在上一篇文章中，我们回顾了几种离散概率分布。接下来，在本文中，将探讨几种连续概率分布。

连续概率分布

均匀分布(Uniform distribution)

均匀分布描述的是随机变量所有取值的概率均相同的概率分布。均匀分布需要定义上下界，因此所有取值的概率值为
期望：

方差

高斯分布(Gaussian distribution)

高斯分布，又称正态分布。在视觉领域应用非常广泛，在忽略灰度值的量化时，常常用高斯分布来建模。真实世界的状态也常常用其描述。本文将重点讲解。

一元高斯分布(Univariate Gaussian Distribution)

一元高斯分布定义域为.有两个参数和。为均值，决定了高斯分布的峰值位置，为方差，决定了分布的宽度。
其定义为：

多元高斯分布(Multivariate Gaussian Distribution)

在计算机视觉领域，描述不确定性的的方式用的更多的还是多元高斯分布。类似一元高斯分布，多元高斯分布同样有两个参数：均值和协方差。协方差是的正定阵。与一元高斯分布中的方差类似的，决定多元高斯分布中心（峰值）的位置，协方差用来描述分布的形状。
多元高斯分布的概率密度函数为：

协方差矩阵的几种形式

多元高斯分布的协方差矩阵通常分为三种形式，球形，对角和全协方差。每一种可以看做后一种的特殊形式。
球形协方差矩阵是单位矩阵的整倍数，等概率曲面是一个超球面（二元情况即圆）
球形协方差矩阵在对角线上各有一个正值，在其他地方为0，等概率曲面是一个以主轴与坐标轴对齐的超椭圆体（二元情况即主轴与坐标轴对齐的椭圆）
全协方差矩阵为一个正定矩阵，等概率曲面是不一任何特殊方式对齐的椭圆体。
在二元情况下的三种协方差矩阵分别为：

可视化

下面用代码可视化二元情况下等概率曲线以及概率密度分布图。
可以通过的值控制中心位置，控制分布形状，代码如下：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import multivariate_normal
from mpl_toolkits.mplot3d import Axes3D

mu1, mu2 = 0, 0
sigma11, sigma12, sigma21, sigma22 = 1.5, 0.7, 0.7, 0.5

x, y = np.mgrid[-5:5:.01, -5:5:.01]
pos = np.dstack((x, y))
rv = multivariate_normal([mu1, mu2], [[sigma11, sigma12], [sigma21, sigma22]])
fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(x, y, rv.pdf(pos), cmap='rainbow')

fig2 = plt.figure()
ax2 = fig2.add_subplot(111)
ax2.contourf(x, y, rv.pdf(pos), cmap='rainbow')
plt.show()

如图所示为二元高斯分布不同协方差矩阵下等概率曲线，保持中心位置在，改变，分别为球形，对角和全协方差的情况：

二元高斯分布不同协方差矩阵下等概率曲线

同样的，可以画出概率密度分布图，运行代码，可以拖动图从不同的角度观察。

二元高斯分布概率密度分布图

---

写文章不易，点个喜欢，关注一下再走呗~