我正在帮助一家 vert 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。

我为每个爪子制作了一个二维数组，其中包含爪子随时间加载的每个传感器的最大值。这是一只爪子的示例，我使用 Excel 绘制了我想要“检测”的区域。这些是传感器周围的 2 x 2 框，具有局部最大值，它们的总和最大。

所以我尝试了一些实验，并决定简单地寻找每一列和每一行的最大值(由于爪子的形状，不能朝一个方向看)。这似乎可以很好地“检测”分离脚趾的位置，但它也标记了相邻的传感器。

那么，告诉 Python 哪些最大值是我想要的最好的方法是什么？

注意:2x2 方格不能重叠，因为它们必须是分开的脚趾!

另外，为了方便起见，我采用了 2x2，欢迎任何更高级的解决方案，但我只是一名人体运动科学家，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 version that can be loaded with np.loadtxt

结果

所以我尝试了@jextee 的解决方案(见下面的结果)。如您所见，它在前爪上效果很好，但对后腿效果较差。

更具体地说，它无法识别第四个脚趾的小峰。这显然是循环自上而下朝向最低值这一事实所固有的，而没有考虑到它在哪里。

有人知道如何调整@jextee 的算法，让它也能找到第四个脚趾吗？

由于我还没有处理任何其他试验，我无法提供任何其他 sample 。但我之前给出的数据是每只爪子的平均值。该文件是一个数组，其中最大数据为 9 只爪子，按它们与板接触的顺序排列。

这张图片显示了它们是如何在空间上分布在盘子上的。

更新:

I have set up a blog for anyone interested 和 I have setup a OneDrive with all the raw measurements.所以对于任何需要更多数据的人来说:给你更多的权力!

新的更新:

因此，在获得有关 paw detection 的问题的帮助后和 paw sorting ，我终于能够检查每个爪子的脚趾检测!事实证明，除了像我自己的例子中那样大小的爪子外，它在任何东西上都不能很好地发挥作用。事后看来，这是我自己的错，如此武断地选择了 2x2。

这里有一个很好的例子来说明它出错的地方:一个指甲被识别为脚趾，而“脚跟”太宽了，它被识别了两次!

爪子太大，因此采用没有重叠的 2x2 大小，会导致某些脚趾被检测到两次。反过来，在小型犬中，它经常找不到第五个脚趾，我怀疑这是由于 2x2 区域太大造成的。

在 trying the current solution on all my measurements 之后我得出了一个惊人的结论，几乎我所有的小型犬都没有找到第五个脚趾，而大型犬在超过 50% 的撞击中会发现更多!

很明显我需要改变它。我自己的猜测是将 neighborhood 的大小更改为适合小型犬的较小尺寸和较大尺寸的大型犬。但是 generate_binary_structure 不允许我更改数组的大小。

因此，我希望其他人对定位脚趾有更好的建议，也许脚趾面积与爪子大小有关？

最佳答案

我使用局部最大值过滤器检测到峰值。这是您的第一个 4 爪子数据集的结果:

我还在第二个 9 爪子数据集和 it worked as well 上运行它.

这是你的做法:

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()

您需要做的就是在掩码上使用 scipy.ndimage.measurements.label 来标记所有不同的对象。然后你就可以单独和他们一起玩了。

注意该方法效果很好，因为背景没有嘈杂。如果是这样，您将在背景中检测到一堆其他不需要的峰。另一个重要因素是社区的大小。如果峰值大小发生变化，您将需要对其进行调整(应该保持大致成比例)。

关于python - 二维阵列中的峰值检测，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/3684484/