医院手机网站建设,网站导航app,昆明网站制作前十,选择网站做友情链接的标准一般是现在有一系列的图片#xff0c;图片之间可以按照z轴方向进行排列。图片经过了目标检测#xff0c;输出了一系列的检测框#xff0c;现在的需求是将检测框按类别进行合成#xff0c;以在3维上生成检测结果。
思路#xff1a;将图片按照z轴方向排列#xff0c;以z轴索引作…现在有一系列的图片图片之间可以按照z轴方向进行排列。图片经过了目标检测输出了一系列的检测框现在的需求是将检测框按类别进行合成以在3维上生成检测结果。
思路将图片按照z轴方向排列以z轴索引作为检测框的z值。等同于输入为x, y, w, h, z, class_id可以计算得到每个检测框的中心点来标定这个框x_center, y_center, z, class_id。
然后可以通过聚类算法在4维空间上进行聚类最后取出聚类出的每一类的点的xyz的最大值与最小值和class_id来生成聚类结果[x_min, y_min, z_min, x_max, y_max, z_max, class_id]。 代码展示
from sklearn.cluster import DBSCAN
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as npclass BBoxClusterv3:def __init__(self, bbox_list):self.bbox_list bbox_listself.clustering None# self.color_map plt.cm.get_cmap(hsv, len(set([bbox[5] for bbox in bbox_list])))def cluster(self, eps100, min_samples2):X [[bbox[0]bbox[2]/2, bbox[1]bbox[3]/2, bbox[4], bbox[5]] for bbox in self.bbox_list] # 中心点的xyz坐标和类别ID# breakpoint()self.clustering DBSCAN(epseps, min_samplesmin_samples).fit(X)def get_new_bbox_list(self):# self.cluster()labels self.clustering.labels_print(聚类出的类别,labels)new_bbox_list []for label in set(labels):if label ! -1: # Ignore noiseidxs np.where(labels label)[0]print(每一类的bboxes索引: ,idxs)bboxes np.array(self.bbox_list)[idxs]print(每一类的bboxes集合: ,bboxes)x_min np.min(bboxes[:, 0])y_min np.min(bboxes[:, 1])x_max np.max(bboxes[:, 0] bboxes[:, 2])y_max np.max(bboxes[:, 1] bboxes[:, 3])z_min np.min(bboxes[:, 4])z_max np.max(bboxes[:, 4])class_id bboxes[0, 5]new_bbox_list.append([x_min, y_min, z_min, x_max, y_max, z_max, class_id])return new_bbox_listdef draw_bbox_2d(self, bbox, ax):x_min, y_min, w, h, z, class_id bboxcolor self.color_map(class_id)# print(color)for xi in [x_min, x_minw]:for yi in [y_min, y_minh]:ax.plot([xi, xi], [yi, yi], [z, z], colorcolor, linestyledashed)for xi in [x_min, x_minw]:ax.plot([xi, xi], [y_min, y_minh], [z, z], colorcolor, linestyledashed)for yi in [y_min, y_minh]:ax.plot([x_min, x_minw], [yi, yi], [z, z], colorcolor, linestyledashed)def draw_bbox_3d(self, bbox, ax):x_min, y_min, z_min, x_max, y_max, z_max, class_id bboxcolor self.color_map(class_id)for xi in [x_min, x_max]:for yi in [y_min, y_max]:ax.plot([xi, xi], [yi, yi], [z_min, z_max], colorcolor)for xi in [x_min, x_max]:for zi in [z_min, z_max]:ax.plot([xi, xi], [y_min, y_max], [zi, zi], colorcolor)for yi in [y_min, y_max]:for zi in [z_min, z_max]:ax.plot([x_min, x_max], [yi, yi], [zi, zi], colorcolor)def visualize(self, bbox_listNone, new_bbox_listNone):fig plt.figure()ax fig.add_subplot(111, projection3d)for bbox in bbox_list:self.draw_bbox_2d(bbox, ax)for bbox in new_bbox_list:self.draw_bbox_3d(bbox, ax)plt.show()def draw(self):new_bbox_list self.get_new_bbox_list()print(bbox_list,new_bbox_list)self.visualize(bbox_list, new_bbox_list)def color_map(self, class_id):# 假设这里使用映射字典将类别 ID 映射到不同的颜色color_mapping {0: red, 1: blue, 2: green}return color_mapping.get(class_id, black) # 默认为黑色if __name__ __main__:bbox_list [#-------------------------##[x, y, w, h, z, class_id]##-------------------------#[100, 200, 50, 50, 0, 0],[110, 210, 50, 50, 1, 0],[120, 220, 50, 50, 2, 0],[130, 230, 50, 50, 3, 0],[140, 240, 50, 50, 4, 0],[200, 300, 60, 60, 0, 1],[210, 310, 60, 60, 1, 1],[220, 320, 60, 60, 2, 1],[300, 400, 70, 70, 6, 0],[310, 410, 70, 70, 7, 0],[320, 420, 70, 70, 8, 0],[400, 500, 80, 80, 9, 1],[410, 510, 80, 80, 10, 1],[420, 520, 80, 80, 11, 2]]bbox_cluster BBoxClusterv3(bbox_list)bbox_cluster.cluster()bbox_cluster.draw()假如有以下几类框 最终聚类效果
