• 5星
12.76MB qq_31988139 2021-06-30 09:46:52
• 5星
9.4MB qq_31988139 2021-06-30 09:47:27
• 2KB song12345xiao 2020-01-08 16:53:43
• 5星
1KB gengmeixia777 2012-06-29 09:54:39
• ## 反距离加权插值 反距离加权

3KB gaofujian1993 2017-12-09 21:46:03
• The housing price distribution of China cities based on the method of IDWLi Chao1李超(1984-),男,硕士研究生,主要研究方向:最优化理论与方法1、College of Science,Liaoning Technical UniversityAbstract：In ...

The housing price distribution of China cities based on the method of IDW
Li Chao
1
李超(1984-),男,硕士研究生,主要研究方向:最优化理论与方法
1、College of Science,Liaoning Technical University
Abstract：In this paper, the spatial interpolation method,IDW, is studied in use of drawing the surface and contour map of the inland housing price distribution of China. The method of IDW is applied using Matlab R2010b, based on the housing price sampling data of the main cities of inland of China, which are above prefecture-levelcities. The results are then used to draw the surface and contour map of the inland housing price distribution of China, by the software function of drawing. The consequence proves that the effect of IDW is good, and the results is very close to the practical housing price distribution. Furthermore, the IDW is a deterministic method and easy to use in practice. It makes the final the surface and contour map of the inland housing price distribution of China are credible and feasible.

展开全文
weixin_33204898 2021-04-23 05:42:05
• 4星
156KB wenbo13579 2010-06-10 22:37:46
• ## IDE反距离加权插值算法JS实现 js

2KB mouyunling3320 2018-12-13 18:25:35
• 5星
39KB zhang8152560 2014-07-21 09:31:39
• 5星
76KB dahongdahong 2016-07-19 20:27:20
• 4星
764B qq_44969615 2020-04-05 22:49:47
• 4星
15KB yang838020787 2018-05-05 11:02:12
• 7.46MB whurookiechder 2020-03-21 20:13:18
• 5星
68KB mm190835773 2017-11-21 16:46:46
• Image Warping with Scattered Data InterpolationInverse distance weighted interpolation算法(IDW)实际上就是根据给定的控制点对和控制点对的位移矢量(方向和距离)，计算控制点对周围像素的反距离加权权重影响，...

参考论文：Image Warping with Scattered Data Interpolation
Inverse distance weighted interpolation算法(IDW)实际上就是根据给定的控制点对和控制点对的位移矢量(方向和距离)，计算控制点对周围像素的反距离加权权重影响，从而实现图像每一个像素点的位移。

代码实现如下：
//IDW:Inverse distgance weighted interpolation method
//Reference:Image Warping with Scattered Data Interpolation
int f_IDW(unsigned char* srcData, int width, int height, int stride, int inputPoints[], int outputPoints[], int pointNum)
{
int ret = 0;
unsigned char* pSrc = srcData;
int aa, bb, cc, dd, pos, pos1, xx, yy;
double r1, r2, r3;
unsigned char *pSrcL1;
unsigned char *pSrcL2;
unsigned char* tempData = (unsigned char*)malloc(sizeof(unsigned char)* height * stride);
memcpy(tempData, srcData, sizeof(unsigned char) * height * stride);
unsigned char* p = tempData;
double w = 0, x_in, y_in, sumw, v;
int u = 3;
for(int j = 0; j < height; j++)
{
for(int i = 0; i < width; i++)
{
x_in = 0, y_in = 0;
//F function compute
sumw = 0;
for(int k = 0; k < pointNum; k++)
{
int t = (k << 1);
v = 1.0 / (pow((double)((i - inputPoints[t]) * (i - inputPoints[t]) + (j - inputPoints[t + 1]) * (j - inputPoints[t + 1])),u));
sumw += v;
if(i == inputPoints[t] && j == inputPoints[t + 1])
w = 1.0;
else
w = v;
x_in += w * (outputPoints[t] + i - inputPoints[t]);
y_in += w * (outputPoints[t + 1] + j - inputPoints[t + 1]);
}
w = 1.0 / sumw;
x_in = x_in * w;
y_in = y_in * w;
//interpolation
x_in = CLIP3(x_in, 0, width - 1);
y_in = CLIP3(y_in, 0, height - 1);
xx = (int)x_in;
yy = (int)y_in;
pSrcL1 = p + yy * stride;
pSrcL2 = p + CLIP3((yy + 1), 0, height - 1) * stride;
pos = (xx << 2);
aa = pSrcL1[pos];
bb = pSrcL1[pos + 4];
cc = pSrcL2[pos];
dd = pSrcL2[pos + 4];
r1 = aa + (bb - aa) * (x_in - xx);
r2 = cc + (dd - cc) * (x_in - xx);
r3 = r1 + (r2 - r1) * (y_in - yy);
pSrc[0]=(unsigned char)(CLIP3(r3, 0, 255));//B
aa = pSrcL1[pos + 1];
bb = pSrcL1[pos + 4 +1];
cc = pSrcL2[pos + 1];
dd = pSrcL2[pos + 4 + 1];
r1 = aa + (bb - aa) * (x_in - xx);
r2 = cc + (dd - cc) * (x_in - xx);
r3 = r1 + (r2 - r1) * (y_in - yy);
pSrc[1]=(unsigned char)(CLIP3(r3, 0, 255));//G
aa = pSrcL1[pos + 2];
bb = pSrcL1[pos + 4 + 2];
cc = pSrcL2[pos + 2];
dd = pSrcL2[pos + 4 + 2];
r1 = aa + (bb - aa) * (x_in - xx);
r2 = cc + (dd - cc) * (x_in - xx);
r3 = r1 + (r2 - r1) * (y_in - yy);
pSrc[2]=(unsigned char)(CLIP3(r3, 0, 255));//R
aa = pSrcL1[pos + 3];
bb = pSrcL1[pos + 4 + 3];
cc = pSrcL2[pos + 3];
dd = pSrcL2[pos + 4 + 3];
r1=aa + (bb - aa) * (x_in - xx);
r2=cc + (dd - cc) * (x_in - xx);
r3=r1 + (r2 - r1) * (y_in - yy);
pSrc[3]=(unsigned char)(CLIP3(r3, 0, 255));//A
pSrc += 4;
}
}
free(tempData);
return ret;
};
这里本人以瘦脸效果为例：

这张图中蓝色的点是原始点对，红色点是控制点，这里只对人脸脸庞的两个蓝色点进行了偏移，得到了红色控制点，经过IDW算法处理之后的效果如下所示：

大家可以看到，人脸变瘦了，而其他的地方变化比较小(距离人脸越远，变化越小)。
以上就是IDW算法的全过程，IDW算法不单单可以做瘦脸，还可以做一些五官变形特效，具体不再展示。
关于图片，来自网络，若有侵权敬请告知。
本人QQ1358009172
本文同步分享在 博客“Trent1985”(CSDN)。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。

展开全文
weixin_36303807 2021-04-24 14:13:25
• ## 反距离权重插值法 反距离加权插值法例题

通过反距离权重插值法进行各观测站点的风速数据的空间插值，生成风速在空间上连续的表面数据，从而得到2005年4月份平均风速和4月份上旬极大风速的等值线本研究所用到的数据除了遥感数据外，还收集了许多图件资料。...

通过反距离权重插值法进行各观测站点的风速数据的空间插值，
生成风速在
空间上连续的表面数据，从而得到
2005
年
4
月份平均风速和
4
月份上旬极大风
速的等值线
本研究所用到的数据除了遥感数据外，还收集了许多图件资料。
这些图件资料主要来源于延庆县水务局和延庆县气象局，包括
2004
年延庆
县
(1: 10000)
土地利用现状图
(
电子版
)
、延庆县土壤类型图
(1: 12
万
)
、降水等
值线分布图
(1: 12
万
)
、延庆县地貌类型图
(1: 12
万
)
以及北京市土地沙化普查
图等。
由于相关图件均是纸质图件，
因此，
论文首先根据研究区地表景观特征，
以
北京市
1: 50000
地形图为参考图，在图像处理软件
ERDAS
环境下对以上各图件
资料进行配准，
将图形数据所建立的投影系和以下待处理的遥感数据的投影系统
统一，均为高斯一克吕格投影，以便在地理信息系统中进行空间分析。
其次，利用地理信息系统软件
ArcGIS 9.0
进行矢量化，建立土壤、降水、
地貌等基础数据的数据库，
数据格式为
GRID
格式。
最后，
利用
GIS
的制图功能，
生成延庆风沙区土壤类型和土地沙化等专题图。
景观生态分类既是景观结构与功
能研究的基础，又是景观格局分析和优化的前提。
由于景观生态学发展过程中对景观类型认识角度的差异，
建立各异的景观分
类系统，
目前还没有得到统一。
景观分类系统的制定现在主要是在土地利用分类
系统的基础上发展起来的，
考虑研究区内部的实际生态系统水热配置状况，
植被
类型及物质、能量变化形式的差异，按一定的原则进行不同类型景观的划分。
分类系统的建立可以全面反映一定区域景观的空间分异和组织关联，
揭示空
间结构与生态功能特征，
以此作为景观生态评价和管理的基础，
卫星遥感信息源
的选择
鉴于研究区域面积大，变化明显等特征，各景观类型状态和变化数据的
获取需要大量的工作，
但是历史时期数据或大规模、
高频率的数据调查已不可能
实现，需要新的途径来解决上述问题。
遥感技术的发展为大规模空间数据获取及历史资料的重现提供了极大的方便，
因
此景观类型数据获得可以通过提取遥感数据信息实现。
遥感数据的选择，可以
根
据
研
究
对
象
的
空
间
尺
度
和
指
标
，
选
用
不
同
的
遥
感
数
据
源

展开全文
weixin_32004053 2020-12-23 04:56:56
• 在GIS的应用中，很多都是离散的数据，通常情况下我们需要根据离散的数据来评估整体的数据分布情况，这时候往往我们需要用到一些插值算法，例如克里金插值法，线性插值三角网法以及本文中介绍的反距离加权法插值算法...

在GIS的应用中，很多都是离散的数据，通常情况下我们需要根据离散的数据来评估整体的数据分布情况，这时候往往我们需要用到一些插值算法，例如克里金插值法，线性插值三
角网法以及本文中介绍的反距离加权法插值算法。
插值算法：
反距离加权法(也称为距离反比法)认为被估单元块的属性与其周围一定距离内已知点的属性有关，并且认为这种关系与已知点到被估单元块中心点的距离的 n次幂成反比。计算公式为 ：

式中: Z0表示估计值；Zi为第 i( i = 1，2，3··n ) 个样本的属性值；p 为距离的幂， 它显著影响内插的结果，它的选择标准是最小平均绝对误差；Di为距离，OliverMA等 的研究结果表明，幂 p越高，内插结果越平滑，常选用 p = 2。
延伸应用
其实距离反比法不仅仅可以应用在标量的插值，在矢量场的也有很强的可用性，例如在二维或者三维速度场中，可以将速度场分解成2个或者3个方向的标量，然后再将插值后的数据进行整合，便可以得到矢量场的插值结果。
样本点的选取
要使用反距离加权法， 首先要确定待插点选取的样本点。 确定样本点的方法有线性搜索和面积搜索 2种方式。 线性搜索就是给定待插点的 (结构网格下 )在横向或纵向邻近样本点的总数，该方法较为适用于已知散点值分布不均匀的情况。面积搜索通常有矩形、圆形和椭圆形搜索等。 矩形和椭圆形搜索需要给定长边和短边的长度，而圆形搜索只需要给定半径 (是椭圆搜索的一个特例 )。落在指定面积内所有已经散点值将被看作是样本点。为适应已知散点数据的疏密变化，矩形、椭圆形和圆形搜索的边长和半径可以设置为可变的。

展开全文
weixin_39539684 2020-12-20 10:59:16
• ## 空间插值算法-反距离加权法 反距离加权插值法例题

weixin_33983809 2020-12-31 11:33:34
• ## 反距离权重加权插值的理解及Python实现 python

welcome_yu 2021-03-15 21:25:27
• 4星
252KB penglixing 2009-11-03 16:22:20
• chibianwen7037 2019-09-17 14:16:26
• 4星
484KB wang545537113 2011-11-02 12:50:15
• 651KB weixin_38705788 2020-01-11 23:53:47
• ## 反距离加权法（Inverse Distance Weighted）插值 算法

wxnjob 2019-03-18 17:29:42
• staHuri 2018-11-12 10:05:03
• ## 离散点插值反距离加权法IDW C#实现 mapwingis GDAL c#

u011521997 2019-06-01 16:23:41

...