图像投影的采样率更高

Question

我的软件应该判断频谱带，并根据频段的位置，找到频段的峰值点和宽度。

我学会了projection of the image和find width of each peak。

---

但我需要更好的方法来查找投影。

我使用的方法将1600像素宽的图像（例如1600X40）缩小为1600长的序列。理想情况下，我希望使用相同的图像将图像缩小为10000个长的序列。

我想要更长的序列，因为1600点也提供低分辨率。单个点会导致较大的差异（如果从18到19判断一个波段，则存在4％的差异）。

如何从同一张图片中获得更长投影？

我使用的代码：https://stackoverflow.com/a/9771560/604511

import Image
from scipy import *
from scipy.optimize import leastsq

# Load the picture with PIL, process if needed
pic         = asarray(Image.open("band2.png"))

# Average the pixel values along vertical axis
pic_avg     = pic.mean(axis=2)
projection  = pic_avg.sum(axis=0)

# Set the min value to zero for a nice fit
projection /= projection.mean()
projection -= projection.min()

Answer 1

您要做的是interpolation。 Scipy有一个插值模块，针对不同的情况提供了大量不同的函数，看看here，或专门用于图像here。

Here是最近提出的问题，其中包含一些示例代码，以及显示所发生情况的图表。

但重要的是要认识到插值不会使您的数据更准确，因此在这种情况下它无法帮助您。

如果您想要更准确的结果，则需要更准确的数据。没有其他方法。您需要从更高分辨率的图像开始。 （如果您重新取样或插值，结果将非常 >准确！）

更新 - 问题已更改

@Hooked提出了一个很好的观点。考虑它的另一种方法是，不是立即平均（这会丢掉数据中的方差），而是可以从光谱图像中的每个水平行生成40个图形（如发布图像中的较低图形），所有这些图表将非常相似，但峰值位置，高度和宽度会有一些变化。您应该计算这40个图像中每个图像中每个峰值的位置，高度和宽度，然后合并这些数据（匹配40个图形中的峰值），并使用适当的方差作为误差估计（峰值位置，高度） ，和宽度），使用中心极限定理。这样您就可以充分利用数据。但是，我认为这假设谱图中的每一行之间存在某种独立性，这可能是也可能不是这样？

Answer 2

我想为@ fraxel的答案提供一些更多的细节（以便发表评论）。他是对的，你不能得到任何更多的信息而不是你投入的信息，但我认为它需要一些细化......

1. 您正在从1600x40 -> 1600投射您的数据似乎，就像您扔掉一些数据一样。虽然技术上是正确的，但投影的整个要点是将更高维度的数据带到更低的维度。这才有意义......
2. 您的数据可以在较低维度中充分表示。如果我错了，请纠正我，但看起来您的数据确实是一维的，垂直轴是x轴上特定点（波长？）的可变性的度量。
3. 鉴于投影有意义，我们如何才能最好地总结每个特定波长点的数据？ In my previous answer，您可以看到我为每个点取了平均值。在没有关于系统特定属性的其他信息的情况下，这是合理的一阶近似。
4. 如果您愿意，可以保留更多信息。下面我绘制了沿y轴的方差。这告诉我，当信号较高时，您的测量值会有更多的变化，而当信号较低时，您的测量值会变化较小（这似乎很有用！）：
5. 它们在物理上意味着什么，而你作为研究人员的工作就是以有意义的方式解释和投射数据！

产生图像的代码如下，规格。数据来自原始帖子的屏幕截图：

import Image
from scipy import *
from scipy.optimize import leastsq

# Load the picture with PIL, process if needed
pic         = asarray(Image.open("spec2.png"))

# Average the pixel values along vertical axis
pic_avg     = pic.mean(axis=2)
projection  = pic_avg.sum(axis=0)

# Compute the variance
variance = pic_avg.var(axis=0)

from pylab import *

scale = 1/40.

X_val = range(projection.shape[0])
errorbar(X_val,projection*scale,yerr=variance*scale)
imshow(pic,origin='lower',alpha=.8)
axis('tight')
show()