我有一个numpy数组,代表一个空间体积上的3d网格,每个单元表示一个非立方体素(缩放在所有三维中都是任意的)。该阵列是每个维度O(500)个体素。填充numpy数组与点距离的最快方法
我想用给定的XYZ点到每个体素中心的距离填充该数组。
我可以通过使用python for
-loops来填充数组,但这比我想要的要慢。有没有办法快速使用numpy/scipy来做到这一点?
使用两个元组完成对XYZ坐标的转换,一个元素给出体素的中心的XYZ坐标,另一个给出XYZ单元中体素的大小。
我有一个numpy数组,代表一个空间体积上的3d网格,每个单元表示一个非立方体素(缩放在所有三维中都是任意的)。该阵列是每个维度O(500)个体素。填充numpy数组与点距离的最快方法
我想用给定的XYZ点到每个体素中心的距离填充该数组。
我可以通过使用python for
-loops来填充数组,但这比我想要的要慢。有没有办法快速使用numpy/scipy来做到这一点?
使用两个元组完成对XYZ坐标的转换,一个元素给出体素的中心的XYZ坐标,另一个给出XYZ单元中体素的大小。
创建在每个维度的距离的ogrid,然后计算距离(使用该ogrid结果正常播出):
import numpy as np
x0, y0, z0 = 10, 10, 10
# assuming each dimension includes 500 points, from 0 to 500, step 1
x, y, z = np.ogrid[0:500, 0:500, 0:500]
distances = np.sqrt((x-x0)**2+(y-y0)**2+(z-z0)**2)
如果您需要包括一些缩放和网格偏移:
x, y, z = np.ogrid[0:500, 0:500, 0:500]
x, y, z = (x * scale_x + offset_x,
y * scale_y + offset_y,
z * scale_z + offset_z)
distances = np.sqrt((x-x0)**2+(y-y0)**2+(z-z0)**2)
您可以创建三个一维数组,代表3D数组的平展X,Y和Z坐标。
然后在执行hypothenuse计算对于整个阵列,使用numpy的方法:
D = numpy.sqrt(numpy.power(X - x_center, 2) +
numpy.power(Y - y_center, 2) +
numpy.power(Z - z_center, 2))
在结束时,你重塑阵列到原来的形状。
为什么不使用'np.square(x)'而不是'np.power(x,2)'? – MSeifert