Среднее по изображениям, а затем интерполировать Nans

Question

У меня есть стопка спутниковых снимков, которые все сделаны за короткий промежуток времени, но ни одно из них не обеспечивает достаточного охвата моей области исследования. Поэтому я хотел бы:

1. Усредните их все вместе - игнорируя nans, если в этом месте есть хотя бы одна другая действительная точка данных
2. интерполировать по массиву, чтобы заполнить дыры - если только нет правильной точки данных с n-пикселями этого местоположения. Если это так, я просто оставлю это как нан и игнорирую в окончательной обработке.

Пока у меня есть:

initial_satellite_data.shape
>>> (5, 500, 500, 2)
# This is five images, 500x500 pixels, and two bands per image.

# need to convert this to float in order to do the next step
sat_data_float = initial_satellite_data.astype(np.float32)

# 255 values signify areas without data, so converting that to nan
sat_data_float[sat_data_float==255]=np.nan

# get the average across the different images
average_image = np.nanmean(np_imageset, axis=0)

average_image.shape
>>> (500, 500, 2)

Но мне неясно, как я могу интерполировать данные, чтобы заполнить пробелы, которые все еще содержат данные nan, наряду с моим предупреждением о нежелании интерполировать, если у пикселя нет действительных данных с n-пикселями это.

Примером того, как данные могут выглядеть здесь, является некоторый код, генерирующий вид шума, который я хочу интерполировать, и вид пропущенных фрагментов, которые я не хочу интерполировать на одноканальном изображении:

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 1, 500)
y = x[:, None]
average_image = x + y

# Destroy some values - this is about the amount of missing 
# data I have that I want to interpolate across
mask = np.random.random(average_image.shape) > 0.98
average_image[mask] = np.nan

# Now destroy a whole corner that might be missing and it 
# doesn't make sense to interpolate into this mass of missing data
average_image[0:80, 0:80] = np.nan

# Here should be some interpolation process, I've been able to interpolate in 1D across the row and that actually works well 
# enough to get rid of the missing individual pixels but I can't do a sanity check to make sure it isn't interpolating a pixel 50 pixels away from real data.
interpolated_image = average_image

fig, (ax0, ax1) = plt.subplots(1, 2)

ax0.imshow(average_image, cmap='gray', interpolation='nearest')
ax0.set_title('Input image')
ax1.imshow(interpolated_image, cmap='gray', interpolation='nearest')
ax1.set_title('Interpolated data')
plt.show()