Python：将连续坐标映射到离散网格的最快方法？

Question

Python：将连续坐标映射到离散网格的最快方法？

pythonnumpyimage-processingcoordinatescoordinate-systems

3

什么是将连续的 (x, y) 或 (x, y, z) 坐标数据离散化到最近网格坐标的最快方法？

换句话说：将连续的欧几里得位置 (6.778, 9.201) 转换为相应的网格坐标 (7, 9)，例如图像中的像素坐标，最快的方法是什么？假设我有 100 个连续的 (x, y) 对和已知的 150 x 150 离散网格（例如 150^2 对 (0, 0)、(1, 1) 等等），将每个 (x, y) 对映射到它们最近的 (grid1, grid2) 坐标的最快方法是什么？

在谷歌上搜索似乎没有得到很多结果，但我相信这个问题在其他地方已经被问过了，所以如果这是冗余的，请提前道歉。

- Conor

3

如果网格均匀分布，类似于 np.round(coordinates/grid_size) 的方法就可以奏效。 - Quang Hoang

你能提供更多信息吗？例如，x-y对是否已排序？ - Mad Physicist

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Mad Physicist · Accepted Answer

你最好用间距和偏移量来描述网格：

grid_offset = np.array([0.1, 0.3])
grid_spacing = np.array([1., 1.5])

在这种表示法中，我们将网格点视为位于

grid_offset + n * grid_spacing

对于给定的(x, y)坐标对，现在您可以轻松计算出最接近的网格索引，方法如下：

point = np.array([x, y])
index = np.round((point - grid_offset) / grid_spacing)

转换回网格坐标：

grid_offset + index * grid_spacing

如果您有很多对数据，那么请将数组形状设置为(N, 2)（或3，或任何您想要的维度）。这样，您就可以直接使用(2,)网格数组进行广播：

points = np.array([[x1, y1], [x2, y2], ..., [xn, yn]])
gpoints = grid_offset + np.round((points - grid_offset) / grid_spacing) * grid_spacing

然而，您最大的速度提升可能来自于转置数组（或以Fortran顺序定义它们）。在一个(2, N)和(2, 1)数组上进行广播操作，由于正在处理的维度的连续性，将会做更少的缓存加载。