Mam rastrowe siedliska ekologiczne, które przekonwertowałem na dwuwymiarową tablicę Python numpy (tablica przykładowa poniżej). Mam również tablicę zawierającą regiony "seed" z unikalnymi wartościami (seed_array poniżej), które chciałbym użyć do klasyfikacji moich regionów habitatu. Chciałbym, aby "wyhodował" moje regiony nasienne "na" moje regiony siedliskowe, tak aby siedliska miały przypisany identyfikator najbliższego obszaru nasiennego, mierzony "przez" rejony siedlisk. Na przykładKlasyfikowanie tablicy Pythona według najbliższego regionu "seed"?
My najlepsze podejście użyto funkcji ndimage.distance_transform_edt
utworzyć tablicę przedstawiających najbliższe „ziarno” region każdej komórki do zbioru danych, który następnie podstawiony powrót do tablicy siedliska. To nie działa szczególnie dobrze, jednak, jak ta funkcja nie mierzyć odległości „do” moich regionach siedlisk, na przykład, poniżej, gdzie czerwony okrąg reprezentuje nieprawidłowo sklasyfikowany komórek:
Poniżej przedstawiamy przykładowy tablice dla moich danych dotyczących siedlisk i nasion oraz przykład tego, czego szukam. Moje rzeczywiste zbiory danych są znacznie większe - ponad milion siedlisk/regionów nasion. Każda pomoc będzie doceniona!
import numpy as np
import scipy.ndimage as ndimage
import matplotlib.pyplot as plt
# Sample study area array
example_array = np.array([[0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1],
[0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1],
[0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0],
[1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1],
[1, 1, 0, 1, 0, 0, 0, 0, 1, 1, 1, 1],
[1, 1, 1, 1, 0, 0, 1, 1, 1, 0, 0, 1],
[1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0],
[1, 1, 1, 1, 0, 0, 1, 1, 1, 0, 0, 0],
[1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
[1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])
# Plot example array
plt.imshow(example_array, cmap="spectral", interpolation='nearest')
seed_array = np.array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 4, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 3, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 1, 1, 1, 0, 0, 2, 2, 0, 0, 0, 0],
[0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])
# Plot seeds
plt.imshow(seed_array, cmap="spectral", interpolation='nearest')
desired_output = np.array([[0, 0, 0, 0, 4, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 4, 4, 4, 0, 0, 0, 3, 3, 3],
[0, 0, 0, 0, 4, 4, 0, 0, 0, 3, 3, 3],
[0, 0, 0, 0, 0, 0, 0, 0, 3, 0, 3, 0],
[1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 3, 3],
[1, 1, 0, 1, 0, 0, 0, 0, 2, 2, 3, 3],
[1, 1, 1, 1, 0, 0, 2, 2, 2, 0, 0, 3],
[1, 1, 1, 1, 1, 2, 2, 2, 2, 0, 0, 0],
[1, 1, 1, 1, 0, 0, 2, 2, 2, 0, 0, 0],
[1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
[1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])
# Plot desired output
plt.imshow(desired_output, cmap="spectral", interpolation='nearest')
Czy próbowałeś zastosować iteracyjne podejście, w którym stopniowo powiększasz każdy obszar nasienny, przesuwając o jeden kwadrat "na zewnątrz" od centrum naraz i zatrzymując się, gdy napotkasz już przypisane komórki? – BrenBarn
Myślałem o próbowaniu czegoś podobnego, ale myślę, że może to być trudne podejście, biorąc pod uwagę, że moje zbiory danych są bardzo duże - ponad milion siedlisk łatek/regionów nasion. Odpowiednio zaktualizowałem pytanie. –