আপনি শুধু (আধা) সংলগ্ন অঞ্চলে অনুপস্থিত থাকেন, তবে তার আগেই পাইথন মধ্যে একটি সহজ বাস্তবায়ন আছে: SciPy এর ndimage.morphology মডিউল। এটি মোটামুটি সাধারণ চিত্রের রূপচর্চা অপারেশন।
মূলত, আপনার 5 টি পদক্ষেপ রয়েছে:
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
পাঞ্জাগুলির একটি অবিচ্ছিন্ন পদচিহ্ন রয়েছে তা নিশ্চিত করতে ইনপুট ডেটাটি কিছুটা ঝাপসা করুন। (কেবলমাত্র বৃহত্তর কার্নেলটি ব্যবহার করা আরও দক্ষ হবে ( structureবিভিন্ন scipy.ndimage.morphologyফাংশনে কোয়ার্গ ) তবে এটি কোনও কারণে সঠিকভাবে কাজ করছে না ...)
অ্যারেটি প্রসারিত করুন যাতে আপনার কাছে এমন জায়গাগুলির বুলিয়ান অ্যারে থাকে যেখানে চাপটি কিছু থ্রেশোল্ডের মান (যেমন thresh = data > value) এর উপরে থাকে have
কোনও অভ্যন্তরীণ গর্ত পূরণ করুন, যাতে আপনার ক্লিনার অঞ্চলগুলি থাকে ( filled = sp.ndimage.morphology.binary_fill_holes(thresh))
পৃথক সুসংগত অঞ্চলগুলি ( coded_paws, num_paws = sp.ndimage.label(filled)) সন্ধান করুন। এটি সংখ্যার সাথে কোড করা অঞ্চলগুলির সাথে একটি অ্যারের ফেরত দেয় (প্রতিটি অঞ্চলই অন্যত্রের সাথে শূন্য সহ এক অনন্য পূর্ণসংখ্যার (1 টি পাঞ্জার সংখ্যা পর্যন্ত 1) একটি সংমিশ্রিত অঞ্চল)।
সংক্ষিপ্ত অঞ্চলগুলি ব্যবহার করে বিচ্ছিন্ন করুন data_slices = sp.ndimage.find_objects(coded_paws)। এটি sliceঅবজেক্টের টিপলগুলির একটি তালিকা প্রদান করে, যাতে আপনি প্রতিটি পাটির জন্য ডেটার অঞ্চলটি পেতে পারেন [data[x] for x in data_slices]। পরিবর্তে, আমরা এই টুকরোগুলির উপর ভিত্তি করে একটি আয়তক্ষেত্র আঁকব, যা কিছুটা বেশি কাজ নেয়।
নীচের দুটি অ্যানিমেশন আপনার "ওভারল্যাপিং পাঞ্জা" এবং "গ্রুপযুক্ত পাঞ্জা" উদাহরণ ডেটা দেখায়। এই পদ্ধতিটি নিখুঁতভাবে কাজ করছে বলে মনে হচ্ছে। (এবং এটি যে কোনও মূল্যের জন্য, এটি আমার মেশিনে নীচের জিআইএফ চিত্রগুলির চেয়ে অনেক বেশি সুচারুভাবে চালিত হয়, তাই পাঞ্জা সনাক্তকরণের অ্যালগরিদম মোটামুটি দ্রুত ...)
এখানে একটি সম্পূর্ণ উদাহরণ (এখন আরও বিস্তারিত ব্যাখ্যা সহ)। এর বেশিরভাগ অংশ হ'ল ইনপুটটি পড়া এবং একটি অ্যানিমেশন তৈরি করা। আসল পাজ সনাক্তকরণটি কোডের 5 টি লাইন।
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')
আপডেট: কোন পাটি কোন সময়ে সেন্সরের সাথে যোগাযোগ করে তা সনাক্তকরণ হিসাবে, সহজ সমাধানটি হ'ল একই বিশ্লেষণ করা, তবে একই সাথে সমস্ত ডেটা ব্যবহার করা। (অর্থাত্ পৃথক সময় ফ্রেমের পরিবর্তে ইনপুটটি একটি 3 ডি অ্যারে স্ট্যাক করুন, এবং এটির সাথে কাজ করুন Sci) কারণ সায়পাইয়ের এনডিমেজ ফাংশনগুলি এন-ডাইমেনশনাল অ্যারেগুলির সাথে কাজ করা বোঝায়, আমাদের মূল পা-সন্ধানের ফাংশনটি পরিবর্তন করতে হবে না মোটেই
# 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')
