Algorithm 填充二维阵列的间隙
我有一个稀疏填充的数组,如下所示。是否有一种算法可以用线性意义上的值填充所有空格?即,根据周围的原始值推断 我看过双线性插值和双三次插值,但还有其他的吗Algorithm 填充二维阵列的间隙,algorithm,interpolation,bicubic,bilinear-interpolation,Algorithm,Interpolation,Bicubic,Bilinear Interpolation,我有一个稀疏填充的数组,如下所示。是否有一种算法可以用线性意义上的值填充所有空格?即,根据周围的原始值推断 我看过双线性插值和双三次插值,但还有其他的吗 | 1 | 2 | 3 | 4 | 5 | 6 | 7 --------------------------------------------------------------------------------- 1 | 2 | 3
| 1 | 2 | 3 | 4 | 5 | 6 | 7
---------------------------------------------------------------------------------
1 |
2 |
3 | 55
4 | 50 12 6
5 | 45 19
6 | xxx
7 | 35 45 50 yyy
8 |
9 |
10 |
11 |
12 | zzz
13 |
14 |
15 |
例如,我希望xxx在40附近,yyy在50附近。但是,zzz可能有一个更随机的值。不过请注意:我希望填充每个空格,而不仅仅是xxx、yyy和zzz。并且能够对任何人口稀少的阵列执行此操作
有这样一种算法吗?有一百万种这样的算法存在。首先,你有一些已知值的字典,比如:
known_values = {
(2, 3): 55.0,
(2, 4): 50.0,
(2, 5): 45.0,
(2, 7): 35.0,
(3, 7): 45.0,
(4, 7): 50.0,
(6, 4): 12.0,
(7, 4): 6.0,
(7, 5): 19.0,
}
def interpolate(known_values, p):
total_weight = 0.0
total_sum = 0.0
for q, value in known_values:
if p == q:
return value
d_square = (p[0] - q[0])**2 + (p[1] - q[1])**2
total_weight = total_weight + 1.0 / d_square
total_sum = total_sum + value / d_square
return total_sum/total_weight
最简单的方法是说,任何点的值都是所有填充点的加权平均值。按距离平方的1/2对其进行称重。因此,在上述情况下,您的代码如下:
known_values = {
(2, 3): 55.0,
(2, 4): 50.0,
(2, 5): 45.0,
(2, 7): 35.0,
(3, 7): 45.0,
(4, 7): 50.0,
(6, 4): 12.0,
(7, 4): 6.0,
(7, 5): 19.0,
}
def interpolate(known_values, p):
total_weight = 0.0
total_sum = 0.0
for q, value in known_values:
if p == q:
return value
d_square = (p[0] - q[0])**2 + (p[1] - q[1])**2
total_weight = total_weight + 1.0 / d_square
total_sum = total_sum + value / d_square
return total_sum/total_weight
只要矩阵中有任何填充的数据,该解决方案就会起作用
然而,从你问这个问题的方式来看,你可能需要一个平滑的插值,它在任何一个小区域内近似线性。一种方法是查找(a,b,c)
,使函数a*x+b*y+c
最小化误差平方的加权和,权重为从所需点到已知点的距离的四次方。(前两个幂次可以撤消面积的平方,其他两个幂次的权重更大。)
这里使用最小二乘法计算误差的原因是数学计算简单。当a
、b
或c
中的微小变化不会对值产生太大变化时,即偏导数为0,您将精确地最小化。因此,这三个偏导数给出了三组线性方程组。在3个变量中求解3个方程相当容易
然而,推导过程又长又乱。如果你想尝试,你应该看看通常的最小二乘法推导,并尝试通过细节工作。然后尝试实现它。但是,只有当你真的想尝试对远离数据点的点进行线性投影时,才可以尝试这种方法。有一百万种这样的算法存在。首先,你有一些已知值的字典,比如:
known_values = {
(2, 3): 55.0,
(2, 4): 50.0,
(2, 5): 45.0,
(2, 7): 35.0,
(3, 7): 45.0,
(4, 7): 50.0,
(6, 4): 12.0,
(7, 4): 6.0,
(7, 5): 19.0,
}
def interpolate(known_values, p):
total_weight = 0.0
total_sum = 0.0
for q, value in known_values:
if p == q:
return value
d_square = (p[0] - q[0])**2 + (p[1] - q[1])**2
total_weight = total_weight + 1.0 / d_square
total_sum = total_sum + value / d_square
return total_sum/total_weight
最简单的方法是说,任何点的值都是所有填充点的加权平均值。按距离平方的1/2对其进行称重。因此,在上述情况下,您的代码如下:
known_values = {
(2, 3): 55.0,
(2, 4): 50.0,
(2, 5): 45.0,
(2, 7): 35.0,
(3, 7): 45.0,
(4, 7): 50.0,
(6, 4): 12.0,
(7, 4): 6.0,
(7, 5): 19.0,
}
def interpolate(known_values, p):
total_weight = 0.0
total_sum = 0.0
for q, value in known_values:
if p == q:
return value
d_square = (p[0] - q[0])**2 + (p[1] - q[1])**2
total_weight = total_weight + 1.0 / d_square
total_sum = total_sum + value / d_square
return total_sum/total_weight
只要矩阵中有任何填充的数据,该解决方案就会起作用
然而,从你问这个问题的方式来看,你可能需要一个平滑的插值,它在任何一个小区域内近似线性。一种方法是查找(a,b,c)
,使函数a*x+b*y+c
最小化误差平方的加权和,权重为从所需点到已知点的距离的四次方。(前两个幂次可以撤消面积的平方,其他两个幂次的权重更大。)
这里使用最小二乘法计算误差的原因是数学计算简单。当a
、b
或c
中的微小变化不会对值产生太大变化时,即偏导数为0,您将精确地最小化。因此,这三个偏导数给出了三组线性方程组。在3个变量中求解3个方程相当容易
然而,推导过程又长又乱。如果你想尝试,你应该看看通常的最小二乘法推导,并尝试通过细节工作。然后尝试实现它。但是,只有当你真的想做一个线性投影到远离你有数据的点的时候,才可以试着这样做。这个问题可以被看作是一个“双变量插值”问题,在这个领域有大量的研究。您可以在Wiki中搜索“多元插值”,并在“二维”部分下查找算法
在各种方法中,双线性/双三次插值需要数据形成网格,而您的数据却不是这样。Delaunay三角剖分方法不适用于您案例中需要的外推。逆加权距离法易于实现,适合外推,但结果往往不令人满意。我个人建议使用径向基函数,只要你没有太多的数据点(比如数千个)。这个问题可以看作是一个“双变量插值”问题,在这个领域有大量的研究。您可以在Wiki中搜索“多元插值”,并在“二维”部分下查找算法
在各种方法中,双线性/双三次插值需要数据形成网格,而您的数据却不是这样。Delaunay三角剖分方法不适用于您案例中需要的外推。逆加权距离法易于实现,适合外推,但结果往往不令人满意。我个人建议使用径向基函数,只要数据点不太多(比如数千个)。我已经在GitHub上上传了我自己的解决方案,它使用薄板样条线方法:
我在GitHub上上传了我自己的解决方案,它使用薄板样条线方法: