python - 将线拟合到python中的矩阵

我有一个256x256形状的矩阵，正试图找到最合适的线。顺便说一下，这是一张图像，所以这些只是强度值。假设我想在所有强度下找到最合适的线，我将如何去做呢？ This链接介绍了如何使用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数组感到有些困惑？

编辑：这是一个示例，其中我使用％timeit进行了配置的double的随机值：

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。我只是将其保存为numpy的npy格式

最佳答案

通过执行以下操作，The answer you pointed out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，可以通过将这些数组乘以适当的标量来调整x和y的间隔。



编辑：

查看数据，似乎问题在于二维曲线拟合，可以使用np.polyfit()完成，如下面的示例所示。

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')

这使：

关于python - 将线拟合到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/