在Python中按位置对坐标点列表进行有效分组
给定二维网格上的X、Y坐标点列表，创建相邻坐标点组列表的最有效算法是什么 例如，给定由网格（15x15）上两个非相邻正方形（3x3）组成的点列表，该算法的结果将是两组点对应于两个正方形在Python中按位置对坐标点列表进行有效分组,python,algorithm,grid,Python,Algorithm,Grid,给定二维网格上的X、Y坐标点列表，创建相邻坐标点组列表的最有效算法是什么 例如，给定由网格（15x15）上两个非相邻正方形（3x3）组成的点列表，该算法的结果将是两组点对应于两个正方形 我想您可以使用泛洪填充算法，但对于1024大小的大型2D阵列来说，这似乎有些过分，效率也不是很高。不清楚您所说的“相邻坐标点组”是什么意思。您的两个不相邻的3x3正方形示例表明您正在寻找所谓的 有许多实现可以提取连接的组件。以下是一些指南 然而，我已经实现了这种blob检测器，如果你想获得学习经验的话，写它
我想您可以使用泛洪填充算法，但对于1024大小的大型2D阵列来说，这似乎有些过分，效率也不是很高。不清楚您所说的“相邻坐标点组”是什么意思。您的两个不相邻的3x3正方形示例表明您正在寻找所谓的 有许多实现可以提取连接的组件。以下是一些指南 然而，我已经实现了这种blob检测器，如果你想获得学习经验的话，写它们并不难。如果没有，那么我将使用最成熟的库，如OpenCV，如果您需要的话，使用他们的Python API
另外，你提到了“效率”。请注意，这些算法有单通和双通版本。顾名思义，单次传递通常更有效，因为它只需要单次传递数据。如果网格非常大，可能需要这样做。可以对所有坐标点进行散列（例如，使用python中的字典结构），然后对每个坐标点的相邻点进行散列，以找到相邻点对并“合并”它们。此外，对于每个点，可以维护指向该点所属连接组件的指针（使用字典结构），对于每个连接组件，可以维护属于该组件的点列表
然后，当散列点的邻居并找到匹配项时，合并点所属的两个连接组件集，并更新联合集中所有新点的组指针。您可以显示只需对所有点的所有邻居进行一次散列，这将找到所有连接的组件，而且，如果在合并两个连接的组件集时更新两个连接的组件集中较小的组件集的指针，则运行时的点数将是线性的。，这是一个图像处理操作。如果您使用图像处理库（又称“skimage”），这将很容易。处理海量数据的速度最终会变慢，但1024x1024算不了什么 [1]中的
：将numpy作为np导入
在[2]中：导入撇渣
在[3]中：x=[0,1,2,0,1,2,0,1,2，-3，-2，-1，-3，-2，-1，-3，-2，-1]
在[4]中：y=[0,0,0,1,1,2,2,2，-3，-3，-2，-2，-1，-1]
在[5]中：稠密=np.零（（9,9），dtype=布尔）
[6]中：稠密[y，x]=真
In[7]：打印（密集）
[[True-True-False-False-False]
[真假假假假]
[真假假假假]
[假假假假假假假]
[假假假假假假假]
[假假假假假假假]
[假假假假真真]
[假假假假真真]
[假假假假真真]]
[8]中：标记=撇渣.形态学.标记（稠密）
在[9]中：打印（带标签）
[[1 1 1 0 0 0 0 0 0]
[1 1 1 0 0 0 0 0 0]
[1 1 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 0]
[0 0 0 0 0 0 2 2 2]
[0 0 0 0 0 0 2 2 2]
[0 0 0 0 0 0 2 2 2]]
在[10]中：coords_yx={i:（labeled==i）.nonzero（）表示范围（1，labeled.max（）+1）}
在[11]中：coords_yx
出[11]：
{1:（数组（[0,0,0,1,1,1,2,2]），数组（[0,1,2,0,1,2,0]），
2：（数组（[6,6,6,7,7,7,8,8]），数组（[6,7,8,6,7,8]））