我在帮助一家兽医诊所测量狗爪下的压力。我使用Python进行数据分析，现在我正试图将爪子划分为(解剖学上的)子区域。
我为每个爪子制作了一个2D数组，其中包括爪子随时间加载的每个传感器的最大值。这里有一个单爪的例子，我使用Excel绘制我想要“检测”的区域。传感器周围是2 * 2的方框带有局部最大值，它们加起来的和最大。
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，不能只看一个方向)。这似乎能很好地“检测”到不同脚趾的位置，但也能标记出相邻的传感器。
那么告诉Python哪些最大值是我想要的最好方法是什么呢?
注意:2x2的方块不能重叠，因为它们必须是分开的脚趾!
此外，我选择了2x2作为方便，任何更高级的解决方案都是受欢迎的，但我只是一个人类运动科学家，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”。
下面是一个可以用np.loadtxt加载的版本
结果
所以我尝试了@jextee的解决方案(见下面的结果)。正如你所看到的，它对前爪很有效，但对后腿就不那么有效了。
更具体地说，它无法识别第四个脚趾的小峰。这显然是固有的事实，即循环从上向下看最低值，而不考虑它在哪里。
有没有人知道如何调整@jextee的算法，让它也能找到第四个脚趾?
因为我还没有处理其他的试验，所以我无法提供其他的样品。但我之前给出的数据是每个爪子的平均值。这个文件是一个数组，其中包含9只爪子的最大数据，按照它们与盘子接触的顺序排列。
这张照片显示了它们在空间上是如何分布在板块上的。
更新:
我已经为任何感兴趣的人建立了一个博客，我已经设置了一个OneDrive与所有的原始测量。因此，对于任何要求更多数据的人:给你更多力量!
新更新:
所以在我得到关于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，除了像我自己例子中那样大的爪子，它在其他地方都不太管用。当然，事后看来，是我自己的错，我这么武断地选择了2x2。
这里有一个很好的例子，它错在哪里:指甲被识别为脚趾，而“脚跟”太宽了，它被识别了两次!
爪子太大了，所以采用没有重叠的2x2尺寸，会导致一些脚趾被检测两次。反过来，在小型犬中，它经常找不到第5个脚趾，我怀疑这是由于2x2面积太大造成的。
在对我所有的测量都尝试了当前的解决方案后，我得出了一个惊人的结论，几乎所有的小狗都没有发现第5个脚趾，而在超过50%的大型狗的冲击中，它会发现更多!
显然我需要改变它。我自己的想法是改变社区的大小，让小狗住的地方更小，大狗住的地方更大。但是generate_binary_structure不允许我改变数组的大小。
因此，我希望其他人有更好的建议来定位脚趾，也许是脚趾面积与爪子大小的比例?
我用局部最大滤波器检测了峰值。下面是你的第一个4个爪子数据集的结果:
我还在9个爪子的第二个数据集上运行了它，效果也很好。
你可以这样做:
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()
之后你所需要做的就是在蒙版上使用scipy. nmage .measurements.label来标记所有不同的对象。然后你就可以单独和他们玩了。
注意，该方法工作得很好，因为背景没有噪声。如果是的话，你会在背景中检测到一堆其他不想要的峰。另一个重要因素是社区的大小。如果峰值大小发生变化，您将需要调整它(应该保持大致成比例)。
