Python 在不知道簇数的情况下，基于起点和终点对线进行聚类

我使用Hough变换来检测足球场中的线条。下面是检测到的行的示例（61行）：

所有行都是

cv2.HoughLinesP

-函数的输出，并以以下格式显示为

numpy数组

：

 [x1, y1, x2, y2]

有3个不同的线组，我想分类<代码>球门线，

球门区线

和

罚球区线

。图中可见的第四行是由广告牌引起的，我想忽略这一行。 我正在努力选择集群的数量，k。这是因为当球从中线向球门区移动时，我们首先只看到一条线，即

罚球区\u线

。当球进一步向左移动时，相机可能会跟随，我们会看到更多的线。我使用以下公式计算每条线的坡度和截距：

def gradient_intercept(x1, y1, x2, y2):
   dx = x2 - x1
   dy = y2 - y1
   radius = math.atan2(-dy, dx)
   radius %= 2 * math.pi
   gradient = -math.degrees(radius)
   if gradient <= -180:
     gradient = gradient + 180
   gradient = gradient + 90
   intercept = y1 - gradient * x1

   return gradient, intercept

该函数产生以下输出：

[[0.        6.10702413 5.12577724 ... 1.11858265 0.02889456 2.02399679]
[6.10702413 0.         0.98124689 ... 7.22560678 6.07812957 4.08302733]
[5.12577724 0.98124689 0.         ... 6.24435989 5.09688267 3.10178044]
...
[1.11858265 7.22560678 6.24435989 ... 0.         1.14747721 3.14257944]
[0.02889456 6.07812957 5.09688267 ... 1.14747721 0.         1.99510223]
[2.02399679 4.08302733 3.10178044 ... 3.14257944 1.99510223 0.        ]]

接下来，我需要根据截距将这些线聚集在一起。 我假设（在4个可见簇的情况下）

通过搜索，我相信这是适合我的情况

from sklearn.cluster import DBSCAN
db = DBSCAN(eps=0.2,min_samples=2)  # minimum of two lines in order to be considered a cluster
db.fit_predict(distance_matrix)
labels = db.labels_
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)

检查

n\u集群

我有时会看到5或6的值问题：什么是eps？它是什么比例的？在我的案例中，什么是合适的值？ 第二个问题我的方法（截距->距离矩阵）正确吗

---

提前感谢

intercept=y1-梯度*x1

似乎有点可疑。您最有可能需要的是

intercept=y1-（dy/dx）*x1

。不要麻烦使用集群。只需检查两个斜率截距对是否在彼此的公差范围内。如果是的话，它们是同一条直线上的线段。也就是说，我正在写一篇关于一维聚类算法的论文，该算法应该适用于你的情况。当我提供时，我会记住你的。

  intercept_billboards > intercept_goal_line > intercept_goal_area_line > intercept_penalty_area_line

from sklearn.cluster import DBSCAN
db = DBSCAN(eps=0.2,min_samples=2)  # minimum of two lines in order to be considered a cluster
db.fit_predict(distance_matrix)
labels = db.labels_
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0)