我正在嘗試將二維高斯擬合到圖像中。噪聲很低，所以我試圖旋轉(zhuǎn)圖像，使兩個(gè)主軸不同時(shí)變化，算出最大值，然后計(jì)算兩個(gè)維度的標(biāo)準(zhǔn)偏差。選擇的武器是Python。

。

然而，我一直在尋找圖像的特征向量——numpy.linalg.py假設(shè)離散的數(shù)據(jù)點(diǎn)。我想把這幅圖像作為概率分布，取樣幾千點(diǎn)，然后根據(jù)這個(gè)分布計(jì)算特征向量，但我確信一定有一種方法可以直接從這幅圖像中找到特征向量(即高斯橢圓的半長(zhǎng)軸和半長(zhǎng)軸)。有什么想法嗎？

非常感謝：)

只是一個(gè)簡(jiǎn)短的說明，有幾個(gè)工具來適應(yīng)高斯圖像。我唯一能想到的就是Scikits.Learn，它不是完全面向圖像的，但我知道還有其他的。

準(zhǔn)確地計(jì)算協(xié)方差矩陣的特征向量是非常昂貴的。您必須將圖像的每個(gè)像素(或大的ISH隨機(jī)采樣)與X、Y點(diǎn)相關(guān)聯(lián)。

基本上，你會(huì)做如下的事情：

import numpy as np

# grid is your image data, here...

grid = np.random.random((10,10))

nrows, ncols = grid.shape

i,j = np.mgrid[:nrows, :ncols]

coords = np.vstack((i.reshape(-1), j.reshape(-1), grid.reshape(-1))).T

cov = np.cov(coords)

eigvals, eigvecs = np.linalg.eigh(cov)

相反，您可以利用它是一個(gè)定期采樣的圖像的事實(shí)，并計(jì)算它的時(shí)刻(或"國(guó)際軸")。對(duì)于大圖像來說，這會(huì)快得多。

作為一個(gè)簡(jiǎn)單的例子，(我使用了我以前的一個(gè)答案的一部分，以防你發(fā)現(xiàn)它有用…)

import numpy as np

import matplotlib.pyplot as plt

def main():

data = generate_data()

xbar, ybar, cov = intertial_axis(data)

fig, ax = plt.subplots()

ax.imshow(data)

plot_bars(xbar, ybar, cov, ax)

plt.show()

def generate_data():

data = np.zeros((200, 200), dtype=np.float)

cov = np.array([[200, 100], [100, 200]])

ij = np.random.multivariate_normal((100,100), cov, int(1e5))

for i,j in ij:

data[int(i), int(j)] += 1

return data

def raw_moment(data, iord, jord):

nrows, ncols = data.shape

y, x = np.mgrid[:nrows, :ncols]

data = data * x**iord * y**jord

return data.sum()

def intertial_axis(data):

"""Calculate the x-mean, y-mean, and cov matrix of an image."""

data_sum = data.sum()

m10 = raw_moment(data, 1, 0)

m01 = raw_moment(data, 0, 1)

x_bar = m10 / data_sum

y_bar = m01 / data_sum

u11 = (raw_moment(data, 1, 1) - x_bar * m01) / data_sum

u20 = (raw_moment(data, 2, 0) - x_bar * m10) / data_sum

u02 = (raw_moment(data, 0, 2) - y_bar * m01) / data_sum

cov = np.array([[u20, u11], [u11, u02]])

return x_bar, y_bar, cov

def plot_bars(x_bar, y_bar, cov, ax):

"""Plot bars with a length of 2 stddev along the principal axes."""

def make_lines(eigvals, eigvecs, mean, i):

"""Make lines a length of 2 stddev."""

std = np.sqrt(eigvals[i])

vec = 2 * std * eigvecs[:,i] / np.hypot(*eigvecs[:,i])

x, y = np.vstack((mean-vec, mean, mean+vec)).T

return x, y

mean = np.array([x_bar, y_bar])

eigvals, eigvecs = np.linalg.eigh(cov)

ax.plot(*make_lines(eigvals, eigvecs, mean, 0), marker='o', color='white')

ax.plot(*make_lines(eigvals, eigvecs, mean, -1), marker='o', color='red')

ax.axis('image')

if __name__ == '__main__':

main()

號(hào)

。

強(qiáng)大地?cái)M合高斯可能很困難。在IEEE信號(hào)處理雜志上有一篇關(guān)于這個(gè)主題的有趣文章：

Hongwei Guo,"A Simple Algorithm for Fitting a Gaussian Function" IEEE

Signal Processing Magazine, September 2011, pp. 134--137

號(hào)

我在這里給出1d案例的實(shí)現(xiàn)：

http://scipy-central.org/item/28/2/fitting-a-gaussian-to-noise-data-points網(wǎng)站

(向下滾動(dòng)查看結(jié)果匹配)

你嘗試過主成分分析(PCA)嗎？也許MDP包可以用最少的努力完成這項(xiàng)工作。

總結(jié)

以上是生活随笔為你收集整理的python如何提取图片特征向量_在python中计算图像的特征向量的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。