Question

我有一个函数compare_images(k, a, b)，用于比较两个二维数组a和b

在功能内部，我将gaussian_filter与sigma=k一起应用于a我的想法是估计我必须平滑图像a以使其成为多少类似于图片b

问题是，我的函数compare_images只会在k变体超过0.5时返回不同的值，如果我fmin(compare_images, init_guess, (a, b)，它通常会卡在init_guess上1}}值。

我认为问题是fmin（并且minimize）往往以非常小的步骤开始，在我的情况下会重现compare_images完全相同的返回值，因此方法认为它已经找到了最低限度。它只会尝试几次。

有没有办法强制fmin或scipy中的任何其他最小化功能采取更大的步骤？还是有更适合我需要的方法吗？

修改我找到了临时解决方案。首先，根据建议，我使用xtol=0.5和更高版本作为fmin的参数。即便如此，我仍然遇到了一些问题，并且有几次fmin会返回init_guess。然后我创建了一个简单的循环，这样如果fmin == init_guess，我会生成另一个，随机init_guess并再次尝试。

当然，这很慢，但现在我开始运行了。为我的所有数据运行它需要20个左右，但我不需要再做一次。

无论如何，为那些仍然有兴趣寻找更好解决方案的人更好地解释问题：

我有2张图片A和B，其中包含一些科学数据。
A看起来像一个带有可变值的点（它是一个矩阵，其中每个有价值的点代表事件发生的位置和强度）
B看起来像一个平滑的热图（它是观察到的出现密度）
B看起来就像是将高斯滤波器应用于A并带有一点半随机噪声。
我们通过应用具有常量B到sigma的高斯滤波器来近似A。这个sigma是视觉上选择的，但仅适用于某类图像。
我正在尝试为每张图片获取最佳sigma，所以稍后我会发现sigma的某些关系以及每张图片中显示的事件类别。

无论如何，谢谢你的帮助！

Answer 1

快速检查：您可能真的是fmin(compare_images, init_guess, (a,b))？

如果gaussian_filter表现得像你说的那样，你的函数是分段常数，这意味着依赖于导数（即大多数）的优化器都不存在。您可以尝试使用anneal之类的全局优化器，或在k的合理范围内进行强力搜索。

但是，正如您所描述的那样，如果compare_images是b的平滑版本，则通常只有a的明确全局最小值。如果您想确定a的平滑量，使两个图像最相似，那么您的方法是有意义的。

如果问题是“图像有多相似”，那么我认为像素化比较（可能有一点平滑）是要走的路。根据我们所谈论的图像，可能需要首先对齐图像（例如，用于比较照片）。请澄清： - ）

修改：可能有所帮助的另一个想法：重写compare_images，以便计算两个平滑版本 - a - 一个使用sigma = floor(k)，另一个使用{{ 1}}（即将k舍入到下一个较低/较高的int）。然后计算ceil(k)，其中a_smooth = a_floor*(1-kfrac)+a_ceil*kfrac是kfrac的小数部分。这样，比较函数变为连续w.r.t k。

祝你好运！

Answer 2

Basin hopping可能会做得更好一些，因为它很有可能在高原停留时无论如何都会继续。

我在这个示例函数中发现它在低温下表现得相当不错：

>>> opt.basinhopping(lambda (x,y): int(0.1*x**2 + 0.1*y**2), (5,-5), T=.1)
    nfev: 409
     fun: 0
       x: array([ 1.73267813, -2.54527514])
 message: ['requested number of basinhopping iterations completed successfully']
    njev: 102
     nit: 100

Answer 3

我意识到这是一个古老的问题，但是我找不到很多类似主题的讨论。我遇到scipy.optimize.least_squares的类似问题。我发现xtol对我没有多大帮助。它似乎根本没有改变步长。产生重大变化的是diff_step。这设置了根据公式step_size = x_i*diff_step对Jacobian进行数值估计时所采用的步长，其中x_i是每个自变量。您正在使用fmin，所以您没有计算雅可比行列式，但是，如果您针对同一问题使用了另一个minimize之类的scipy函数，则可能会对您有所帮助。

如何在scipy.optimize函数上强制执行更大的步骤？

3 个答案: