如何基于高程对二维网格数据进行连续聚类（最小簇规模4）

核心思路：区域生长算法 #

区域生长是适配这类连续区域+属性相似性聚类需求的最优方案之一，核心逻辑：

• 从未标记的网格点出发，将相邻（4邻/8邻）且高程差异在阈值内的点纳入当前簇
• 簇生长完成后，仅保留点数≥4的有效簇，小簇可选择丢弃或合并到邻近相似簇

关键实现步骤 #

• 1. 预处理：将二维高程数组转为可遍历网格，初始化访问标记矩阵
• 2. 遍历未访问点，启动区域生长：
  • 初始化簇队列，加入当前点并标记为已访问
  • 循环取出队列内的点，检查所有邻域点：未访问且高程差≤阈值则加入队列
  • 生长结束后，若簇大小≥4则保存为有效簇
• 3. 后处理：对小簇（<4）可合并到高程最接近的邻近有效簇，或直接丢弃

Python代码示例 #

基于numpy实现基础版区域生长，输入为二维高程数组elev_grid：

import numpy as np

def region_growing_clustering(elev_grid, elevation_threshold=0.5, min_cluster_size=4, connectivity=4):
    rows, cols = elev_grid.shape
    visited = np.zeros_like(elev_grid, dtype=bool)
    clusters = []
    cluster_id = 0

    # 定义邻域方向（4邻/8邻）
    directions = [(-1,0), (1,0), (0,-1), (0,1)] if connectivity ==4 else \
                 [(-1,-1), (-1,0), (-1,1), (0,-1), (0,1), (1,-1), (1,0), (1,1)]

    for i in range(rows):
        for j in range(cols):
            if not visited[i,j]:
                current_cluster = []
                queue = [(i,j)]
                visited[i,j] = True
                base_elev = elev_grid[i,j]

                while queue:
                    x, y = queue.pop(0)
                    current_cluster.append((x,y))

                    # 遍历邻域点
                    for dx, dy in directions:
                        nx, ny = x + dx, y + dy
                        if 0 <= nx < rows and 0 <= ny < cols:
                            if not visited[nx, ny] and abs(elev_grid[nx, ny] - base_elev) <= elevation_threshold:
                                visited[nx, ny] = True
                                queue.append((nx, ny))

                # 保留符合大小要求的簇
                if len(current_cluster) >= min_cluster_size:
                    clusters.append({
                        'id': cluster_id,
                        'points': current_cluster,
                        'mean_elev': np.mean([elev_grid[x,y] for x,y in current_cluster])
                    })
                    cluster_id += 1

    # 生成簇标记矩阵
    cluster_map = np.zeros_like(elev_grid, dtype=int)
    for cluster in clusters:
        for x,y in cluster['points']:
            cluster_map[x,y] = cluster['id'] + 1  # 0代表未聚类区域

    return cluster_map, clusters

参数说明 #

• elevation_threshold：相邻点可纳入同一簇的最大高程差，需根据你的数据范围调整（如高程单位为米，可设1-5）
• min_cluster_size：固定设为4，匹配你的需求
• connectivity：选择4邻域（上下左右）或8邻域（含对角线），根据你对“连续”的定义调整

可视化实现 #

用matplotlib展示聚类结果：

import matplotlib.pyplot as plt

# 假设elev_grid是你的二维高程数据
cluster_map, clusters = region_growing_clustering(elev_grid, elevation_threshold=1.0)

plt.figure(figsize=(12,6))
plt.subplot(121)
plt.imshow(elev_grid, cmap='terrain')
plt.title('原始高程网格')
plt.colorbar(label='高程')

plt.subplot(122)
plt.imshow(cluster_map, cmap='tab20')
plt.title('聚类结果（连续簇，最小大小≥4）')
plt.colorbar(label='簇ID')
plt.show()

优化建议 #

• 若高程数据噪声大，先做高斯平滑处理，减少无效小簇
• 对小簇（<4），可遍历其邻近有效簇，合并到高程最接近的簇，提升结果完整性
• 大数据量场景下，改用OpenCV的cv2.floodFill函数，效率更高

内容的提问来源于stack exchange，提问作者tincan