В численном анализе многомерная интерполяция — это интерполяция функций более чем одной переменной ( многомерные функции ); когда переменные являются пространственными координатами , это также известно как пространственная интерполяция .
Функция, подлежащая интерполяции, известна в заданных точках, и задача интерполяции состоит в получении значений в произвольных точках .
Многомерная интерполяция особенно важна в геостатистике , где она используется для создания цифровой модели рельефа из набора точек на поверхности Земли (например, высоты точек в топографической съемке или глубины в гидрографической съемке ).
Для значений функции, известных в регулярной сетке (с заранее определенным, не обязательно равномерным интервалом), доступны следующие методы.
Передискретизация растрового изображения — это применение двумерной многомерной интерполяции при обработке изображений .
Три метода применены к одному и тому же набору данных из 25 значений, расположенных в черных точках. Цвета представляют интерполированные значения.
См. также точки Падуи для полиномиальной интерполяции от двух переменных.
См. также передискретизацию растрового изображения .
Сплайны Катмулла-Рома можно легко обобщить на любое количество измерений. Статья о кубическом сплайне Эрмита напомнит вам, что для некоторого 4-вектора , который является функцией только x , где - значение at функции, подлежащей интерполяции. Перепишем это приближение как
Эту формулу можно напрямую обобщить на N измерений: [1]
Обратите внимание, что аналогичные обобщения можно сделать и для других типов сплайн-интерполяции, включая сплайны Эрмита. Что касается эффективности, общая формула фактически может быть вычислена как композиция последовательных операций -типа для любого типа сплайнов тензорного произведения, как объяснено в статье о трикубической интерполяции . Однако факт остается фактом: если в одномерном -мерном суммировании есть члены , то будут и члены в -мерном суммировании.
Схемы, определенные для разбросанных данных по нерегулярной сетке , являются более общими. Все они должны работать на регулярной сетке, обычно сводясь к другому известному методу.
Gridding — это процесс преобразования неравномерно расположенных данных в регулярную сетку ( данные с сеткой ).