我有一个形状为 256x256 的矩阵,我试图找到最适合的直线。顺便说一句,这是一张图片,所以这些只是强度值。假设我想通过所有强度找到最合适的线,我将如何去做? This链接描述了如何使用 svd 在 3d 数据集上执行此操作。但是我对如何将其应用于我的 numpy 数组感到困惑?
编辑:这是我用 %timeit 描述的 double 随机值的示例:
ran = [25,50,75,100,125]
for i in ran:
J = np.random.random((i,i))
y,x=np.indices(J.shape)
x = x.ravel()
y = y.ravel()
J=J.ravel()
data = np.concatenate((x[:, np.newaxis],
y[:, np.newaxis],
J[:, np.newaxis]),axis=1)
datamean = data.mean(axis=0)
print "Doing %d now" %i
%timeit U, S, V = np.linalg.svd(data - datamean)
我得到以下输出:
Doing 25 now
100 loops, best of 3: 10.4 ms per loop
Doing 50 now
1 loops, best of 3: 285 ms per loop
Doing 75 now
1 loops, best of 3: 3 s per loop
Doing 100 now
1 loops, best of 3: 5.83 s per loop
Doing 125 now
1 loops, best of 3: 15.1 s per loop
编辑 2:Here's my actual array .我只是将它保存为 numpy 的 npy 格式
最佳答案
The answer you pointed out通过执行以下操作直接适用于您的问题:
import numpy as np
z = your_matrix_256_x_256
y, x = np.indices(z.shape)
x = x.ravel()
y = y.ravel()
z = z.ravel()
请注意,x
和 y
的间隔可以通过将这些数组乘以适当的标量来重新调整。
编辑:
查看您的数据,似乎您的问题是二维曲线拟合,这可以通过 np.polyfit()
完成,如图所示在下面的示例中。
z = np.load('arr.npy').astype(np.int32)
y, x = np.indices(z.shape)
valid_z = (y.ravel()>0) & (z.ravel()>0)
x_valid = x.ravel()[valid_z]
y_valid = y.ravel()[valid_z]
z_valid = z.ravel()[valid_z]
# fitting best curve
fig = plt.figure(figsize=(5,3))
ax = fig.add_subplot(111)
ax.scatter(x_valid, y_valid, c=z_valid, alpha=0.2, s=20, edgecolor='none',
cmap=plt.cm.jet)
# finding best-fit curve
z = np.polyfit(x_valid, y_valid, w=z_valid**0.5, deg=1)
p = np.poly1d(z)
# plotting
x_plot = np.linspace(x_valid.min(), x_valid.max(), 100)
y_plot = p(x_plot)
ax.plot(x_plot, y_plot, '-r', lw=2)
ax.set_xlim(0, x.shape[1])
ax.set_ylim(0, y.shape[0])
ax.legend(loc='lower left', frameon=False, fontsize=8)
fig.savefig('test.png', bbox_inches='tight')
给出:
关于python - 将一条线拟合到python中的矩阵,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/26082480/