如何使用python从特定像素中找到最近的x，y坐标答案

【问题标题】：How to find the nearest x,y co-ordinate from a particular pixel using python如何使用python从特定像素中找到最近的x，y坐标
【发布时间】：2018-05-15 20:24:41
【问题描述】：

我的目标是为每个像素找到最近的 x,y 点坐标。基于此，我必须为像素点着色。

这是我尝试过的，下面的代码将绘制点。

import numpy as np
import matplotlib.pyplot as plt 

points = np.array([[0,40],[0,0],[5,30],[4,10],[10,25],[20,5],[30,35],[35,3],[50,0],[45,15],[40,22],[50,40]]) 
print (points)
x1, y1 = zip(*points)
plt.plot(x1,y1,'.')
plt.show()

现在找到每个像素的最近点。我发现类似这样的东西，我必须手动给每个像素坐标，以获得最近的点。

from scipy import spatial
import numpy as np
A = np.random.random((10,2))*100
print (A)
pt = np.array([[6, 30],[9,80]])
print (pt)
for each in pt:
    A[spatial.KDTree(A).query(each)[1]] # <-- the nearest point 
    distance,index = spatial.KDTree(A).query(each)
    print (distance) # <-- The distances to the nearest neighbors
    print (index) # <-- The locations of the neighbors
    print  (A[index])

输出会是这样的，

[[1.76886192e+01 1.75054781e+01]
 [4.17533199e+01 9.94619127e+01]
 [5.30943347e+01 9.73358766e+01]
 [3.05607891e+00 8.14782701e+01]
 [5.88049334e+01 3.46475520e+01]
 [9.86076676e+01 8.98375851e+01]
 [9.54423012e+01 8.97209269e+01]
 [2.62715747e+01 3.81651805e-02]
 [6.59340306e+00 4.44893348e+01]
 [6.66997434e+01 3.62820929e+01]]
[[ 6 30]
 [ 9 80]]
14.50148095039858
8
[ 6.59340306 44.48933479]
6.124988197559344
3
[ 3.05607891 81.4782701 ]

我想从图像中获取每个像素，而不是手动给出每个点，我想找到最近的蓝点。这是我的第一个问题。

之后我想将这些点分为两类，基于像素和点我想给它上色，基本上我想在它上面做一个集群。

这不是正确的形式。但最后我想要这样。在此先感谢各位。

【问题讨论】：

标签： python matplotlib kdtree

【解决方案1】：

使用 cKDTree 代替 KDTree，后者更快（请参阅此answer）。
您可以为 kdtree 提供一个点数组以进行查询，而不是遍历所有点。
与查询相比，构建 kdtree 是一项昂贵的操作，因此构建一次并查询多次。

比较以下两个代码 sn-ps，在我的测试中，第二个的运行速度要快 x800 倍。

from timeit import default_timer as timer

np.random.seed(0)
A = np.random.random((1000,2))*100
pt = np.random.randint(0,100,(100,2))

start1 = timer()
for each in pt:
    A[spatial.KDTree(A).query(each)[1]] 
    distance,index = spatial.KDTree(A).query(each)
end1 = timer()
print end1-start1

start2 = timer()
kdt = spatial.cKDTree(A)  # cKDTree + outside construction 
distance,index = kdt.query(pt)  
A[index] 
end2 = timer()
print end2-start2

【讨论】：

【解决方案2】：

您可以为此使用 scikit-learn：

from sklearn.neighbors import KNeighborsClassifier
neigh = KNeighborsClassifier(n_neighbors=1)
labels = list(range(len(points)))
neigh.fit(points, labels) 
pred = neigh.predict(np.random.random((10,2))*50)

如果你想要点本身而不是它们的类标签，你可以这样做

points[pred]

【讨论】：