2次元ガウシアン画像のフィッティング方法-03
加算におけるピーク値の求め方
加算像からピーク値を求める前に,まず正規分布のおさらいから始めます.
一次元正規分布は,
\( \Large P(x)= \frac{1}{\sqrt{2 \pi} \sigma^2} Exp \left( - \frac{x^2}{2 \sigma_x^2} \right) \)
となります(簡単のため,x0=0,Base=0, としてあります).
規格化してあるので,
\( \Large P(x)= \displaystyle \int_{- \infty}^{\infty} \frac{1}{\sqrt{2 \pi} \sigma} Exp \left( - \frac{x^2}{2 \sigma_x^2} \right) dx =1 \)
となります.
今回,フィットした関数は,
\( \Large A_0 Exp \left( - \frac{x^2}{2 \sigma_x^2} \right) \)
です.
さて,今回フィットした値でのピーク値は,実は,以下の図の赤点の加算値となります.
つまり,
Xの加算像なら,Yの分布の積分値
Yの加算像なら,Xの分布の積分値
となるわけです.つまり,
\( \Large Peak Value = \displaystyle \int_{- \infty}^{\infty} A_{0x} Exp \left( - \frac{y^2}{2 \sigma_y^2} \right) dy \)
となります.したがって,
\( \Large \begin{eqnarray} \displaystyle \int_{- \infty}^{\infty} A_{0x} Exp \left( - \frac{y^2}{2 \sigma_y^2} \right) dy
&=& A_{0x} \sqrt{2 \pi} \sigma_y \int_{- \infty}^{\infty} \frac{1}{\sqrt{2 \pi} \sigma_y^2} Exp \left( - \frac{y^2}{2 \sigma_y^2} \right) dy \\
&=& A_{0x} \sqrt{2 \pi} \sigma_y \\
\end{eqnarray} \)
となりますので,
\( \Large \displaystyle A_{0x} = \frac{1}{\sqrt{2 \pi}}\frac{Peak Value_x}{ \sigma_y} \)
となります.
\( \Large \sqrt{2 \pi} \simeq 2.5 \)
なので,大体,2/5,倍となります.
注意すべき点は,
XとYとをたすき掛けにして割る
ことです.
実際に確かめてみましょう.XYの偏差を異なる値で作ってみました.
書記パラメータ,解析結果は,
係数 | 初期設定 | フィッティング |
A0y | 1 | 10.13 |
y0 | 20 | 20.01 |
dy | 2 | 1.96 |
Base_x | 0 | 0.09 |
A0x | 1 | 5.33 |
x0 | 15 | 14.99 |
dx | 4 | 3.82 |
Base_y | 0 | 0.04 |
Noize | 0.1 |
となり,XとYとでピークの値が異なることが分かります.
上の計算を行ってみると,
\( \Large \displaystyle A_{0x} = \frac{1}{\sqrt{2 \pi}}\frac{5.33}{ 1.96}=1.08 \)
\( \Large \displaystyle A_{0y} = \frac{1}{\sqrt{2 \pi}}\frac{10.13}{3.82}=1.06 \)
と初期値である1とよく一致していることが分かります.
このように,一見単純で雑なように見える加算方式ですが,きちんと元データを繁栄していることが分かります.
次のページに,新しい(?)フィッティング方法について示します.