基于三个正交视图点与强度值的3D网格插值求解

方法1：合并点云后全局插值 #

将三个视图的所有物理坐标点与对应强度值合并为统一的点云数据集，再用全局插值函数处理，能充分利用所有采样信息，适合视图坐标范围有重叠的场景。

实现步骤 #

• 生成每个视图的全坐标网格并展开为一维数组
• 合并所有视图的坐标点与强度值
• 基于合并后的数据集创建插值器，对查询点计算结果

import numpy as np
from scipy.interpolate import griddata, NearestNDInterpolator

# 假设image_matrix1/image_matrix2/image_matrix3是已有的3D强度矩阵，shape为(100,100,20)
# 视图1坐标处理
xs1 = np.linspace(-5,5,100)
ys1 = np.linspace(-5,5,100)
zs1 = np.linspace(-2,2,20)
X1, Y1, Z1 = np.meshgrid(xs1, ys1, zs1, indexing='ij')
points1 = np.vstack([X1.ravel(), Y1.ravel(), Z1.ravel()]).T
values1 = image_matrix1.ravel()

# 视图2坐标处理
xs2 = np.linspace(-5,5,100)
ys2 = np.linspace(-5,5,100)
zs2 = np.linspace(-2,2,20)
X2, Y2, Z2 = np.meshgrid(xs2, ys2, zs2, indexing='ij')
points2 = np.vstack([X2.ravel(), Y2.ravel(), Z2.ravel()]).T
values2 = image_matrix2.ravel()

# 视图3坐标处理
xs3 = np.linspace(-5,5,100)
ys3 = np.linspace(-5,5,100)
zs3 = np.linspace(-2,2,20)
X3, Y3, Z3 = np.meshgrid(xs3, ys3, zs3, indexing='ij')
points3 = np.vstack([X3.ravel(), Y3.ravel(), Z3.ravel()]).T
values3 = image_matrix3.ravel()

# 合并所有点与强度值
all_points = np.concatenate([points1, points2, points3], axis=0)
all_values = np.concatenate([values1, values2, values3], axis=0)

# 方式1：单次查询用griddata（支持linear/nearest/cubic插值）
query_point = (3.4, 2.2, 5.2)
value_at_query = griddata(all_points, all_values, query_point, method='linear')

# 方式2：多次查询用NearestNDInterpolator
interpolator = NearestNDInterpolator(all_points, all_values)
value_at_query = interpolator(query_point)

方法2：单视图插值后加权融合 #

如果三个正交视图在不同方向的采样精度有差异，可先对每个视图单独插值，再根据查询点与视图的关联度加权平均结果，灵活性更强。

实现步骤 #

• 为每个视图创建单独的正则网格插值器
• 分别计算查询点在每个视图的插值结果
• 根据查询点到视图的距离（或投影关联度）计算权重，归一化后加权平均

import numpy as np
from scipy.interpolate import RegularGridInterpolator

# 为每个视图创建插值器
interp1 = RegularGridInterpolator((xs1, ys1, zs1), image_matrix1, bounds_error=False, fill_value=None)
interp2 = RegularGridInterpolator((xs2, ys2, zs2), image_matrix2, bounds_error=False, fill_value=None)
interp3 = RegularGridInterpolator((xs3, ys3, zs3), image_matrix3, bounds_error=False, fill_value=None)

query_point = np.array([3.4, 2.2, 5.2])

# 获取各视图插值结果
val1 = interp1(query_point)
val2 = interp2(query_point)
val3 = interp3(query_point)

# 计算权重：以查询点到视图中心的距离倒数为权重（可根据实际视图定义调整）
dist1 = abs(query_point[2] - np.mean(zs1))
dist2 = abs(query_point[0] - np.mean(xs2))
dist3 = abs(query_point[1] - np.mean(ys3))

epsilon = 1e-6  # 避免除以0
weights = 1 / (np.array([dist1, dist2, dist3]) + epsilon)
weights /= weights.sum()  # 归一化权重

# 加权平均得到最终结果
value_at_query = val1 * weights[0] + val2 * weights[1] + val3 * weights[2]

注意事项 #

• 合并点云方法适合视图坐标范围重叠的场景，插值结果更稳定
• 加权融合方法需根据视图的物理定义调整权重逻辑，适配不同方向的采样精度
• 若查询点超出视图坐标范围，可通过bounds_error=False和fill_value设置缺省值

内容的提问来源于stack exchange，提问作者solveForX