Question

在我之前关于finding toes within each paw的问题之后，我开始加载其他测量值，以了解它是如何阻止的。不幸的是，我很快就遇到了上述步骤之一的问题：识别爪子。

你知道，我的概念证明基本上是随着时间的推移，每个传感器的最大压力，并开始寻找每一行的总和，直到它找到！= 0.0。然后它对列进行相同的操作，一旦找到超过2行，再次为零。它将最小和最大行和列值存储到某个索引。

alt text

如图所示，在大多数情况下，这种方法效果很好。然而，这种方法有很多缺点（除了非常原始）：

人类可以拥有“空心脚”，这意味着足迹内部有几排空行。因为我担心这种情况也会发生在（大）狗身上，所以在切断爪子之前，我等待至少2或3个空行。

如果另一个联系人在到达几个空行之前在另一个列中进行了联系，则会产生问题，从而扩展了该区域。我想我可以比较各列，看看它们是否超过某个值，它们必须是单独的爪子。
当狗很小或走得更快时，问题就会变得更糟。发生的事情是前爪的脚趾仍在接触，而后爪的脚趾刚刚开始与前爪在同一区域内接触！

使用我的简单脚本，它将无法拆分这两个，因为它必须确定该区域的哪些帧属于哪个爪子，而目前我只需要查看所有帧的最大值

它开始出错的例子：

alt text

所以现在我正在寻找一种更好的方法来识别和分离爪子（之后我会遇到决定它是哪个爪子的问题！）。

更新

我一直在修补Joe的（真棒！）答案，但是我在从文件中提取实际的爪子数据时遇到了困难。

alt text

当应用于最大压力图像时，coded_paws显示了所有不同的爪子（见上文）。但是，解决方案遍历每个帧（以分隔重叠的爪子）并设置四个Rectangle属性，例如坐标或高度/宽度。

我无法弄清楚如何获取这些属性并将它们存储在一些我可以应用于测量数据的变量中。因为我需要知道每个爪子，它在哪个框架中的位置是什么，并将它连接到哪个爪子（前/后，左/右）。

那么如何使用“矩形”属性为每个爪子提取这些值？

我在公共Dropbox文件夹（example 1，example 2，example 3）中的问题设置中使用了测量值。 For anyone interested I also set up a blog让您了解最新信息： - ）

Answer 1

如果您只是想要（半）连续区域，那么在Python中已经有了一个简单的实现：SciPy的ndimage.morphology模块。这是一个相当常见的image morphology操作。

基本上，您有5个步骤：

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

稍微模糊输入数据以确保爪子具有连续的足迹。（使用更大的内核（structure kwarg到各种scipy.ndimage.morphology函数）会更有效率但是由于某种原因这不太正常......）
< / LI>
阈值数组，以便你有一个布尔数组的压力超过某个阈值的地方（即thresh = data > value）
填充任何内部孔，以便您拥有更清晰的区域（filled = sp.ndimage.morphology.binary_fill_holes(thresh)）
找到单独的连续区域（coded_paws, num_paws = sp.ndimage.label(filled)）。这将返回一个数组，其中的区域由数字编码（每个区域是一个唯一整数的连续区域（1到爪子的数量），其他地方都是零）。
使用data_slices = sp.ndimage.find_objects(coded_paws)隔离连续区域。这将返回slice个对象的元组列表，因此您可以使用[data[x] for x in data_slices]获取每个爪子的数据区域。相反，我们将根据这些切片绘制一个矩形，这需要更多的工作。

下面的两个动画显示了您的“重叠爪子”和“Grouped Paws”示例数据。这种方法似乎工作得很好。（无论它的价值如何，这比我机器上的GIF图像运行得更顺畅，所以爪子检测算法相当快......）

Overlapping Paws Grouped Paws

这是一个完整的例子（现在有更详细的解释）。绝大多数是阅读输入和制作动画。实际的爪子检测只有5行代码。

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')

更新：至于在什么时间确定哪个爪子与传感器接触，最简单的解决方案是进行相同的分析，但一次使用所有数据。（即将输入堆叠成3D数组，并使用它，而不是单独的时间帧。）因为SciPy的ndimage函数用于处理n维数组，所以我们不必修改原始的paw-finding函数一点都不。

# 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')

alt text

Answer 2

我不是图像检测专家，我不懂Python，但我会给它一个打击......

要检测单个爪子，首先应选择压力大于某个小阈值的所有物体，非常接近无压力。应该“标记”高于此值的每个像素/点。然后，与所有“标记”像素相邻的每个像素被标记，并且该过程重复几次。将形成完全连接的质量，因此您有不同的对象。然后，每个“对象”都有一个最小和最大的x和y值，因此可以在它们周围整齐地打包边界框。

伪代码：

(MARK) ALL PIXELS ABOVE (0.5)

(MARK) ALL PIXELS (ADJACENT) TO (MARK) PIXELS

REPEAT (STEP 2) (5) TIMES

SEPARATE EACH TOTALLY CONNECTED MASS INTO A SINGLE OBJECT

MARK THE EDGES OF EACH OBJECT, AND CUT APART TO FORM SLICES.

应该这样做。

Answer 3

注意：我说像素，但这可能是使用平均像素的区域。优化是另一个问题......

听起来你需要分析每个像素的一个函数（压力随时间变化）并确定where the function turns（当它改变＆gt; X在另一个方向上时，它被视为转向反击错误）。

如果你知道它转动的是什么样的框架，你就会知道压力最大的框架，你会知道两只爪子之间的硬度最小。从理论上讲，你可以知道爪子压得最厉害的两个框架，可以计算出这些间隔的平均值。

之后我会遇到决定它是哪个爪子的问题！

这是与以前相同的旅行，知道每个爪子施加最大压力的时间有助于你决定。

如何改善我的爪子检测？

3 个答案: