vorbin:二维数据的voronoi binning
vorbin的Python项目详细描述
二维数据的自适应voronoi组合
这个vorbin包是二维自适应的python实现 Cappellari & Copin (2003)的空间装箱方法。它用的是沃罗诺 按给定的最小信噪比细分到bin数据。
内容
Attribution
如果你使用这个软件进行研究,请引用 Cappellari & Copin (2003)。 纸张的bibtex条目是:
@ARTICLE{Cappellari2003, author = {{Cappellari}, M. and {Copin}, Y.}, title = "{Adaptive spatial binning of integral-field spectroscopic data using Voronoi tessellations}", journal = {MNRAS}, eprint = {astro-ph/0302262}, year = 2003, volume = 342, pages = {345-354}, doi = {10.1046/j.1365-8711.2003.06541.x} }
Documentation
过程voronoi_2d_binning_example.py提供了一个使用示例。
执行以下简单步骤,用最少的python交互来存储您自己的2d数据:
- 在文本文件中写入数据向量[x,y,signal,noise] voronoi_2d_binning_example.txt,按照提供的示例;
- 更改过程voronoi_2d_binning_example.py中的targetSN = 50.0行, 指定最终存储箱所需的目标序列号;
- 运行程序voronoi_2d_binning_example并等待最终绘图出现。 输出保存在文本文件voronoi_2d_binning_output.txt中。这个 文件中最后一列bin num是all这是实际对数据进行bin所需的;
- 阅读文件开头的文档voronoi_2d_binning.py到 完全理解各种可选输出参数的含义。
When some pixels have no signal
当某些像素包含明显的噪声时,不应盲目地使用binning。 但实际上没有信号。这种情况可能会发生,例如在提取气体时 观测星系光谱的运动学。一种使用voronoi_2d_binning的方法 包括首先选择s/n高于最小阈值的像素和 然后分别将每组连接的像素绑定到。或者可以 在装箱前对像素进行最佳加权。有关详细信息,请参见第第2.1页,共 Cappellari & Copin (2003)。
Binning X-ray data
对于x射线数据或来自光子计数装置的其他数据,噪声是 通常准确地说是泊松。在poissonian情况下,箱子中的序列号可以 不要通过添加像素来减少(请参见第2.1节 Cappellari & Copin 2003, 最好将数据装箱,而不首先移除观察到的像素。 没有信号。
Binning very big images
voronoi_2d_binning尺度下的计算时间接近npixels^1.5,因此 成为大图像的问题(例如,在编写npixels>;1000x1000时)。 假设我们真的需要将图像作为一个整体进行分类,并且 相当数量的像素远高于我们的目标序列号。 计算问题,一种从根本上减少计算时间的方法包括 以等级的方式进行。假设我们有一个4000x4000 像素图像,我们可以执行以下操作:
- 定期(例如,以8x8像素为一组)将图像重新导入可管理的 大小为500x500像素;
- 对500x500图像应用标准的voronoi 2d binning过程;
- 转换所有未绑定的像素(已具有足够的序列号) 500x500 voronoi 2d将图像还原为原始个人 全分辨率像素;
- 现在仅将voronoi 2d binning应用于 全分辨率像素;
- 将低分辨率的存储箱集与高分辨率的存储箱集合并。
License
版权所有(c)2001-2018 Michele Cappellari
本软件按原样提供,不作任何保证。 允许用于非商业目的。 授予个人或内部使用的修改权限, 如果本版权和免责声明包含在 软件的副本。保留所有其他权利。 特别是t的再分配不允许使用密码。