simple linear RBF 
rbf = interpolate.Rbf(x, y, z, function='linear', smooth=0.1) 
 
# resample on a finer grid 
xi, yi = np.mgrid[-1:1:100j, -1:1:100j].reshape(2, -1) 
zi = rbf(xi, yi) % (2 * np.pi) 
 
# plotting 
fig, ax = plt.subplots(1, 1, subplot_kw={'aspect': 'equal'}) 
ax.hold(True) 
norm = Normalize(0, 2 * np.pi) 
im = ax.imshow(zi.reshape(100, 100).T, extent=(-1, 1, -1, 1), 
               origin='lower', cmap=plt.cm.hsv, norm=norm) 
sc = ax.scatter(x, y, s=30, c=z, cmap=im.cmap, norm=norm) 
cax, kw = colorbar.make_axes_gridspec(ax) 
cb = plt.colorbar(im, cax=cax, **kw) 
ax.set_xlabel(r'$X_0$', fontsize='x-large') 
ax.set_ylabel(r'$Y_0$', fontsize='x-large') 
cb.set_ticks(np.arange(0, 2.1*np.pi, np.pi/2.)) 
cb.set_ticklabels([r'$0$', r'$\frac{\pi}{2}$', r'$\pi$', 
                   r'$\frac{3\pi}{2}$', r'$2\pi$']) 
cb.set_label(r'$\theta$', fontsize='x-large') 
cb.ax.tick_params(labelsize='x-large') 
plt.show() 

像这样插入角度量的好方法是什么? scipy 是否有任何内置的插值方法可以很好地处理角度,还是我必须自己编写?

请您参考如下方法:

我现在觉得自己很蠢!

答案很简单 - this answer on MathOverflow给我提供了线索。如果我从极坐标空间转换为笛卡尔坐标空间,然后独立地插入向量的 x 和 y 分量,那么不连续性就没有问题:

x, y = np.random.uniform(-1, 1, size=(2, 1000)) 
z = np.arctan2(y, x) % (2*np.pi) 
 
# convert from polar --> cartesian 
u, v = np.cos(z), np.sin(z) 
 
# interpolate x and y components separately 
rbf_u = interpolate.Rbf(x, y, u, function='linear', smooth=0.1) 
rbf_v = interpolate.Rbf(x, y, v, function='linear', smooth=0.1) 
xi, yi = np.mgrid[-1:1:100j, -1:1:100j].reshape(2, -1) 
ui = rbf_u(xi, yi) 
vi = rbf_v(xi, yi) 
 
# convert from cartesian --> polar 
zi = np.arctan2(ui, vi) % (2*np.pi) 

如果有一种方法可以避免在 x 和 y 分量上执行两个单独的插值,那么在性能方面会很好,但我真的没有办法解决这个问题。