Я работаю над изображениями для обнаружения и установки максимально возможного круга в любой свободной области изображения, содержащего распределенные частицы:
(способный обнаруживать местоположение частицы).
Одно направление - определить круг, касающийся любой трехточечной комбинации, проверяя, свободен ли круг, а затем нахожу самый большой круг среди всех пустых кругов. Однако это приводит к огромному количеству комбинаций, т.е. C(n,3)
, где n
- общее количество частиц в изображении.
Я был бы признателен, если кто-нибудь может предоставить мне какой-либо намек или альтернативный метод, который я могу исследовать.
Давайте сделаем некоторые математики моим другом, так как математика всегда будет до конца!
Википедия:
В математике диаграмма Вороного представляет собой разбиение плоскости на области на основе расстояния до точек в определенном подмножестве плоскости.
Например:
rng(1)
x=rand(1,100)*5;
y=rand(1,100)*5;
voronoi(x,y);
Самое приятное в этой диаграмме заключается в том, что если вы заметите, все ребра/вершины этих синих областей будут равны расстоянию до точек вокруг них. Таким образом, если мы знаем расположение вершин и вычисляем расстояния до ближайших точек, то мы можем выбрать вершину с наибольшим расстоянием как наш центр круга.
Интересно отметить, что края областей Вороного также определяются как окружности треугольников, порожденных триангуляцией Делоне.
Поэтому, если мы вычислим триангуляцию Деланея области и их окружения
dt=delaunayTriangulation([x;y].');
cc=circumcenter(dt); %voronoi edges
И вычислите расстояния между центрами и любой из точек, которые определяют каждый треугольник:
for ii=1:size(cc,1)
if cc(ii,1)>0 && cc(ii,1)<5 && cc(ii,2)>0 && cc(ii,2)<5
point=dt.Points(dt.ConnectivityList(ii,1),:); %the first one, or any other (they are the same distance)
distance(ii)=sqrt((cc(ii,1)-point(1)).^2+(cc(ii,2)-point(2)).^2);
end
end
Тогда мы имеем центр (cc
) и радиус (distance
) всех возможных кругов, которые не имеют точки внутри них. Нам просто нужен самый большой!
[r,ind]=max(distance); %Tada!
Теперь давайте график
hold on
ang=0:0.01:2*pi;
xp=r*cos(ang);
yp=r*sin(ang);
point=cc(ind,:);
voronoi(x,y)
triplot(dt,'color','r','linestyle',':')
plot(point(1)+xp,point(2)+yp,'k');
plot(point(1),point(2),'g.','markersize',20);
Обратите внимание, как центр круга находится на одной вершине диаграммы Вороного.
ПРИМЕЧАНИЕ: это обнаружит центр внутри [0-5], [0-5]. вы можете легко изменить его, чтобы изменить это ограничение. Вы также можете попытаться найти круг, который полностью соответствует интересующей области (в отличие от центра). Для этого потребуется небольшое добавление в конце, где будет получен максимум.
delaunayTriangulation
... это пользовательская функция? Почему бы не использовать встроенный Matlab в delaunay
?
Я хотел бы предложить другое решение на основе поиска сетки с уточнением. Это не так продвинуто, как Ander, или так короче, как rahnema1, но это должно быть очень легко следовать и понимать. Кроме того, он работает довольно быстро.
Алгоритм содержит несколько этапов:
Несколько примечаний:
while
и оптимальное начальное значение для cnt
.
function [xBest,yBest,R] = q42806059
rng(1)
x=rand(1,100)*5;
y=rand(1,100)*5;
%% Find the approximate region(s) where there exists a point farthest from all the rest:
xExtent = linspace(min(x),max(x),numel(x));
yExtent = linspace(min(y),max(y),numel(y)).';
% Create a grid:
[XX,YY] = meshgrid(xExtent,yExtent);
% Compute pairwise distance from grid points to free points:
D = reshape(min(pdist2([XX(:),YY(:)],[x(:),y(:)]),[],2),size(XX));
% Intermediate plot:
% figure(); plot(x,y,'.k'); hold on; contour(XX,YY,D); axis square; grid on;
% Remove irrelevant candidates:
D(D<prctile(D(:),95)) = NaN;
D(D > xExtent | D > yExtent | D > yExtent(end)-yExtent | D > xExtent(end)-xExtent) = NaN;
%% Keep only the region with the largest distance
L = bwlabel(~isnan(D));
[~,I] = max(table2array(regionprops('table',L,D,'MaxIntensity')));
D(L~=I) = NaN;
% surf(XX,YY,D,'EdgeColor','interp','FaceColor','interp');
%% Iterate until sufficient precision:
xExtent = xExtent(~isnan(min(D,[],1,'omitnan')));
yExtent = yExtent(~isnan(min(D,[],2,'omitnan')));
cnt = 1; % increase or decrease according to the nature of the problem
while true
% Same ideas as above, so no explanations:
xExtent = linspace(xExtent(1),xExtent(end),20);
yExtent = linspace(yExtent(1),yExtent(end),20).';
[XX,YY] = meshgrid(xExtent,yExtent);
D = reshape(min(pdist2([XX(:),YY(:)],[x(:),y(:)]),[],2),size(XX));
D(D<prctile(D(:),95)) = NaN;
I = find(D == max(D(:)));
xBest = XX(I);
yBest = YY(I);
if nanvar(D(:)) < 1E-10 || cnt == 10
R = D(I);
break
end
xExtent = (1+[-1 +1]*10^-cnt)*xBest;
yExtent = (1+[-1 +1]*10^-cnt)*yBest;
cnt = cnt+1;
end
% Finally:
% rectangle('Position',[xBest-R,yBest-R,2*R,2*R],'Curvature',[1 1],'EdgeColor','r');
Результатом, который я получаю для данных примера Ander, является [x,y,r] = [0.7832, 2.0694, 0.7815]
(что то же самое). Время выполнения составляет около половины решения Ander.
Контур наибольшего (прозрачного) расстояния от точки до множества всех предоставленных точек:
После рассмотрения расстояния от границы, сохраняя только верхние 5% удаленных точек и рассматривая только область, которая содержит наибольшее расстояние (кусок поверхности представляет сохраненные значения):
И наконец:
Тот факт, что эта проблема может быть решена с помощью "прямого поиска" (как можно видеть в другом ответе), означает, что можно рассматривать это как глобальная оптимизация. Существуют различные способы решения таких проблем, каждый из которых подходит для определенных сценариев. Из моего личного любопытства я решил решить эту проблему с помощью генетического алгоритма.
Вообще говоря, такой алгоритм требует, чтобы мы рассматривали решение как набор "генов", подверженных "эволюции" при определенной "функции пригодности". Как это бывает, довольно легко определить гены и функцию фитнеса в этой проблеме:
x
, y
, r
.r
(или минимальному -r
, поскольку алгоритм требует минимизации функции).r
больше, чем евклидово расстояние до ближайшей из предоставленных точек (т.е. круг содержит точку), организм "умирает".Ниже приведена базовая реализация такого алгоритма ( "базовая", потому что она полностью неоптимизирована, и в этой задаче есть много возможностей для оптимизации no pun).
function [x,y,r] = q42806059b(cloudOfPoints)
% Problem setup
if nargin == 0
rng(1)
cloudOfPoints = rand(100,2)*5; % equivalent to Ander initialization.
end
%{
figure(); plot(cloudOfPoints(:,1),cloudOfPoints(:,2),'.w'); hold on; axis square;
set(gca,'Color','k'); plot(0.7832,2.0694,'ro'); plot(0.7832,2.0694,'r*');
%}
nVariables = 3;
options = optimoptions(@ga,'UseVectorized',true,'CreationFcn',@gacreationuniform,...
'PopulationSize',1000);
S = max(cloudOfPoints,[],1); L = min(cloudOfPoints,[],1); % Find geometric bounds:
% In R2017a: use [S,L] = bounds(cloudOfPoints,1);
% Here we also define distance-from-boundary constraints.
g = ga(@(g)vectorized_fitness(g,cloudOfPoints,[L;S]), nVariables,...
[],[], [],[], [L 0],[S min(S-L)], [], options);
x = g(1); y = g(2); r = g(3);
%{
plot(x,y,'ro'); plot(x,y,'r*');
rectangle('Position',[x-r,y-r,2*r,2*r],'Curvature',[1 1],'EdgeColor','r');
%}
function f = vectorized_fitness(genes,pts,extent)
% genes = [x,y,r]
% extent = [Xmin Ymin; Xmax Ymax]
% f, the fitness, is the largest radius.
f = min(pdist2(genes(:,1:2), pts, 'euclidean'), [], 2);
% Instant death if circle contains a point:
f( f < genes(:,3) ) = Inf;
% Instant death if circle is too close to boundary:
f( any( genes(:,3) > genes(:,1:2) - extent(1,:) | ...
genes(:,3) > extent(2,:) - genes(:,1:2), 2) ) = Inf;
% Note: this condition may possibly be specified using the A,b inputs of ga().
f(isfinite(f)) = -genes(isfinite(f),3);
%DEBUG:
%{
scatter(genes(:,1),genes(:,2),10 ,[0, .447, .741] ,'o'); % All
z = ~isfinite(f); scatter(genes(z,1),genes(z,2),30,'r','x'); % Killed
z = isfinite(f); scatter(genes(z,1),genes(z,2),30,'g','h'); % Surviving
[~,I] = sort(f); scatter(genes(I(1:5),1),genes(I(1:5),2),30,'y','p'); % Elite
%}
И здесь график "временного прохода" из 47 поколений типичного запуска:
(Там, где синие точки являются текущим поколением, красные кресты являются "убитыми инста" организмами, зеленые гексаграммы являются "не-insta-убитыми" организмами, а красный круг обозначает назначение).
Вы можете использовать bwdist из Image Processing Toolbox для вычисления преобразования расстояния изображения. Это можно рассматривать как метод создания диаграммы ворона, хорошо объясненный в ответе @AnderBiguri.
img = imread('AbmxL.jpg');
%convert the image to a binary image
points = img(:,:,3)<200;
%compute the distance transform of the binary image
dist = bwdist(points);
%find the circle that has maximum radius
radius = max(dist(:));
%find position of the circle
[x y] = find(dist == radius);
imshow(dist,[]);
hold on
plot(y,x,'ro');
bwdist
выглядят очень трогательно
imread
, верно? то есть это работает: img = imread('https://i.stack.imgur.com/AbmxL.jpg');
Я не привык к обработке изображений, поэтому это просто идея:
Реализуйте что-то вроде gaussian filter (blur), который преобразует каждую частицу (пиксели) в округлый градиент с r = image_size (все они перекрываются). Таким образом, вы должны получить изображение, где лучшие белые пиксели должны быть лучшими результатами. К сожалению, демонстрация в gimp не удалась, потому что крайняя размытость заставила точки исчезнуть.
В качестве альтернативы вы можете увеличивать все существующие пиксели, помещая все соседние пиксели в области (пример: r = 4), причем левые пиксели будут одинаковыми (те, у которых наибольшее расстояние до любого пикселя)
n
частицами внутри, иначе самый большой круг этоr=Inf
. Или вы имеете в виду самый большой круг, содержащий максимумn
частиц?