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]），来自LIDAR数据。 这些点没有排序，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）单元格保持Z值，然后将其绘制为高程热图。

• 刻度必须保持真实，X和Y应具有相同的步长。
• 矩阵不必捕捉到精确的高程图片，显然需要某种分辨率降低以获得恒定的像素数。

我想到的解决方案是为每个像素构建一个桶，迭代点并根据它的（X，Y）值将每个点放入桶中。最后创建一个矩阵，其中每个sell保存相应桶中Z值的平均值。

1. 由于我在这个领域没有丰富的经验，我很乐意听到一些提示，特别是如果有更好的方法来解决这个问题。
2. 是否存在将我的点集转换为所需矩阵的numpy函数？ （也许是使用常量值的步长进行网格化？）

3. 如果我构建非常稀疏的矩阵，其步长为

   所有i，j，k，l

   min [min {Xi，Xj}，min {Yk，Yl}]

   有没有办法减少＆＃34;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的一半问题，但我就是这样做的：

1. 创建所需分辨率的二维数组
2. ＆＃34;最左边＆＃34;值对应于x的最小值等等
3. 使用x和y值方面最接近匹配的高程值填充数组
4. 使结果顺畅。