python影響因子權重

A. 圖像雙三次插值演算法原理及python實現

一. 圖像雙三次插值演算法原理：

        假設源圖像 A 大小為 m*n ，縮放後的目標圖像 B 的大小為 M*N 。那麼根據比例我們可以得到 B(X,Y) 在 A 上的對應坐標為 A(x,y) = A( X*(m/M), Y*(n/N) ) 。在雙線性插值法中，我們選取 A(x,y) 的最近四個點。而在雙立方插值法中，我們選取的是最近的16個像素點作為計算目標圖像 B(X,Y) 處像素值的參數。如圖所示：

        如圖所示昌叢耐 P 點就是目標圖像 B 在 (X,Y) 處對應於源圖像中的位置，P 的坐標位置會出現小數部分，所以我們假設 P 的坐標為 P(x+u,y+v)，其中 x,y 分別表示整數部分，u,v 分別表示小數部分。那麼我們就可以得到如圖所示的最近 16 個像素的位置，在這里用 a(i,j)(i,j=0,1,2,3) 來表示。 

        雙立方插值的目的就是通過找到一種關系，或者說系數，可以把這 16 個像素對於 P 處像素值的影響因子找出來，從而根據這個影響因子來獲得目標圖像對應點的像素值，達到圖像縮放的目的。 

     耐春   BiCubic基函數形式如下：

二. python實現雙三次插值演算法

from PIL import Image

import numpy as np

import math

# 產生16個像素點不同的權重

def BiBubic(x):

    x=abs(x)

    if x<=1:

        return 1-2*(x**2)+(x**3)

    elif x<2:

        return 4-8*x+5*(x**2)-(x**3)

    else:

        return 0

# 雙三次插值演算法

# dstH為目標圖像的高，dstW為目標圖像的寬

def BiCubic_interpolation(img,dstH,dstW):

    scrH,scrW,_=img.shape

    #img=np.pad(img,((1,3),(1,3),(0,0)),'constant')

    retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)

    for i in range(dstH):

        for j in range(dstW):

            scrx=i*(scrH/dstH)

            scry=j*(scrW/dstW)

            x=math.floor(scrx)

            y=math.floor(scry)

   鄭純         u=scrx-x

            v=scry-y

            tmp=0

            for ii in range(-1,2):

                for jj in range(-1,2):

                    if x+ii<0 or y+jj<0 or x+ii>=scrH or y+jj>=scrW:

                        continue

                    tmp+=img[x+ii,y+jj]*BiBubic(ii-u)*BiBubic(jj-v)

            retimg[i,j]=np.clip(tmp,0,255)

    return retimg

im_path='../paojie.jpg'

image=np.array(Image.open(im_path))

image2=BiCubic_interpolation(image,image.shape[0]*2,image.shape[1]*2)

image2=Image.fromarray(image2.astype('uint8')).convert('RGB')

image2.save('BiCubic_interpolation.jpg')

三. 實驗結果：

四. 參考內容：

         https://www.cnblogs.com/wojianxin/p/12516762.html

         https://blog.csdn.net/Ibelievesunshine/article/details/104942406

B. 如何使用Python繪制光滑實驗數據曲線

樓主的問題是否是「怎樣描繪出沒有數據點的位置的曲線」，或者是「x在某個位置時，即使沒有數據，我也想知道他的y值是多少，好繪制曲線」。這就是個預測未知數據的問題。

傳統的方法就是回歸，python的scipy可以做。流行一點的就是機器學習，python的scikit-learn可以做。

但問題在於，僅由光強能預測出開路電壓嗎（當然，有可能可以預測。）？就是你的圖1和圖2的曲線都不能說是不可能發生的情況吧，所以想預測開路電壓值還需引入其他影響因子。這樣你才能知道平滑曲線到底應該像圖1還是圖2還是其他樣子。

如果是單因子的話，從散點圖觀察，有點像 y = Alnx + B，用線性回歸模型確定A,B的值就可以通過x預測y的值，從而繪制平滑的曲線了。