我正在尝试生成一个热图,其中像素值由两个独立的2D高斯分布控制。让它们分别是Kernel1(muX1,muY1,sigmaX1,sigmaY1)和Kernel2(muX2,muY2,sigmaX2,sigmaY2)。更具体地说,每个内核的长度是其标准偏差的三倍。第一个内核有sigmaX1 = sigmaY1,第二个内核有sigmaX2 < sigmaY2。两个核的协方差矩阵都是对角线(X和Y是独立的)。 Kernel1通常完全在Kernel2内部。如何高效地计算Python中两个高斯分布的热图?
我尝试了以下两种方法,结果都不令人满意。有人可以给我一些建议吗?
Approach1:
遍历地图上的所有像素值对(I,J),并通过I(I,J)= P(I,J计算的给定I(I,J)的值| Kernel1,Kernel2)= 1-(1-P(i,j | Kernel1))*(1-P(i,j | Kernel2))。然后我得到了以下结果,这在平滑性方面很好。但是在我的电脑上运行需要10秒,这太慢了。
代码:
def genDensityBox(self, height, width, muY1, muX1, muY2, muX2, sigmaK1, sigmaY2, sigmaX2):
densityBox = np.zeros((height, width))
for y in range(height):
for x in range(width):
densityBox[y, x] += 1. - (1. - multivariateNormal(y, x, muY1, muX1, sigmaK1, sigmaK1)) * (1. - multivariateNormal(y, x, muY2, muX2, sigmaY2, sigmaX2))
return densityBox
def multivariateNormal(y, x, muY, muX, sigmaY, sigmaX):
return norm.pdf(y, loc=muY, scale=sigmaY) * norm.pdf(x, loc=muX, scale=sigmaX)
Approach2:
产生对应于两个内核分别两个图像,然后使用某些α值一起混合它们。每个图像通过取两个一维高斯滤波器的外积来生成。然后我得到了如下结果,这非常粗糙。但是这种方法的优点是由于在两个向量之间使用外部产品,所以速度非常快。
由于第一个很慢,第二个是粗糙的,我试图找到一个新的方法,同时实现良好的平滑度和低时间复杂性。有人能给我一些帮助吗?
谢谢!
对于第二种方法中,2D高斯地图可以很容易地提到here产生:
def gkern(self, sigmaY, sigmaX, yKernelLen, xKernelLen, nsigma=3):
"""Returns a 2D Gaussian kernel array."""
yInterval = (2*nsigma+1.)/(yKernelLen)
yRow = np.linspace(-nsigma-yInterval/2.,nsigma+yInterval/2.,yKernelLen + 1)
kernelY = np.diff(st.norm.cdf(yRow, 0, sigmaY))
xInterval = (2*nsigma+1.)/(xKernelLen)
xRow = np.linspace(-nsigma-xInterval/2.,nsigma+xInterval/2.,xKernelLen + 1)
kernelX = np.diff(st.norm.cdf(xRow, 0, sigmaX))
kernelRaw = np.sqrt(np.outer(kernelY, kernelX))
kernel = kernelRaw/(kernelRaw.sum())
return kernel