Skip to main content
 首页 » 编程设计

python之numpy.linalg.lstsq 的广播问题

2025年05月04日9unruledboy

我正在研究一些图像分析算法,并尝试使用 numpy 进行最小二乘拟合。为了说明我正在尝试做什么,我生成了一个非常简单的测试用例:

A = np.zeros((2, 2)) 
A[0, 0] = 1 
A[0, 1] = 3 
A[1, 0] = 4 
A[0, 1] = 5 

所以这是我在 Ax = b 类型方程中的简单 A 矩阵。

现在,在这个测试用例中,我的图像基本上是一个简单的 2x2 图像,并且在每个点上我都有 2 个测量值。所以,在我的例子中,我模拟如下:

x = np.array([[13, 24], [13, 24], [13, 24], [13, 24]]) 
x = x.reshape((2,2,2)) 

现在,这表示我的 3 维图像,其中我有 2x2 网格和与每个像素关联的两个值。我可以逐个像素地解决这个问题;

np.linalg.lstsq(A, x[0, 0, :]) # fit at pixel (0, 0) 

或

np.linalg.lstsq(A, x[0, 1, :]) # fit at pixel (0, 1) 

但是,一旦我尝试类似的操作:

np.linalg.lstsq(A, x) # fit at all pixels together 

它提示 x 是 3 维数组,我不确定如何告诉它它需要在前两个维度上广播。

请您参考如下方法:

reshape x 使其具有形状 (2, K),并在列中包含成对的像素值。调用lstsq , 然后恢复结果的形状。

例如,这里有A和x:

In [86]: A 
 
Out[86]:  
array([[ 1.,  5.], 
       [ 4.,  0.]]) 
 
In [87]: x 
Out[87]:  
array([[[0, 1], 
        [2, 3]], 
 
       [[4, 5], 
        [6, 7]]]) 

将 x reshape 为 y,在列中使用像素值:

In [88]: y = x.reshape(-1,2).T 
 
In [89]: y 
Out[89]:  
array([[0, 2, 4, 6], 
       [1, 3, 5, 7]]) 

y 是我们lstsq 需要的形状:

In [90]: result = np.linalg.lstsq(A, y) 
 
In [91]: result[0] 
Out[91]:  
array([[ 0.25,  0.75,  1.25,  1.75], 
       [-0.05,  0.25,  0.55,  0.85]]) 

捕获解决方案,并恢复形状以匹配 x:

In [92]: sol = result[0].T.reshape(x.shape) 
 
In [93]: sol 
Out[93]:  
array([[[ 0.25, -0.05], 
        [ 0.75,  0.25]], 
 
       [[ 1.25,  0.55], 
        [ 1.75,  0.85]]]) 

通过单独解决几个像素来检查解决方案是否符合我们的预期:

In [94]: sol[0,0] 
Out[94]: array([ 0.25, -0.05]) 
 
In [95]: np.linalg.lstsq(A, x[0,0])[0] 
Out[95]: array([ 0.25, -0.05]) 
 
In [96]: sol[1,0] 
Out[96]: array([ 1.25,  0.55]) 
 
In [97]: np.linalg.lstsq(A, x[1,0])[0] 
Out[97]: array([ 1.25,  0.55])