Установка Гауссиан - хороший подход. И если у вас есть окие догадки к начальным значениям параметров, вы можете попробовать и угадать их все сразу. Большая проблема - шум, действительно, вы, вероятно, хотите либо подогнать каждый пик в изоляции (т. Е. Учитывать только диапазон, за который данный пик за раз), либо получить кривую базовой линии на основе ваших данных и вычесть ее.
Вот несколько кодов, которые подходят для установки нескольких гауссиан. Я ввел некоторые довольно рыхлые параметры для того, что я считал 8 наиболее известными пиками, плюс один дополнительный очень широкий гуассиан, чтобы попытаться захватить фоновый шум. Перед обработкой я немного очистил ваше размещенное изображение, чтобы помочь получить данные из него (удалил курсор мыши и края оси и перевернул изображение).
код:
import Image
from scipy import *
from scipy.optimize import leastsq
import numpy as np
im = Image.open("proc.png")
im = im.convert('L')
h, w = im.size
#Extract data from the processed image:
im = np.asarray(im)
y_vals, junk = np.mgrid[w:0:-1, h:0:-1]
y_vals[im < 255] = 0
y_vals = np.amax(y_vals,axis=0)
def gaussian(x, A, x0, sig):
return A*exp(-(x-x0)**2/(2.0*sig**2))
def fit(p,x):
return np.sum([gaussian(x, p[i*3],p[i*3+1],p[i*3+2])
for i in xrange(len(p)/3)],axis=0)
err = lambda p, x, y: fit(p,x)-y
#params are our intitial guesses for fitting gaussians,
#(Amplitude, x value, sigma):
params = [[50,40,5],[50,110,5],[100,160,5],[100,220,5],
[50,250,5],[100,260,5],[100,320,5], [100,400,5],
[30,300,150]] # this last one is our noise estimate
params = np.asarray(params).flatten()
x = xrange(len(y_vals))
results, value = leastsq(err, params, args=(x, y_vals))
for res in results.reshape(-1,3):
print "amplitude, position, sigma", res
import pylab
pylab.subplot(211, title='original data')
pylab.plot(y_vals)
pylab.subplot(212, title='guassians fit')
y = fit(results, x)
pylab.plot(x, y)
pylab.savefig('fig2.png')
pylab.show()
Эти встроенные параметры вывода Guassian:
#Output:
amplitude, position, sigma [ 23.47418352 41.27086097 5.91012897]
amplitude, position, sigma [ 16.26370263 106.39664543 3.67827824]
amplitude, position, sigma [ 59.74500239 163.11210316 2.89866545]
amplitude, position, sigma [ 57.91752456 220.24444939 2.91145375]
amplitude, position, sigma [ 39.78579841 251.25955921 2.74646334]
amplitude, position, sigma [ 86.50061756 260.62004831 3.08367483]
amplitude, position, sigma [ 79.26849867 319.64343319 3.57224402]
amplitude, position, sigma [ 127.97009966 399.27833126 3.14331212]
amplitude, position, sigma [ 20.21224956 379.41066063 195.47122312]
Если у вас есть много этих данных и хотите более быстрый способ, чтобы получить результаты попробовать корень (root.cern.ch). Это C++-фреймворк, специально разработанный для анализа данных (и в вашем случае: подпрограммы). – BandGap