Python-二维阵列中的峰值检测

Question

我正在帮助兽医诊所测量狗爪下的压力。我使用Python进行数据分析，现在我被困在试图将爪子分成（解剖）子区域。

我制作了每个爪子的2D数组，其中包含爪子随时间推移已加载的每个传感器的最大值。这是一个爪子的示例，我使用Excel绘制了要“检测”的区域。这些是传感器周围具有最大最大值的2 x 2框，它们的总和最大。

因此，我尝试了一些实验，并决定只寻找每一列和每一行的最大值（由于爪子的形状而无法朝一个方向看）。这似乎可以很好地“检测”到各个脚趾的位置，但是它也标记了相邻的传感器。

那么，告诉Python我想要的最大最大值是什么？

注意：2x2的正方形不能重叠，因为它们必须是单独的脚趾！

同样我以2x2为方便，欢迎使用任何更高级的解决方案，但我只是人类运动的科学家，所以我既不是真正的程序员也不是数学家，所以请保持“简单”。

这是可以加载的版本np.loadtxt

结果
因此，我尝试了@jextee的解决方案（请参见下面的结果）。如您所见，它在前爪上非常有效，但在后腿上效果较差。

更具体地说，它无法识别出第四脚趾的小峰。显然，这是回路从上向下朝着最低值而不考虑这在哪里的事实所固有的。

谁会知道如何调整@jextee的算法，以便它也能够找到第四个脚趾？

由于我尚未处理其他任何试验，因此无法提供任何其他样品。但是我之前提供的数据是每只爪子的平均值。该文件是一个数组，其中最大9爪的数据按它们与板接触的顺序排列。

此图显示了它们如何在空间上分布在板上。

新更新：
因此，在获得有关爪子检测和爪子分类的问题的帮助后，我终于能够检查每个爪子的脚趾检测！事实证明，除了爪子大小像我自己的示例中的爪子一样，它在任何情况下都无法正常工作。事后看来，如此随意地选择2x2是我自己的错。

这是一个出问题的好例子：指甲被识别为脚趾，而“脚跟”是如此之宽，被识别两次！

脚掌太大，因此采用2x2大小且没有重叠的脚掌会使两次脚趾被检测到两次。相反，在小型犬中，它通常找不到第5个脚趾，我怀疑这是2x2区域太大造成的。

在尝试了所有解决方案的最新解决方案后，我得出了一个惊人的结论：几乎对我所有的小型犬来说，它都找不到第五个脚趾，而在大型犬的50％以上的撞击中，它会发现更多！

所以很明显我需要更改它。我自己的猜测是将大小更改neighborhood为小型犬较小，大型犬较大。但是generate_binary_structure不允许我更改数组的大小。

因此，我希望其他人对脚趾的定位有更好的建议，也许脚趾的面积与爪子的大小成正比？

Answer 1

我使用局部最大滤波器检测到峰值。这是第一个4个爪子的数据集的结果：

我还在9个爪子的第二个数据集上运行了它，效果也很好。

这是你的操作方式：

import numpy as np
from scipy.ndimage.filters import maximum_filter
from scipy.ndimage.morphology import generate_binary_structure, binary_erosion
import matplotlib.pyplot as pp

#for some reason I had to reshape. Numpy ignored the shape header.
paws_data = np.loadtxt("paws.txt").reshape(4,11,14)

#getting a list of images
paws = [p.squeeze() for p in np.vsplit(paws_data,4)]


def detect_peaks(image):
    """
    Takes an image and detect the peaks usingthe local maximum filter.
    Returns a boolean mask of the peaks (i.e. 1 when
    the pixel's value is the neighborhood maximum, 0 otherwise)
    """

    # define an 8-connected neighborhood
    neighborhood = generate_binary_structure(2,2)

    #apply the local maximum filter; all pixel of maximal value 
    #in their neighborhood are set to 1
    local_max = maximum_filter(image, footprint=neighborhood)==image
    #local_max is a mask that contains the peaks we are 
    #looking for, but also the background.
    #In order to isolate the peaks we must remove the background from the mask.

    #we create the mask of the background
    background = (image==0)

    #a little technicality: we must erode the background in order to 
    #successfully subtract it form local_max, otherwise a line will 
    #appear along the background border (artifact of the local maximum filter)
    eroded_background = binary_erosion(background, structure=neighborhood, border_value=1)

    #we obtain the final mask, containing only peaks, 
    #by removing the background from the local_max mask (xor operation)
    detected_peaks = local_max ^ eroded_background

    return detected_peaks


#applying the detection and plotting results
for i, paw in enumerate(paws):
    detected_peaks = detect_peaks(paw)
    pp.subplot(4,2,(2*i+1))
    pp.imshow(paw)
    pp.subplot(4,2,(2*i+2) )
    pp.imshow(detected_peaks)

pp.show()

你需要做的就是scipy.ndimage.measurements.label在蒙版上使用以标记所有不同的对象。这样你就可以分别与他们一起玩了。

请注意，该方法效果很好，因为背景不嘈杂。如果是这样，你将在背景中检测到许多其他不需要的峰。另一个重要因素是邻里的大小。如果峰大小发生变化，则需要对其进行调整（应保持大致成比例）。