python– 从可能不完整的候选列表构建2D网格

概述问题我需要使用一组候选位置(X和Y中的值)构建2D网格.然而,可能存在应该被过滤掉的假阳性候选者,以及假阴性(其中需要针对给定周围位置值的预期位置创建位置).可以预期网格的行和列是直的,并且旋转(如果小的话).此外,我没有关于(0,0)网格位置的可靠信息.但我知道：grid_size = (4, 4) expected_distance = 105 (例外

问题

我需要使用一组候选位置(X和Y中的值)构建2D网格.然而,可能存在应该被过滤掉的假阳性候选者,以及假阴性(其中需要针对给定周围位置值的预期位置创建位置).可以预期网格的行和列是直的,并且旋转(如果小的话).

此外,我没有关于(0,0)网格位置的可靠信息.但我知道：

grID_size = (4,4)expected_distance = 105

(例外距离只是网格点之间间距的粗略估计,应允许在10％的范围内变化).

示例数据

这是理想的数据,没有误报,也没有漏报.该算法需要能够处理删除多个数据点并添加错误的数据点.

X = np.array([61.43283582,61.56626506,62.5026738,65.4028777,167.03030303,167.93965517,170.82191781,171.37974684,272.02884615,272.91089109,274.1031746,274.22891566,378.81553398,379.39534884,380.68181818,382.67164179])Y = np.array([55.14427861,160.30120482,368.80213904,263.12230216,55.1030303,263.64655172,162.67123288,371.36708861,55.59615385,264.64356436,368.20634921,158.37349398,54.33980583,160.55813953,371.72727273,266.68656716])

码

以下函数评估候选项并返回两个词典.

第一个具有每个候选位置(作为2长度元组)作为键和值是位于右侧和下方的位置的2长度元组(使用来自图像如何显示的逻辑).这些邻居本身要么是2长度的元组坐标,要么是无.

第二个字典是第一个字典的反向查找,使得每个候选者(位置)具有支持它的其他候选者位置的列表.

import numpy as npfrom collections import defaultdictdef get_neighbour_grID(X,Y,expect_dist=(105,105)):    t1 = (expect_dist[0] + expect_dist[1]) / 2.0 * 0.9    t2 = t1 * 1.222    def neighbours(x,y):        nRight = None        IDeal = x + expect_dist[0]        D = np.sqrt((X - IDeal)**2 + (Y - y)**2)        candIDate = (X[D.argmin()],Y[D.argmin()])        if candIDate != (x,y) and x + t2 > candIDate[0] > x + t1:            nRight = candIDate        nBelow = None        IDeal = y + expect_dist[0]        D = np.sqrt((X - x)**2 + (Y - IDeal)**2)        candIDate = (X[D.argmin()],y) and y + t2 > candIDate[1] > y + t1:            nBelow = candIDate        return nRight,nBelow    right_below_neighbours = dict()    def _default_val(*args):        return List()    reverse_lookup = defaultdict(_default_val)    for pos in np.arange(X.size):        pos_tuple = (X[pos],Y[pos])        n  = neighbours(*pos_tuple)        right_below_neighbours[pos_tuple] = n        reverse_lookup[n[0]].append(pos_tuple)        reverse_lookup[n[1]].append(pos_tuple)    return right_below_neighbours,reverse_lookup

这是我被卡住的地方：

如何使用这些词典和/或X和Y构建支持最多的网格？

我有一个想法,从2个邻居支持的较低的,最右边的候选者开始,并使用reverse_lookup字典迭代地创建网格.但是这种设计有几个缺陷,最明显的是我不能指望找到较低的,最右边的候选人和它的支持邻居.

代码,虽然它没有运行,因为当我意识到它有多么困难时我放弃了它(pre_grID = right_below_neighbours)：

def build_grID(pre_grID,reverse_lookup,grID_shape=(4,4)):    def _default_val(*args):        return 0    grID_pos_support = defaultdict(_default_val)    unsupported = 0    for l,b in pre_grID.values():        if l is not None:            grID_pos_support[l] += 1        else:            unsupported += 1        if b is not None:            grID_pos_support[b] += 1        else:            unsupported += 1    well_supported = List()    for pos in grID_pos_support:        if grID_pos_support[pos] >= 2:            well_supported.append(pos)    well_A = np.asarray(well_supported)    ur_pos = well_A[well_A.sum(axis=1).argmax()]    grID = np.zeros(grID_shape + (2,),dtype=np.float)    grID[-1,-1,:] = ur_pos    def _iter_build_grID(pos,ref_pos=None):        isX = pre_grID[tuple(pos)][0] == ref_pos        if ref_pos is not None:            oldCoord = map(lambda x: x[0],np.where(grID == ref_pos)[:-1])            myCoord = (oldCoord[0] - int(isX),oldCoord[1] - int(not isiX))        for p in reverse_lookup[tuple(pos)]:            _iter_build_grID(p,pos)    _iter_build_grID(ur_pos)    return grID

第一部分可能很有用,因为它总结了对每个职位的支持.它还显示了我需要的最终输出(网格)：

具有2个第一维度的3D阵列,网格的形状和具有长度2的第3维度(对于每个位置的x坐标和y坐标).

概括

所以我意识到我的尝试是如何无用的,但我不知道如何对所有候选人进行全局评估,并在任何适合的地方使用候选人的x和y值放置最受支持的网格.我希望这是一个非常复杂的问题,我真的不希望任何人给出一个完整的解决方案(尽管它会很棒),但任何类型的算法或numpy / scipy函数都可以使用的暗示非常感谢.

最后,抱歉这是一个有点冗长的问题.

编辑

绘制我想要发生的事情：

星/点是X和Y绘制的两个修改,我删除了第一个位置并添加了一个假的,以使其成为所搜索算法的完整示例.

换句话说,我想要的是映射红圈位置的新坐标值(在它们旁边写的那些),以便我可以从新坐标值获得旧坐标(例如(1,1) – >(170.82191781),162.67123288)).我还想要一些不接近真实点所描述的理想网格的点(如图所示),最后使用理想网格参数(大约为0)填充空理想网格位置(蓝色圆圈).,0) – >(55,55)).

解

我使用提供的代码@skymandr来获得理想的参数,然后执行以下 *** 作(不是最漂亮的代码,但它可以工作).这意味着我不再使用get_neighbour_grID函数了：

def build_grID(X,x_offset,y_offset,dx,dy,grID_shape=(16,24),square_distance_threshold=None):    if square_distance_threshold is None:        square_distance_threshold = ((dx + dy) / 2.0 * 0.05) ** 2    grID = np.zeros(grID_shape + (2,dtype=np.float)    D = np.zeros(grID_shape)    for i in range(grID_shape[0]):        for j in range(grID_shape[1]):            D[i,j] = i * (1 + 1.0 / (grID_shape[0] + 1)) + j    rD = D.ravel().copy()    rD.sort()    def find_valID(x,y):        d = (X - x) ** 2 + (Y - y) ** 2        valID = d < square_distance_threshold        if valID.any():            pos = d == d[valID].min()            if pos.sum() == 1:                return X[pos],Y[pos]        return x,y    x = x_offset    y = y_offset    first_loop = True    for v in rD:        #get new position        coord = np.where(D == v)        #generate a reference position already passed        if coord[0][0] > 0:            old_coord = (coord[0] - 1,coord[1])        elif coord[1][0] > 0:            old_coord = (coord[0],coord[1] - 1)        if not first_loop:            #calculate IDeal step            x,y = grID[old_coord].ravel()            x += (coord[0] - old_coord[0]) * dx            y += (coord[1] - old_coord[1]) * dy        #modify with observed point close to IDeal if exists        x,y = find_valID(x,y)        #put in grID        #print coord,grID[coord].shape        grID[coord] = np.array((x,y)).reshape(grID[coord].shape)        first_loop = False    return grID

它提出了另一个问题：如何很好地迭代2D阵列的对角线,但我认为这值得一个自己的问题：More numpy way of iterating through the ‘orthogonal’ diagonals of a 2D array

编辑

更新了解决方案代码以更好地处理更大的网格大小,以便它使用已经作为参考的相邻网格位置作为所有位置的理想坐标.仍然必须找到一种方法来实现从链接问题迭代网格的更好方法.

最佳答案这是一个相当简单和廉价的解决方案,但我不知道它有多强大.

首先,这是一种更好地估计间距的方法：

leeway = 1.10XX = X.reshape((1,X.size))dX = np.abs(XX - XX.T).reshape((1,X.size ** 2))dxs = dX[np.where(np.logical_and(dX > expected_distance / leeway,dX < expected_distance * leeway))]dx = dxs.mean()YY = Y.reshape((1,Y.size))dY = np.abs(YY - YY.T).reshape((1,Y.size ** 2))dys = dY[np.where(np.logical_and(dY > expected_distance / leeway,dY < expected_distance * leeway))]dy = dys.mean()

代码计算X和Y的内部差异,并取得所需间距的10％以内的平均值.

对于第二部分,找到网格的偏移量,可以使用类似的方法：

Ndx = np.array([np.arange(grID_size[0])]) * dxx_offsets = XX - Ndx.Tx_offset = np.median(x_offsets)Ndy = np.array([np.arange(grID_size[1])]) * dyy_offsets = YY - Ndy.Ty_offset = np.median(y_offsets)

基本上,这样做是为了让X中的每个位置“投票”NX = grID_size [0]位置,其中左下角可能是,基于X – n * dx,其中n = 0是对点本身的投票,n = 1是对左边的点dx的投票等.这样,真实原点附近的点将得到最多的投票,并且可以使用中值找到偏移.

我认为这种方法在所需的原点周围足够对称,中位数可以用于大多数(如果不是全部)情况.然而,如果存在许多误报,使得中位数由于某种原因不起作用,则可以使用例如“真实”来找到“真实”原点.直方图方法.

总结

以上是内存溢出为你收集整理的python – 从可能不完整的候选列表构建2D网格全部内容，希望文章能够帮你解决python – 从可能不完整的候选列表构建2D网格所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。