spline函數(shù)可以實現(xiàn)三次樣條插值 x = 0:10; y = sin(x); xx = 0:.25:10; yy = spline(x,y,xx); plot(x,y,'o',xx,yy) 另外fnplt csapi這兩個函數(shù)也是三次樣條插值函數(shù),具體你可以help一下!
創(chuàng)新互聯(lián)為企業(yè)提供:成都品牌網(wǎng)站建設(shè)、網(wǎng)絡(luò)營銷策劃、重慶小程序開發(fā)、營銷型網(wǎng)站建設(shè)和網(wǎng)站運營托管,一站式網(wǎng)絡(luò)營銷整體服務(wù)。實現(xiàn)不斷獲取潛在客戶之核心目標(biāo),建立了企業(yè)專屬的“全網(wǎng)整合營銷推廣”,就用不著再為了獲取潛在客戶而苦惱,相反,客戶會主動找您,生意就找上門來了!
在缺失值填補上如果用前后的均值填補中間的均值, 比如,0,空,1, 我們希望中間填充0.5;或者0,空,空,1,我們希望中間填充0.33,0.67這樣。
可以用pandas的函數(shù)進行填充,因為這個就是線性插值法
df..interpolate()
dd=pd.DataFrame(data=[0,np.nan,np.nan,1])
dd.interpolate()
補充知識:線性插值公式簡單推導(dǎo)
以上這篇python線性插值解析就是我分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持。
直接定義a=True/False就行,示例代碼:
#定義布爾值類型參數(shù)a,b,值分別為True,False
a=True
b=False
print a,b
print type(a),type(b)
True False
type 'bool' type 'bool'
Python中的布爾類型:
Python的布爾類型有兩個值:True和False(注意大小寫要區(qū)分)
在算法分析過程中,我們經(jīng)常會遇到數(shù)據(jù)需要處理插值的過程,為了方便理解,我們這里給出相關(guān)概念和源程序,希望能幫助到您!
已知坐標(biāo) (x0, y0) 與 (x1, y1),要求得區(qū)間 [x0, x1] 內(nèi)某一點位置 x 在直線上的y值。兩點間直線方程,我們有
那么,如何實現(xiàn)它呢?
依據(jù)數(shù)值分析,我們可以發(fā)現(xiàn)存在遞歸情況
執(zhí)行結(jié)果;
此外,我們也可以對一維線性插值使用指定得庫:numpy.interp
將一維分段線性插值返回給具有給定離散數(shù)據(jù)點(xp,fp)的函數(shù),該函數(shù)在x處求值
檢查: 如果xp沒有增加,則結(jié)果是無意義的。
另一方面:線性插值是一種使用線性多項式進行曲線擬合的方法,可以在一組離散的已知數(shù)據(jù)點范圍內(nèi)構(gòu)造新的數(shù)據(jù)點。
實際上,這可能意味著您可以推斷已知位置點之間的新的估計位置點,以創(chuàng)建更高頻率的數(shù)據(jù)或填寫缺失值。
以最簡單的形式,可視化以下圖像:
在此,已知數(shù)據(jù)點在位置(1,1)和(3,3)處為紅色。使用線性迭代,我們可以在它們之間添加一個點,該點可以顯示為藍(lán)色。
這是一個非常簡單的問題,如果我們擁有更多已知的數(shù)據(jù)點,并且想要特定頻率的插值點又該怎么辦呢?
這可以使用numpy包中的兩個函數(shù)在Python中非常簡單地實現(xiàn):
我們有十個已知點,但是假設(shè)我們要一個50個序列。
我們可以使用np.linspace做到這一點;序列的起點,序列的終點以及我們想要的數(shù)據(jù)點總數(shù)
起點和終點將與您的初始x值的起點和終點相同,因此在此我們指定0和2 * pi。我們還指定了對序列中50個數(shù)據(jù)點的請求
現(xiàn)在,進行線性插值!使用np.interp,我們傳遞所需數(shù)據(jù)點的列表(我們在上面創(chuàng)建的50個),然后傳遞原始的x和y值
現(xiàn)在,讓我們繪制原始值,然后覆蓋新的內(nèi)插值!
您還可以將此邏輯應(yīng)用于時間序列中的x和y坐標(biāo)。在這里,您將根據(jù)時間對x值進行插值,然后針對時間對y值進行插值。如果您想在時間序列中使用更頻繁的數(shù)據(jù)點(例如,您想在視頻幀上疊加一些數(shù)據(jù)),或者缺少數(shù)據(jù)點或時間戳不一致,這將特別有用。
讓我們?yōu)橐粋€場景創(chuàng)建一些數(shù)據(jù),在該場景中,在60秒的比賽時間里,一輛賽車僅發(fā)出十個位置(x&y)輸出(在整個60秒的時間內(nèi),時間也不一致):
參考文獻(xiàn)
拉格朗日插值Python代碼實現(xiàn)
1. 數(shù)學(xué)原理
對某個多項式函數(shù)有已知的k+1個點,假設(shè)任意兩個不同的都互不相同,那么應(yīng)用拉格朗日插值公式所得到的拉格朗日插值多項式為:
其中每個lj(x)為拉格朗日基本多項式(或稱插值基函數(shù)),其表達(dá)式為:
2. 輕量級實現(xiàn)
利用
直接編寫程序,可以直接插值,并且得到對應(yīng)的函數(shù)值。但是不能得到系數(shù),也不能對其進行各項運算。
123456789101112
def?h(x,y,a):????ans=0.0????for?i?in?range(len(y)):????????t=y[i]????????for?j?in?range(len(y)):????????????if?i !=j:????????????????t*=(a-x[j])/(x[i]-x[j])????????ans?+=t????return?ansx=[1,0]y=[0,2]print(h(x,y,2))
上述代碼中,h(x,y,a)就是插值函數(shù),直接調(diào)用就行。參數(shù)說明如下:
x,y分別是對應(yīng)點的x值和y值。具體詳解下解釋。
a為想要取得的函數(shù)的值。
事實上,最簡單的拉格朗日插值就是兩點式得到的一條直線。
例如:
p點(1,0)q點(0,2)
這兩個點決定了一條直線,所以當(dāng)x=2的時候,y應(yīng)該是-2
該代碼就是利用這兩個點插值,然后a作為x=2調(diào)用函數(shù)驗證的。
3. 引用庫
3.1 庫的安裝
主要依賴與 scipy。官方網(wǎng)站見:
安裝的方法很簡單,就是使用pip install scipy 如果失敗,則將whl文件下載到本地再利用命令進行安裝。
可能如果沒有安裝numpy
3.2 庫的使用
from scipy.interplotate import lagrange
直接調(diào)用lagrange(x,y)這個函數(shù)即可,返回 一個對象。
參數(shù)x,y分別是對應(yīng)各個點的x值和y值。
例如:(1,2) (3,5) (5,9)這三個點,作為函數(shù)輸入應(yīng)該這么寫:
x=[1,3,5]
y =[2, 5, 9]
a=lagrange(x,y)
直接輸出該對象,就能看到插值的函數(shù)。
利用該對象,能得到很多特性。具體參見:
a.order得到階
a[]得到系數(shù)
a()得到對應(yīng)函數(shù)值
此外可以對其進行加減乘除運算
3.3 代碼實現(xiàn)
1234567? ?from?scipy.interpolate?import?lagrangex=[1,2,3,4,7]y=[5,7,10,3,9]a=lagrange(x,y)print(a)print(a(1),a(2),a(3))print(a[0],a[2],a[3])? ?
結(jié)果是:
class 'numpy.lib.polynomial.poly1d' 4
4 ? ? ? ? ? ?3 ? ? ? ? ? ? ?2
0.5472 x - 7.306 x + 30.65 x - 47.03 x + 28.13
5.0 7.0 10.0
28.1333333333 30.6527777778 -7.30555555556
解釋:
class 'numpy.lib.polynomial.poly1d' 4
這一行是輸出a的類型,以及最高次冪。
4 ? ? ? ? ? ?3 ? ? ? ? ? ? ?2
0.5472 x - 7.306 x + 30.65 x - 47.03 x + 28.13
第二行和第三行就是插值的結(jié)果,顯示出的函數(shù)。
第二行的數(shù)字是對應(yīng)下午的x的冪,如果對應(yīng)不齊,則是排版問題。
5.0 7.0 10.0
第四行是代入的x值,得到的結(jié)果。
也就是說,用小括號f(x)的這種形式,可以直接得到計算結(jié)果。
28.1333333333 30.6527777778 -7.30555555556
碼字不易,如果此文對你有所幫助,請幫忙點贊,感謝!
一. 雙線性插值法原理:
? ? ① 何為線性插值?
? ? 插值就是在兩個數(shù)之間插入一個數(shù),線性插值原理圖如下:
? ? ② 各種插值法:
? ? 插值法的第一步都是相同的,計算目標(biāo)圖(dstImage)的坐標(biāo)點對應(yīng)原圖(srcImage)中哪個坐標(biāo)點來填充,計算公式為:
? ? srcX = dstX * (srcWidth/dstWidth)
? ? srcY = dstY * (srcHeight/dstHeight)
? ? (dstX,dstY)表示目標(biāo)圖像的某個坐標(biāo)點,(srcX,srcY)表示與之對應(yīng)的原圖像的坐標(biāo)點。srcWidth/dstWidth 和 srcHeight/dstHeight 分別表示寬和高的放縮比。
? ? 那么問題來了,通過這個公式算出來的 srcX, scrY 有可能是小數(shù),但是原圖像坐標(biāo)點是不存在小數(shù)的,都是整數(shù),得想辦法把它轉(zhuǎn)換成整數(shù)才行。
不同插值法的區(qū)別就體現(xiàn)在 srcX, scrY 是小數(shù)時,怎么將其變成整數(shù)去取原圖像中的像素值。
最近鄰插值(Nearest-neighborInterpolation):看名字就很直白,四舍五入選取最接近的整數(shù)。這樣的做法會導(dǎo)致像素變化不連續(xù),在目標(biāo)圖像中產(chǎn)生鋸齒邊緣。
雙線性插值(Bilinear Interpolation):雙線性就是利用與坐標(biāo)軸平行的兩條直線去把小數(shù)坐標(biāo)分解到相鄰的四個整數(shù)坐標(biāo)點。權(quán)重與距離成反比。
? ??雙三次插值(Bicubic Interpolation):與雙線性插值類似,只不過用了相鄰的16個點。但是需要注意的是,前面兩種方法能保證兩個方向的坐標(biāo)權(quán)重和為1,但是雙三次插值不能保證這點,所以可能出現(xiàn)像素值越界的情況,需要截斷。
? ? ③ 雙線性插值算法原理
假如我們想得到未知函數(shù) f 在點 P = (x, y) 的值,假設(shè)我們已知函數(shù) f 在 Q11 = (x1, y1)、Q12 = (x1, y2), Q21 = (x2, y1) 以及 Q22 = (x2, y2) 四個點的值。最常見的情況,f就是一個像素點的像素值。首先在 x 方向進行線性插值,然后再在 y 方向上進行線性插值,最終得到雙線性插值的結(jié)果。
④ 舉例說明
二. python實現(xiàn)灰度圖像雙線性插值算法:
灰度圖像雙線性插值放大縮小
import numpy as np
import math
import cv2
def double_linear(input_signal, zoom_multiples):
'''
雙線性插值
:param input_signal: 輸入圖像
:param zoom_multiples: 放大倍數(shù)
:return: 雙線性插值后的圖像
'''
input_signal_cp = np.copy(input_signal)? # 輸入圖像的副本
input_row, input_col = input_signal_cp.shape # 輸入圖像的尺寸(行、列)
# 輸出圖像的尺寸
output_row = int(input_row * zoom_multiples)
output_col = int(input_col * zoom_multiples)
output_signal = np.zeros((output_row, output_col)) # 輸出圖片
for i in range(output_row):
? ? for j in range(output_col):
? ? ? ? # 輸出圖片中坐標(biāo) (i,j)對應(yīng)至輸入圖片中的最近的四個點點(x1,y1)(x2, y2),(x3, y3),(x4,y4)的均值
? ? ? ? temp_x = i / output_row * input_row
? ? ? ? temp_y = j / output_col * input_col
? ? ? ? x1 = int(temp_x)
? ? ? ? y1 = int(temp_y)
? ? ? ? x2 = x1
? ? ? ? y2 = y1 + 1
? ? ? ? x3 = x1 + 1
? ? ? ? y3 = y1
? ? ? ? x4 = x1 + 1
? ? ? ? y4 = y1 + 1
? ? ? ? u = temp_x - x1
? ? ? ? v = temp_y - y1
? ? ? ? # 防止越界
? ? ? ? if x4 = input_row:
? ? ? ? ? ? x4 = input_row - 1
? ? ? ? ? ? x2 = x4
? ? ? ? ? ? x1 = x4 - 1
? ? ? ? ? ? x3 = x4 - 1
? ? ? ? if y4 = input_col:
? ? ? ? ? ? y4 = input_col - 1
? ? ? ? ? ? y3 = y4
? ? ? ? ? ? y1 = y4 - 1
? ? ? ? ? ? y2 = y4 - 1
? ? ? ? # 插值
? ? ? ? output_signal[i, j] = (1-u)*(1-v)*int(input_signal_cp[x1, y1]) + (1-u)*v*int(input_signal_cp[x2, y2]) + u*(1-v)*int(input_signal_cp[x3, y3]) + u*v*int(input_signal_cp[x4, y4])
return output_signal
# Read image
img = cv2.imread("../paojie_g.jpg",0).astype(np.float)
out = double_linear(img,2).astype(np.uint8)
# Save result
cv2.imshow("result", out)
cv2.imwrite("out.jpg", out)
cv2.waitKey(0)
cv2.destroyAllWindows()
三. 灰度圖像雙線性插值實驗結(jié)果:
四. 彩色圖像雙線性插值python實現(xiàn)
def BiLinear_interpolation(img,dstH,dstW):
scrH,scrW,_=img.shape
img=np.pad(img,((0,1),(0,1),(0,0)),'constant')
retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)
for i in range(dstH-1):
? ? for j in range(dstW-1):
? ? ? ? scrx=(i+1)*(scrH/dstH)
? ? ? ? scry=(j+1)*(scrW/dstW)
? ? ? ? x=math.floor(scrx)
? ? ? ? y=math.floor(scry)
? ? ? ? u=scrx-x
? ? ? ? v=scry-y
? ? ? ? retimg[i,j]=(1-u)*(1-v)*img[x,y]+u*(1-v)*img[x+1,y]+(1-u)*v*img[x,y+1]+u*v*img[x+1,y+1]
return retimg
im_path='../paojie.jpg'
image=np.array(Image.open(im_path))
image2=BiLinear_interpolation(image,image.shape[0]*2,image.shape[1]*2)
image2=Image.fromarray(image2.astype('uint8')).convert('RGB')
image2.save('3.png')
五. 彩色圖像雙線性插值實驗結(jié)果:
六. 最近鄰插值算法和雙三次插值算法可參考:
① 最近鄰插值算法:
???
? ? ② 雙三次插值算法:
七. 參考內(nèi)容:
? ??
???
網(wǎng)站名稱:python中的插值函數(shù) python 插值函數(shù)
網(wǎng)站路徑:http://muchs.cn/article46/hjddhg.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供響應(yīng)式網(wǎng)站、服務(wù)器托管、網(wǎng)站策劃、網(wǎng)站改版、做網(wǎng)站、搜索引擎優(yōu)化
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請盡快告知,我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時需注明來源: 創(chuàng)新互聯(lián)