如何为棋盘格图案中的暗像素拟合高斯函数并保留空间信息

一、整合两个绿色通道的空间位置信息 #

针对Bayer阵列中两个棋盘格分布的绿色通道（data[::2, 1::2]和data[1::2, ::2]），可以通过重构与原数组同尺寸的数组，将两个通道的像素值填充到对应原始位置，完整保留空间信息：

import numpy as np

# 假设data为输入的H×W格式数组
H, W = data.shape
green_information = np.zeros_like(data, dtype=data.dtype)

# 填充偶行奇列的绿色像素
green_information[::2, 1::2] = data[::2, 1::2]
# 填充奇行偶列的绿色像素
green_information[1::2, ::2] = data[1::2, ::2]

此方法生成的green_information完整保留了所有绿色像素的原始空间坐标，暗像素（红蓝通道）位置以空值（或初始0值）占位，后续可基于此进行拟合或插值处理。

二、棋盘格亮像素下为暗像素拟合高斯函数 #

激光光束轮廓服从二维高斯分布，可通过以下步骤利用亮像素数据拟合高斯模型，填充暗像素：

1. 提取亮像素的坐标与亮度值 #

# 获取所有绿色亮像素的坐标（假设暗像素初始为0，可根据实际情况调整判断条件）
y_coords, x_coords = np.where(green_information != 0)
bright_intensities = green_information[y_coords, x_coords]

2. 定义二维高斯函数模型 #

def two_d_gaussian(coords, amplitude, mu_x, mu_y, sigma_x, sigma_y, background):
    x, y = coords
    return amplitude * np.exp(
        -((x - mu_x)**2 / (2 * sigma_x**2) + (y - mu_y)**2 / (2 * sigma_y**2))
    ) + background

3. 拟合高斯参数 #

使用scipy.optimize.curve_fit进行参数拟合，需提前设置合理的初始猜测值：

from scipy.optimize import curve_fit

# 初始参数猜测：振幅为亮像素最大值，均值为图像中心，标准差为图像尺寸1/4，背景为亮像素最小值
initial_guess = [
    np.max(bright_intensities), 
    W // 2, H // 2, 
    W // 4, H // 4, 
    np.min(bright_intensities)
]

# 执行拟合
fit_params, _ = curve_fit(two_d_gaussian, (x_coords, y_coords), bright_intensities, p0=initial_guess)

4. 生成完整的高斯拟合图像 #

基于拟合参数计算所有像素位置的亮度值，覆盖暗像素区域：

# 创建全图像素网格坐标
x_grid, y_grid = np.meshgrid(np.arange(W), np.arange(H))
# 生成完整拟合结果
full_beam_profile = two_d_gaussian((x_grid, y_grid), *fit_params)

此方法既避免了直接提取单通道像素的空间畸变，又保留了原图像的分辨率，拟合结果符合激光光束的高斯分布特性。

内容的提问来源于stack exchange，提问作者LionCereals