带标注坐标点的最小坐标、交点及投影点求解技术求助

核心逻辑拆解 #

1. 从标注点集中提取中心坐标（包围框的中心是标注点的核心位置）和label信息
2. 按x坐标分组得到所有平行Y轴的直线簇，按y坐标分组得到所有平行X轴的直线簇
3. 每个簇内筛选出label最小的点（若需按坐标最小筛选可直接调整排序逻辑）
4. 在筛选后的点中，分别找到x最小的平行Y轴直线、y最小的平行X轴直线，二者的正交交点即为目标点
5. 生成所有点到这两条直线的投影点

代码实现 #

def process_annotation_points(points):
    # 提取每个点的中心坐标与label
    point_data = [(center[0], center[1], label) for _, center, label in points]
    
    # 处理平行Y轴的直线簇（x坐标相同为一组）
    y_parallel_clusters = {}
    for x, y, label in point_data:
        y_parallel_clusters.setdefault(x, []).append((y, label))
    
    # 每个簇取label最小的点，再筛选出x最小的直线
    y_parallel_min_label = []
    for x, cluster in y_parallel_clusters.items():
        # 按label升序排序，取第一个（最小label）
        cluster.sort(key=lambda p: p[1])
        min_y, min_lbl = cluster[0]
        y_parallel_min_label.append((x, min_y, min_lbl))
    # 按x升序排序，取第一个（最小x的直线）
    y_parallel_min_label.sort(key=lambda p: p[0])
    target_x = y_parallel_min_label[0][0]
    
    # 处理平行X轴的直线簇（y坐标相同为一组）
    x_parallel_clusters = {}
    for x, y, label in point_data:
        x_parallel_clusters.setdefault(y, []).append((x, label))
    
    # 每个簇取label最小的点，再筛选出y最小的直线
    x_parallel_min_label = []
    for y, cluster in x_parallel_clusters.items():
        cluster.sort(key=lambda p: p[1])
        min_x, min_lbl = cluster[0]
        x_parallel_min_label.append((y, min_x, min_lbl))
    # 按y升序排序，取第一个（最小y的直线）
    x_parallel_min_label.sort(key=lambda p: p[0])
    target_y = x_parallel_min_label[0][0]
    
    # 计算正交交点
    intersection = [target_x, target_y]
    
    # 生成所有点的投影
    projections = []
    for _, center, label in points:
        proj_to_x_line = [center[0], target_y]  # 到平行X轴直线的投影
        proj_to_y_line = [target_x, center[1]]  # 到平行Y轴直线的投影
        projections.append({
            "original_center": center,
            "label": label,
            "proj_x": proj_to_x_line,
            "proj_y": proj_to_y_line
        })
    
    return {
        "intersection_point": intersection,
        "target_x_line": target_y,
        "target_y_line": target_x,
        "projections": projections
    }

测试示例 #

# 模拟用户提供的示例点集（包含两个label=0的目标点）
sample_points = [
    [[[10,300],[14,300],[14,320],[10,320]], [12,310], 0],
    [[[50,310],[200,310],[200,315],[50,315]], [125,310], 0],
    [[[20,200],[24,200],[24,220],[20,220]], [22,210], 1],
    [[[100,310],[150,310],[150,315],[100,315]], [125,312.5], 2]
]

# 执行处理
result = process_annotation_points(sample_points)

# 输出结果
print("正交交点:", result["intersection_point"])
print("\n所有点的投影信息:")
for item in result["projections"]:
    print(f"Label {item['label']} | 原中心: {item['original_center']} | 到X轴平行线投影: {item['proj_x']} | 到Y轴平行线投影: {item['proj_y']}")

调整说明 #

• 若“最小标注点”指坐标最小而非label最小，只需将簇内排序逻辑改为按坐标排序：

  # 平行Y轴簇内按y坐标升序取最小点
  cluster.sort(key=lambda p: p[0])
  # 平行X轴簇内按x坐标升序取最小点
  cluster.sort(key=lambda p: p[0])
  

• 若需仅处理特定label的点（如只筛选label=0），在提取point_data时添加过滤：

  point_data = [(center[0], center[1], label) for _, center, label in points if label == 0]
  

内容的提问来源于stack exchange，提问作者Eftal Gezer