Определение кривой наилучшего соответствия для зашумленных графических изображений в Python ⇐ Python

[Anonymous]

Я работаю над алгоритмом, который берет изображение, напоминающее график, и определяет, ближе ли оно к косинусоидальной волне, параболической кривой или линейной линии.
Задача Я сталкиваюсь: изображения очень зашумлены, и многие моменты влияют на общие данные.
Вопрос: как я могу эффективно обрабатывать выбросы в этом контексте, особенно с учетом того, что оптимальные параметры для удаления выбросов различаются между изображениями? Существует ли более надежный метод или конкретная конфигурация DBSCAN, которая могла бы работать, или, возможно, лучший подход для подбора моделей к таким зашумленным данным?
как я могу эффективно выявлять и удалять выбросы из нелинейных функций?
Вот мой текущий подход:

• Преобразовал изображение в двоичное представление в 2D-массиве.
• Нормализация данных.
• Попытка подогнать каждую из трех моделей (синусоидальную, параболическую и линейную) к данным путем оптимизации коэффициентов (с использованием библиотечной функции, основанной на методе наименьших квадратов, для нахождения коэффициенты - ransac, scipy Curve_fit).
• Рассчитана среднеквадратическая ошибка (MSE) для каждой модели, чтобы определить, где ошибка минимальна, и на основе этого определить наиболее подходящую model.

Код выполняется, но возвращает неправильные выходные данные. Я подозреваю, что проблема связана с обработкой выбросов.
Что я пробовал для удаления выбросов:

• Использование Z -score не помог исключить какие-либо точки.
• Я также попробовал DBSCAN, но не смог найти оптимальные параметры для эффективного удаления конкретных выбросов, которые мне нужны. Параметры различаются в зависимости от изображения, поэтому их автоматическая настройка была сложной задачей.

как я могу эффективно идентифицировать и удалять выбросы из нелинейных функций, зашумленной кривой, без что-нибудь известно об этом?
спасибо!

Подробнее здесь: https://stackoverflow.com/questions/791 ... -in-python