对于插值像素,一个合理的解决方案主要取决于你想用它来回答什么问题——请注意:在缺失数据上进行外推可能会导致非常误导人的答案!
径向基函数插值/核平滑
就可在Python中实现的实际解决方案而言,一种填充这些像素的方法是使用Scipy的径向基函数插值实现(请参见这里),该方法旨在对分散数据进行平滑/插值。
鉴于您的矩阵M
和基础1D坐标数组r
和c
(使得M.shape == (r.size, c.size)
),其中M的缺失条目设置为nan
,这似乎可以使用线性RBF内核运行得相当好:
import numpy as np
import scipy.interpolate as interpolate
with open('measurement.txt') as fh:
M = np.vstack(map(float, r.split(' ')) for r in fh.read().splitlines())
r = np.linspace(0, 1, M.shape[0])
c = np.linspace(0, 1, M.shape[1])
rr, cc = np.meshgrid(r, c)
vals = ~np.isnan(M)
f = interpolate.Rbf(rr[vals], cc[vals], M[vals], function='linear')
interpolated = f(rr, cc)
以下是您链接到的数据进行插值后的结果。虽然看起来合理,但它确实突出了缺失样本与真实数据比例不利的问题:
高斯过程回归/Kriging
Kriging插值可以通过scikit-learn库中的高斯过程回归实现来提供(它本身基于Matlab的DACE Kriging工具箱)。可以按如下方式调用:
from sklearn.gaussian_process import GaussianProcess
gp = GaussianProcess(theta0=0.1, thetaL=.001, thetaU=1., nugget=0.01)
gp.fit(X=np.column_stack([rr[vals],cc[vals]]), y=M[vals])
rr_cc_as_cols = np.column_stack([rr.flatten(), cc.flatten()])
interpolated = gp.predict(rr_cc_as_cols).reshape(M.shape)
这会产生与上面径向基函数示例非常相似的插值。在这两种情况下,有许多参数需要探索 - 这些选择在很大程度上取决于您可以对数据做出什么样的假设。(在上面的RBF示例中使用的线性内核的一个优点是它没有自由参数)
Inpainting
最后,一个完全视觉动机的解决方案是使用OpenCV的inpainting功能,尽管这假定为8位数组(0-255),并且没有简单的数学解释。