给定一组二维点
pts = np.random.uniform(low=0, high=127, size=32).reshape((-1, 2))
可以通过绘制峰值并使用高斯模糊进行过滤来计算密度图像:
sigma = 2
peaks_img = np.zeros((128, 128))
peaks_img[np.int_(pts[:, 0]), np.int_(pts[:, 1])] = 1
density_img = cv2.GaussianBlur(peaks_img, (0, 0), sigma)
是否有一种很好(且快速)的方法可以在不转换为 int 的情况下执行此操作,从而保持浮点精度?
最佳答案
常用的库(openCV、scipy.ndimage 等)需要您进行舍入,因为它们在图像处理的上下文中工作。输入和输出都是图像,因此输入和输出都是像素。概括这一点并不是一件简单的事情,特别是因为通常的高斯模糊通过所使用的高斯核的求和规则将一些“守恒定律”连接到其中。
我会尝试通过简单地在每个( float )位置添加适当的高斯峰值并在相关像素坐标处查看结果函数来尝试概括高斯模糊。我们可以以类似的方式强制执行连续近似的“重量守恒”,但我不完全确定这对于二维密度图像来说是否完美。无论如何,这是我现在能想到的最好的概括:
import numpy as np
# inputs
imsize = (128,128)
npeaks = 16
pts_x,pts_y = np.random.uniform(low=0, high=min(imsize)-1, size=(2,npeaks,1,1))
# weird size: prepare for broadcasting
# pts_x.shape == pts_y.shape == (npeaks,1,1)
ii,jj = np.ogrid[:imsize[0],:imsize[1]] # memory-efficient np.indices
peaks = np.exp(-((pts_x - ii)**2 + (pts_y - jj)**2)/(2*sigma**2)) # shape (npeaks,*imsize)
# normalize each peak to preserve weight 1 for each
peaks /= peaks.sum(axis=(1,2),keepdims=True)
# sum each peak to end up with an array of size imsize
peaks = peaks.sum(axis=0)
# print(peaks.sum()) is now 16.0
# same for blurred openCV version: 16.18
将上面(左)与 openCV 生成的版本(右)进行比较:
请注意顶部的最大差异,其中一个峰几乎位于边缘。差异是由于 openCV 与高斯核进行了适当的卷积,这受到边缘存在或不存在的影响。我的方法盲目地总结每个坐标处的高斯峰值。这些是您必须注意的限制/功能。总而言之,根据您的具体需求,上述内容可能是可接受的替代方案。
为了后代,上面的数字是用随机点创建的
array([[ 71.84229522, 53.87674552],
[ 49.46010032, 25.54820408],
[ 118.08357845, 6.83220309],
[ 97.20503813, 76.96684427],
[ 1.00902832, 51.26414236],
[ 82.38165581, 30.2121626 ],
[ 64.46298579, 58.15192887],
[ 121.90414697, 38.02821749],
[ 101.81869852, 49.64438987],
[ 28.49284669, 41.81582785],
[ 9.48948284, 55.24329885],
[ 63.54365708, 116.05157199],
[ 86.00412101, 46.56952082],
[ 34.27945909, 40.62669415],
[ 34.46355519, 14.85889878],
[ 67.23707619, 76.76113722]])
关于python - 二维浮点密度图像,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44294112/