ग्राफ़ का उपयोग करके शहर के ब्लॉक ढूंढना आश्चर्यजनक रूप से गैर-तुच्छ है। मूल रूप से, यह सबसे छोटी रिंगों (एसएसएसआर) के सबसे छोटे सेट को खोजने के लिए है, जो एनपी-पूर्ण समस्या है। इस समस्या (और संबंधित समस्याओं) की समीक्षा यहां मिल सकती है । एसओ पर, इसे हल करने के लिए एक एल्गोरिथ्म का एक विवरण है । जहां तक मैं बता सकता हूं, networkx(या उस मामले के लिए अजगर में) कोई संगत कार्यान्वयन नहीं है । मैंने इस दृष्टिकोण को संक्षेप में आज़माया और फिर इसे छोड़ दिया - मेरा दिमाग आज उस तरह के काम के लिए नहीं है। यह कहा जा रहा है, मैं किसी को भी इनाम दूंगा जो बाद की तारीख में इस पृष्ठ पर जा सकता है और एक एल्गोरिथ्म का एक परीक्षण कार्यान्वित कर सकता है जो कि SSSR को अजगर में पाता है।
मैंने इसके बजाय एक अलग दृष्टिकोण अपना लिया है, इस तथ्य का लाभ उठाते हुए कि ग्राफ को योजनाकार होने की गारंटी है। संक्षेप में, इसे एक ग्राफ़ समस्या के रूप में मानने के बजाय, हम इसे एक छवि विभाजन समस्या के रूप में मानते हैं। सबसे पहले, हम छवि में सभी जुड़े हुए क्षेत्र पाते हैं। हम फिर प्रत्येक क्षेत्र के चारों ओर समोच्च का निर्धारण करते हैं, छवि में आकृति को बदलते हैं जो अनुदैर्ध्य और अक्षांशों के लिए वापस समन्वय करता है।
निम्नलिखित आयातों और फ़ंक्शन परिभाषाओं को देखते हुए:
#!/usr/bin/env python
# coding: utf-8
"""
Find house blocks in osmnx graphs.
"""
import numpy as np
import osmnx as ox
import networkx as nx
import matplotlib.pyplot as plt
from matplotlib.path import Path
from matplotlib.patches import PathPatch
from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvas
from skimage.measure import label, find_contours, points_in_poly
from skimage.color import label2rgb
ox.config(log_console=True, use_cache=True)
def k_core(G, k):
H = nx.Graph(G, as_view=True)
H.remove_edges_from(nx.selfloop_edges(H))
core_nodes = nx.k_core(H, k)
H = H.subgraph(core_nodes)
return G.subgraph(core_nodes)
def plot2img(fig):
# remove margins
fig.subplots_adjust(left=0, bottom=0, right=1, top=1, wspace=0, hspace=0)
# convert to image
# https://stackoverflow.com/a/35362787/2912349
# https://stackoverflow.com/a/54334430/2912349
canvas = FigureCanvas(fig)
canvas.draw()
img_as_string, (width, height) = canvas.print_to_buffer()
as_rgba = np.fromstring(img_as_string, dtype='uint8').reshape((height, width, 4))
return as_rgba[:,:,:3]
डेटा लोड करें। आयात को कैश करें, यदि यह बार-बार परीक्षण कर रहा है - अन्यथा आपके खाते पर प्रतिबंध लगाया जा सकता है। यहाँ अनुभव से बोल रहा हूँ।
G = ox.graph_from_address('Nørrebrogade 20, Copenhagen Municipality',
network_type='all', distance=500)
G_projected = ox.project_graph(G)
ox.save_graphml(G_projected, filename='network.graphml')
# G = ox.load_graphml('network.graphml')
प्रून नोड्स और किनारों जो एक चक्र का हिस्सा नहीं हो सकते। यह कदम कड़ाई से आवश्यक नहीं है, लेकिन अच्छे परिणाम के रूप में सामने आता है।
H = k_core(G, 2)
fig1, ax1 = ox.plot_graph(H, node_size=0, edge_color='k', edge_linewidth=1)
कथानक को छवि में बदलें और जुड़े हुए क्षेत्र खोजें:
img = plot2img(fig1)
label_image = label(img > 128)
image_label_overlay = label2rgb(label_image[:,:,0], image=img[:,:,0])
fig, ax = plt.subplots(1,1)
ax.imshow(image_label_overlay)
प्रत्येक लेबल क्षेत्र के लिए, समोच्च ढूंढें और समोच्च पिक्सेल निर्देशांक को डेटा निर्देशांक में परिवर्तित करें।
# using a large region here as an example;
# however we could also loop over all unique labels, i.e.
# for ii in np.unique(labels.ravel()):
ii = np.argsort(np.bincount(label_image.ravel()))[-5]
mask = (label_image[:,:,0] == ii)
contours = find_contours(mask.astype(np.float), 0.5)
# Select the largest contiguous contour
contour = sorted(contours, key=lambda x: len(x))[-1]
# display the image and plot the contour;
# this allows us to transform the contour coordinates back to the original data cordinates
fig2, ax2 = plt.subplots()
ax2.imshow(mask, interpolation='nearest', cmap='gray')
ax2.autoscale(enable=False)
ax2.step(contour.T[1], contour.T[0], linewidth=2, c='r')
plt.close(fig2)
# first column indexes rows in images, second column indexes columns;
# therefor we need to swap contour array to get xy values
contour = np.fliplr(contour)
pixel_to_data = ax2.transData + ax2.transAxes.inverted() + ax1.transAxes + ax1.transData.inverted()
transformed_contour = pixel_to_data.transform(contour)
transformed_contour_path = Path(transformed_contour, closed=True)
patch = PathPatch(transformed_contour_path, facecolor='red')
ax1.add_patch(patch)
मूल ग्राफ़ के सभी बिंदुओं को निर्धारित करें जो समोच्च के अंदर (या पर) आते हैं।
x = G.nodes.data('x')
y = G.nodes.data('y')
xy = np.array([(x[node], y[node]) for node in G.nodes])
eps = (xy.max(axis=0) - xy.min(axis=0)).mean() / 100
is_inside = transformed_contour_path.contains_points(xy, radius=-eps)
nodes_inside_block = [node for node, flag in zip(G.nodes, is_inside) if flag]
node_size = [50 if node in nodes_inside_block else 0 for node in G.nodes]
node_color = ['r' if node in nodes_inside_block else 'k' for node in G.nodes]
fig3, ax3 = ox.plot_graph(G, node_color=node_color, node_size=node_size)
यह पता लगाना कि दो ब्लॉक पड़ोसी हैं, बहुत आसान है। बस जाँच करें कि क्या वे एक नोड साझा करते हैं:
if set(nodes_inside_block_1) & set(nodes_inside_block_2): # empty set evaluates to False
print("Blocks are neighbors.")
