python - 将坐标向量转换为 numpy 2D 矩阵

Question

我有一组 3D 坐标点：[lat,long,elevation] ([X,Y,Z])，源自 LIDAR 数据。点没有排序，点之间的步长或多或少是随机的。

我的目标是构建一个函数，将这组点转换为具有恒定像素数的 2D numpy 矩阵，其中每个 (X,Y) 单元格保存 Z 值，然后将其绘制为高程热图。

• 比例尺必须保持真实，X 和 Y 应该具有相同的步长。
• 矩阵不必捕捉确切的高程图片，显然需要某种分辨率降低才能获得恒定数量的像素。

我正在考虑的解决方案是为每个像素构建一个桶，迭代这些点并根据它的（X，Y）值将每个点放入一个桶中。最后创建一个矩阵，其中每个卖出持有相应桶中 Z 值的平均值。

1. 由于我在这个领域没有很多经验，我很想听听一些提示，特别是如果有更好的方法来解决这个任务。

2. 是否有用于将我的点集转换为所需矩阵的 numpy 函数？（也许网格网格具有恒定值的步骤？）

3. 如果我构建非常稀疏的矩阵，则步长为

   min[min{Xi,Xj} , min{Yk,Yl}] 对于所有 i,j,k,l

   有没有办法“降低”分辨率并将其转换为具有所需大小的矩阵？

谢谢！

Answer 1

你不需要重新发明自行车。

from matplotlib.mlab import griddata
import numpy as np

#-- Your coordinates
x = np.random.random(100)
y = np.random.random(100)
z = np.random.random(100)*10
#--

#-- Your new grid
xsteps=200    # resolution in x
ysteps=200    # resolution in y
xi = linspace(min(x), max(x), xsteps)
yi = linspace(min(y), max(y), ysteps)
Z = griddata(x, y, z, xi, yi)  # interpolates between points in your data
#--

plt.pcolormesh(xi, yi, Z, cmap=plt.cm.hot)   # plot your elevation map :D
plt.show()

Answer 2

我知道我没有回答你一半的问题，但我会这样做：

1. 创建所需分辨率的二维数组，
2. “最左边”的值对应于 x 的最小值，依此类推
3. 用 x 和 y 值方面最接近匹配的高程值填充数组
4. 平滑结果。