3D 数据立方体上的 1D 插值优化

Question

我想在 Python 中的 3D 数据立方体上进行一维插值。我有 18 张以基准波长拍摄的图像。我想对每个像素进行一维插值，以形成 185 个给定特定波长的新图像。我的问题是优化问题。我已经看到 scipy.ndimage.map_coordinates 之类的技巧，但我认为这不能应用于我的问题并作为优化解决方案产生结果。真正的问题是我的数据的大小：我正在使用一个 (18x1024x1024) 数据立方体，并且想要一个大小为 (185x1024x1024) 的输出中的新数据立方体。有没有办法优化下面的代码？

import numpy as np
from scipy.interpolate import interp1d

cube_software = np.zeros((18,1024,1024))


lambda_instrument = np.linspace(2,13,185)
lambda_software   = np.linspace(2,13,18)

cube_new = np.zeros((185,1024,1024))

for r in range(np.shape(cube_software)[1]):
    # print('Number %i over %i'%(r,np.shape(cube_software)[1]))
    for u in range(np.shape(cube_software)[2]):
        pixel_inter = interp1d(lambda_software,cube_software[:,r,u])
        cube_new[:,r,u] = pixel_inter(lambda_instrument)

Answer 1

我找到了避免这两个 for 循环的方法，我直接使用线性插值的公式并将其改编为矩阵。

例如，如果我有 18 个不同波长的原始数据，然后是一个名为 data_cube 的数据立方体，大小为 18x1024x1024，我想估计 k-th 处的图像] 波长 lambda_k 位于 index_before=15 的波长 W_i 和 index_before=16 W_j 我的原始数据立方体之间然后：

new_cube[k,:,:]=data_cube[index_before,:,:] + (data_cube[index_after,:,:]-data_cube[index_before,:,:]) / (W_j-W_i) * (W_k-W_i)

并且计算是瞬时的，希望这对您有所帮助。

3D 数据立方体上的 1D 插值优化

1D interpolation optimization on 3D data cube

python

python-3.x

scipy

interpolation

data-cube