matlab griddata插值太慢,非常慢的插值使用`scipy.interpolate.griddata`

在长期忍受scipy.interpolate.griddata极其缓慢的性能之后，我决定放弃{

所以对于上面的例子，上面问题中的那个，你可以得到输入文件here，这是一段需要1.1ms的代码，而在上面的例子中，692ms需要重新划分。在import cv2

new_data = data.T[::-1]

# calculate the pixel coordinates of the

# computational domain corners in the data array

w,e,s,n = map_extent

dx = float(e-w)/new_data.shape[1]

dy = float(n-s)/new_data.shape[0]

x = (lon.ravel()-w)/dx

y = (n-lat.ravel())/dy

computational_domain_corners = np.float32(zip(x,y))

data_array_corners = np.float32([[0,new_data.shape[0]],

[0,0],

[new_data.shape[1],new_data.shape[0]],

[new_data.shape[1],0]])

# Compute the transformation matrix which places

# the corners of the data array at the corners of

# the computational domain in data array pixel coordinates

tranformation_matrix = cv2.getPerspectiveTransform(data_array_corners,

computational_domain_corners)

# Make the transformation making the final array the same shape

# as the data array, cubic interpolate the data placing NaN’s

# outside the new array geometry

mapped_data = cv2.warpPerspective(new_data,tranformation_matrix,

(new_data.shape[1],new_data.shape[0]),

flags=2,

borderMode=0,

borderValue=np.nan)

我看到这个解决方案的唯一缺点是在数据中有一点偏移，如所附图像中不重叠的轮廓所示。重新划分的数据轮廓(可能更精确)为黑色，翘曲透视数据轮廓为“jet”色阶。在

目前，我很好地接受了性能优势的差异，我希望这个解决方案也能帮助其他人。在

应该有人(而不是我……)来改进griddata的性能：)

享受吧！在