यदि आप सिर्फ (अर्ध) सन्निहित क्षेत्र चाहते हैं, तो पहले से ही पायथन में एक आसान कार्यान्वयन है: SciPy का ndimage.morphology मॉड्यूल। यह एक काफी सामान्य छवि आकृति विज्ञान ऑपरेशन है।
मूल रूप से, आपके पास 5 चरण हैं:
def find_paws(data, smooth_radius=5, threshold=0.0001):
data = sp.ndimage.uniform_filter(data, smooth_radius)
thresh = data > threshold
filled = sp.ndimage.morphology.binary_fill_holes(thresh)
coded_paws, num_paws = sp.ndimage.label(filled)
data_slices = sp.ndimage.find_objects(coded_paws)
return object_slices
यह सुनिश्चित करने के लिए इनपुट डेटा को थोड़ा धुंधला करें कि पंजे एक निरंतर पदचिह्न हैं। (यह सिर्फ एक बड़े कर्नेल ( structureविभिन्न scipy.ndimage.morphologyकार्यों के लिए kwarg ) का उपयोग करने के लिए अधिक कुशल होगा लेकिन यह किसी कारण के लिए ठीक से काम नहीं कर रहा है ...)
सरणी को थ्रेसहोल्ड करें ताकि आपके पास उन स्थानों की बूलियन सरणी हो जहां दबाव कुछ सीमा मूल्य से अधिक है (यानी thresh = data > value)
किसी भी आंतरिक छेद को भरें, ताकि आपके पास क्लीनर क्षेत्र हों ( filled = sp.ndimage.morphology.binary_fill_holes(thresh))
अलग-अलग सन्निहित क्षेत्र खोजें ( coded_paws, num_paws = sp.ndimage.label(filled))। यह संख्या द्वारा कोडित क्षेत्रों के साथ एक सरणी देता है (प्रत्येक क्षेत्र एक अद्वितीय पूर्णांक (पंजे की संख्या तक 1) हर जगह शून्य के साथ एक सन्निहित क्षेत्र है)।
का उपयोग कर सन्निहित क्षेत्रों को अलग करें data_slices = sp.ndimage.find_objects(coded_paws)। यह sliceवस्तुओं के tuples की एक सूची देता है , जिससे आप प्रत्येक पंजा के लिए डेटा का क्षेत्र प्राप्त कर सकते हैं [data[x] for x in data_slices]। इसके बजाय, हम इन स्लाइसों के आधार पर एक आयत तैयार करेंगे, जो थोड़ा और काम करती है।
नीचे दिए गए दो एनिमेशन आपके "ओवरलैपिंग पंजे" और "ग्रुपेड पंजे" उदाहरण डेटा दिखाते हैं। यह तरीका पूरी तरह से काम करता है। (और जो कुछ भी इसके लायक है, यह मेरी मशीन पर नीचे दी गई GIF छवियों की तुलना में बहुत आसानी से चलता है, इसलिए पंजा पहचान एल्गोरिथ्म काफी तेज है ...)
यहाँ एक पूर्ण उदाहरण है (अब अधिक विस्तृत विवरण के साथ)। इसका अधिकांश हिस्सा इनपुट पढ़ रहा है और एक एनीमेशन बना रहा है। वास्तविक पंजे की पहचान कोड की केवल 5 लाइनें हैं।
import numpy as np
import scipy as sp
import scipy.ndimage
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle
def animate(input_filename):
"""Detects paws and animates the position and raw data of each frame
in the input file"""
# With matplotlib, it's much, much faster to just update the properties
# of a display object than it is to create a new one, so we'll just update
# the data and position of the same objects throughout this animation...
infile = paw_file(input_filename)
# Since we're making an animation with matplotlib, we need
# ion() instead of show()...
plt.ion()
fig = plt.figure()
ax = fig.add_subplot(111)
fig.suptitle(input_filename)
# Make an image based on the first frame that we'll update later
# (The first frame is never actually displayed)
im = ax.imshow(infile.next()[1])
# Make 4 rectangles that we can later move to the position of each paw
rects = [Rectangle((0,0), 1,1, fc='none', ec='red') for i in range(4)]
[ax.add_patch(rect) for rect in rects]
title = ax.set_title('Time 0.0 ms')
# Process and display each frame
for time, frame in infile:
paw_slices = find_paws(frame)
# Hide any rectangles that might be visible
[rect.set_visible(False) for rect in rects]
# Set the position and size of a rectangle for each paw and display it
for slice, rect in zip(paw_slices, rects):
dy, dx = slice
rect.set_xy((dx.start, dy.start))
rect.set_width(dx.stop - dx.start + 1)
rect.set_height(dy.stop - dy.start + 1)
rect.set_visible(True)
# Update the image data and title of the plot
title.set_text('Time %0.2f ms' % time)
im.set_data(frame)
im.set_clim([frame.min(), frame.max()])
fig.canvas.draw()
def find_paws(data, smooth_radius=5, threshold=0.0001):
"""Detects and isolates contiguous regions in the input array"""
# Blur the input data a bit so the paws have a continous footprint
data = sp.ndimage.uniform_filter(data, smooth_radius)
# Threshold the blurred data (this needs to be a bit > 0 due to the blur)
thresh = data > threshold
# Fill any interior holes in the paws to get cleaner regions...
filled = sp.ndimage.morphology.binary_fill_holes(thresh)
# Label each contiguous paw
coded_paws, num_paws = sp.ndimage.label(filled)
# Isolate the extent of each paw
data_slices = sp.ndimage.find_objects(coded_paws)
return data_slices
def paw_file(filename):
"""Returns a iterator that yields the time and data in each frame
The infile is an ascii file of timesteps formatted similar to this:
Frame 0 (0.00 ms)
0.0 0.0 0.0
0.0 0.0 0.0
Frame 1 (0.53 ms)
0.0 0.0 0.0
0.0 0.0 0.0
...
"""
with open(filename) as infile:
while True:
try:
time, data = read_frame(infile)
yield time, data
except StopIteration:
break
def read_frame(infile):
"""Reads a frame from the infile."""
frame_header = infile.next().strip().split()
time = float(frame_header[-2][1:])
data = []
while True:
line = infile.next().strip().split()
if line == []:
break
data.append(line)
return time, np.array(data, dtype=np.float)
if __name__ == '__main__':
animate('Overlapping paws.bin')
animate('Grouped up paws.bin')
animate('Normal measurement.bin')
अपडेट: जहां तक यह पहचानना है कि कौन सा पंजा किस समय संवेदक के संपर्क में है, इसका सबसे सरल उपाय यही विश्लेषण करना है, लेकिन एक ही बार में सभी डेटा का उपयोग करें। (यानी इनपुट को 3 डी ऐरे में स्टैक करें, और इसके साथ काम करें, व्यक्तिगत समय सीमा के बजाय।) क्योंकि SciPy के ndimage फ़ंक्शन एन-डायमेंशनल सरणियों के साथ काम करने के लिए हैं, हमें मूल पंजा-खोज फ़ंक्शन को संशोधित करने की आवश्यकता नहीं है। बिल्कुल भी।
# This uses functions (and imports) in the previous code example!!
def paw_regions(infile):
# Read in and stack all data together into a 3D array
data, time = [], []
for t, frame in paw_file(infile):
time.append(t)
data.append(frame)
data = np.dstack(data)
time = np.asarray(time)
# Find and label the paw impacts
data_slices, coded_paws = find_paws(data, smooth_radius=4)
# Sort by time of initial paw impact... This way we can determine which
# paws are which relative to the first paw with a simple modulo 4.
# (Assuming a 4-legged dog, where all 4 paws contacted the sensor)
data_slices.sort(key=lambda dat_slice: dat_slice[2].start)
# Plot up a simple analysis
fig = plt.figure()
ax1 = fig.add_subplot(2,1,1)
annotate_paw_prints(time, data, data_slices, ax=ax1)
ax2 = fig.add_subplot(2,1,2)
plot_paw_impacts(time, data_slices, ax=ax2)
fig.suptitle(infile)
def plot_paw_impacts(time, data_slices, ax=None):
if ax is None:
ax = plt.gca()
# Group impacts by paw...
for i, dat_slice in enumerate(data_slices):
dx, dy, dt = dat_slice
paw = i%4 + 1
# Draw a bar over the time interval where each paw is in contact
ax.barh(bottom=paw, width=time[dt].ptp(), height=0.2,
left=time[dt].min(), align='center', color='red')
ax.set_yticks(range(1, 5))
ax.set_yticklabels(['Paw 1', 'Paw 2', 'Paw 3', 'Paw 4'])
ax.set_xlabel('Time (ms) Since Beginning of Experiment')
ax.yaxis.grid(True)
ax.set_title('Periods of Paw Contact')
def annotate_paw_prints(time, data, data_slices, ax=None):
if ax is None:
ax = plt.gca()
# Display all paw impacts (sum over time)
ax.imshow(data.sum(axis=2).T)
# Annotate each impact with which paw it is
# (Relative to the first paw to hit the sensor)
x, y = [], []
for i, region in enumerate(data_slices):
dx, dy, dz = region
# Get x,y center of slice...
x0 = 0.5 * (dx.start + dx.stop)
y0 = 0.5 * (dy.start + dy.stop)
x.append(x0); y.append(y0)
# Annotate the paw impacts
ax.annotate('Paw %i' % (i%4 +1), (x0, y0),
color='red', ha='center', va='bottom')
# Plot line connecting paw impacts
ax.plot(x,y, '-wo')
ax.axis('image')
ax.set_title('Order of Steps')
