当然！有两个选项可以做不同的事情，但都可以利用原始数据的规则网格性质。
首先是
scipy.ndimage.zoom。如果您只想基于对原始数据进行插值来生成更密集的规则网格，则可以采用这种方法。
第二个是
scipy.ndimage.map_coordinates。如果您想在数据中插入几个（或多个）任意点，但仍然利用原始数据的规则网格性质（例如，不需要四叉树），则可以采用此方法。
“缩放”数组（
scipy.ndimage.zoom）
作为一个简单的示例（这将使用三次插值。
order=1用于双线性，
order=0最接近等）：
import numpy as npimport scipy.ndimage as ndimagedata = np.arange(9).reshape(3,3)print 'Original:n', dataprint 'Zoomed by 2x:n', ndimage.zoom(data, 2)
这样产生：
Original:[[0 1 2] [3 4 5] [6 7 8]]Zoomed by 2x:[[0 0 1 1 2 2] [1 1 1 2 2 3] [2 2 3 3 4 4] [4 4 5 5 6 6] [5 6 6 7 7 7] [6 6 7 7 8 8]]
这也适用于3D（和nD）阵列。但是请注意，例如，如果放大2倍，则会沿 所有 轴缩放。
data = np.arange(27).reshape(3,3,3)print 'Original:n', dataprint 'Zoomed by 2x gives an array of shape:', ndimage.zoom(data, 2).shape
这样产生：
Original:[[[ 0 1 2] [ 3 4 5] [ 6 7 8]] [[ 9 10 11] [12 13 14] [15 16 17]] [[18 19 20] [21 22 23] [24 25 26]]]Zoomed by 2x gives an array of shape: (6, 6, 6)
如果您要缩放3波段RGB图像，可以通过指定一个元组序列作为缩放因子来实现：
print 'Zoomed by 2x along the last two axes:'print ndimage.zoom(data, (1, 2, 2))
这样产生：
Zoomed by 2x along the last two axes:[[[ 0 0 1 1 2 2] [ 1 1 1 2 2 3] [ 2 2 3 3 4 4] [ 4 4 5 5 6 6] [ 5 6 6 7 7 7] [ 6 6 7 7 8 8]] [[ 9 9 10 10 11 11] [10 10 10 11 11 12] [11 11 12 12 13 13] [13 13 14 14 15 15] [14 15 15 16 16 16] [15 15 16 16 17 17]] [[18 18 19 19 20 20] [19 19 19 20 20 21] [20 20 21 21 22 22] [22 22 23 23 24 24] [23 24 24 25 25 25] [24 24 25 25 26 26]]]
使用任意插值规则网格数据
map_coordinates
首先要了解的
map_coordinates是它在 像素
坐标下运行（例如，就像您要为数组建立索引一样，但是值可以是浮点数）。根据您的描述，这正是您想要的，但是如果经常使人感到困惑。例如，如果您具有x，y，z“真实世界”坐标，则需要将它们转换为基于索引的“像素”坐标。
不管怎么说，我们想在原始数组的位置1.2、0.3、1.4处插值。
如果考虑较早的RGB图像情况，则第一个坐标对应于“带”，第二个坐标对应于“行”，最后一个坐标对应于“列”。什么顺序对应什么完全取决于您决定如何构造数据的方式，但是我将使用这些顺序作为“
z，y，x”坐标，因为它使与打印数组的比较更容易可视化。
import numpy as npimport scipy.ndimage as ndimagedata = np.arange(27).reshape(3,3,3)print 'Original:n', dataprint 'Sampled at 1.2, 0.3, 1.4:'print ndimage.map_coordinates(data, [[1.2], [0.3], [1.4]])
这样产生：
Original:[[[ 0 1 2] [ 3 4 5] [ 6 7 8]] [[ 9 10 11] [12 13 14] [15 16 17]] [[18 19 20] [21 22 23] [24 25 26]]]Sampled at 1.2, 0.3, 1.4:[14]
再一次，这是默认的三次插值。使用
orderkwarg控制插值的类型。
在这里值得注意的是，所有
scipy.ndimage的操作都保留了原始数组的dtype。如果要浮点结果，则需要将原始数组强制转换为浮点数：
In [74]: ndimage.map_coordinates(data.astype(float), [[1.2], [0.3], [1.4]])Out[74]: array([ 13.5965])
您可能会注意到的另一件事是，插值坐标格式对于单点而言非常麻烦（例如，它期望使用3xN数组而不是Nx3数组）。但是，当您具有坐标序列时，可以说是更好的选择。例如，考虑沿穿过数据“多维数据集”的线进行采样的情况：
xi = np.linspace(0, 2, 10)yi = 0.8 * xizi = 1.2 * xiprint ndimage.map_coordinates(data, [zi, yi, xi])
这样产生：
[ 0 1 4 8 12 17 21 24 0 0]
这也是提及如何处理边界条件的好地方。默认情况下，数组外部的任何内容都设置为0。因此，序列中的最后两个值是
0。（即
zi最后两个元素> 2）。
如果我们希望将数组外的点设为
-999（我们不能使用，
nan因为这是一个整数数组。如果想要
nan，则需要转换为浮点数。）：
In [75]: ndimage.map_coordinates(data, [zi, yi, xi], cval=-999)Out[75]: array([ 0, 1, 4, 8, 12, 17, 21, 24, -999, -999])
如果我们希望它为数组外的点返回最接近的值，我们可以这样做：
In [76]: ndimage.map_coordinates(data, [zi, yi, xi], mode='nearest')Out[76]: array([ 0, 1, 4, 8, 12, 17, 21, 24, 25, 25])
除了和之外，还可以使用
"reflect"和
"wrap"作为边界模式。这些都是不言自明的，但是如果您感到困惑，请尝试一下。
"nearest"``"constant"
例如，让我们沿着数组中第一个波段的第一行插入一条直线，该直线延伸了数组距离的两倍：
xi = np.linspace(0, 5, 10)yi, zi = np.zeros_like(xi), np.zeros_like(xi)
默认给出：
In [77]: ndimage.map_coordinates(data, [zi, yi, xi])Out[77]: array([0, 0, 1, 2, 0, 0, 0, 0, 0, 0])
比较一下：
In [78]: ndimage.map_coordinates(data, [zi, yi, xi], mode='reflect')Out[78]: array([0, 0, 1, 2, 2, 1, 2, 1, 0, 0])In [78]: ndimage.map_coordinates(data, [zi, yi, xi], mode='wrap')Out[78]: array([0, 0, 1, 2, 0, 1, 1, 2, 0, 1])
希望这可以澄清一些事情！
