Python 从二维点查找边

我有几组分散的2d数据，我想找到它们的边缘。某些边可能是开放线，其他边可能是多边形

例如，这里有一个图有一个开放的边缘，我希望能够保持。实际上，我想从开放边创建一个多边形，这样我就可以使用

point\u in\u poly

来检查是否有另一个点在里面。关闭多边形的点是绘图区域的边界，顺便说一句。

关于从哪里开始有什么想法吗

编辑：

以下是我已经尝试过的：

来自sklearn的KernelDensity。边缘点密度变化很大，无法与大部分点完全区分

kde = KernelDensity()  
kde.fit(my_data)  
dens = np.exp(kde.score_samples(ds))  
dmax = dens.max()  
dens_mask = (0.4 * dmax < dens) & (dens < 0.8 * dmax)  
ax.scatter(ds[dens_mask, 0], ds[dens_mask, 1], ds[dens_mask, 2],  
c=dens[dens_mask], depthshade=False, marker='o', edgecolors='none')  

理想情况下，凸面外壳的目标是最大化外壳内部的面积，同时只保留集内的感兴趣点，但我还无法编写此代码

sklearn.cluster中的KMeans（）。使用n=3个簇，我试着用默认设置运行类，得到了三组水平点。我还没有学会如何训练数据来识别形成边缘的点

这是数据点来自的模型的一部分。实心区域包含点，而空心区域不包含点

---

，以及我问过的其他一些问题，这些问题显示了我所看到的更多内容。

因此我能够以一种迂回的方式完成这项工作

我使用SolidWorks生成的xy平面模型切片图像来区分感兴趣的区域

如果你看到它们，我在模型中放置的图片角落中有一些点，以已知距离作为参考。这些点允许我确定每毫米的像素数。从那里，我将分析集中的点映射到像素，并检查像素的颜色。如果像素是白色的，它将被遮罩

def mask_z_level(xi, yi, msk_img, x0=-14.3887, y0=5.564):
    im = plt.imread(msk_img)
    msk = np.zeros(xi.shape, dtype='bool')

    pxmm = np.zeros((3, 2))
    p = 0

    for row in range(im.shape[0]):
        for col in range(im.shape[1]):
            if tuple(im[row, col]) == (1., 0., 0.):
                pxmm[p] = (row, col)
                p += 1

    pxx = pxmm[1, 1] / 5.5
    pxy = pxmm[2, 0] / 6.5
    print(pxx, pxy)

    for j in range(xi.shape[1]):
        for i in range(xi.shape[0]):
            x, y = xi[i, j], yi[i, j]
            dx, dy = x - x0, y - y0
            dpx = np.round(dx * pxx).astype('int')
            dpy = -np.round(dy * pxy).astype('int')

            if tuple(im[dpy, dpx]) == (1., 1., 1.):
                msk[i, j] = True

    return msk

以下是显示遮罩效果的曲线图：

我仍然在微调边界，但我有一个非常容易管理的任务，现在面具已经基本完成。原因是某些遮罩点不正确，导致带状

---

所以我能够以一种迂回的方式完成这项工作

我使用SolidWorks生成的xy平面模型切片图像来区分感兴趣的区域

如果你看到它们，我在模型中放置的图片角落中有一些点，以已知距离作为参考。这些点允许我确定每毫米的像素数。从那里，我将分析集中的点映射到像素，并检查像素的颜色。如果像素是白色的，它将被遮罩

def mask_z_level(xi, yi, msk_img, x0=-14.3887, y0=5.564):
    im = plt.imread(msk_img)
    msk = np.zeros(xi.shape, dtype='bool')

    pxmm = np.zeros((3, 2))
    p = 0

    for row in range(im.shape[0]):
        for col in range(im.shape[1]):
            if tuple(im[row, col]) == (1., 0., 0.):
                pxmm[p] = (row, col)
                p += 1

    pxx = pxmm[1, 1] / 5.5
    pxy = pxmm[2, 0] / 6.5
    print(pxx, pxy)

    for j in range(xi.shape[1]):
        for i in range(xi.shape[0]):
            x, y = xi[i, j], yi[i, j]
            dx, dy = x - x0, y - y0
            dpx = np.round(dx * pxx).astype('int')
            dpy = -np.round(dy * pxy).astype('int')

            if tuple(im[dpy, dpx]) == (1., 1., 1.):
                msk[i, j] = True

    return msk

以下是显示遮罩效果的曲线图：

我仍然在微调边界，但我有一个非常容易管理的任务，现在面具已经基本完成。原因是某些遮罩点不正确，导致带状

---

尝试图像处理标签；他们一直在处理这类发现。：-）你要做的是找到一组点的“凸包”。你可以使用很多方法来实现这一点。看起来你的图中有一些结构。有可能利用这一点吗？或者这是一个非典型的例子？在这里，您似乎只对最左边的边缘感兴趣。这是一般的吗？Scipy可以帮你找到凸面外壳：是的，但那条线不是凸面外壳。OP想要接近点的东西，即使它们的“边缘”不是凸的；他们一直在处理这类发现。：-）你要做的是找到一组点的“凸包”。你可以使用很多方法来实现这一点。看起来你的图中有一些结构。有可能利用这一点吗？或者这是一个非典型的例子？在这里，您似乎只对最左边的边缘感兴趣。这是一般的吗？Scipy可以帮你找到凸面外壳：是的，但那条线不是凸面外壳。OP想要接近点的东西，即使它们的“边”不是凸的。