我试图通过将 map 的较高分辨率图像导出为非常低的分辨率来创建占用网格 map 。
在最基本的形式中,占用网格 是一个二维二进制数组。存储在数组中的值表示空闲(0)或占用(1)。每个值对应物理 map 的一个离散位置(下图描绘了一个区域)
如上图所示,每个阵列位置都是物理世界的一个单元格。
我有一个 5 米 x 5 米的世界,然后将其离散化为 5 厘米 x 5 厘米的单元格。因此,世界是 100 x 100 个单元,对应于 5m x 5m 的物理世界。
障碍物在位置 (x,y) 和随机半径 r 随机生成圆盘,如下所示:
我需要将这张(上图)图像转换为大小为 100x100 的数组。这意味着评估每个单元格是否实际上位于障碍物区域或自由区域。
为了加快速度,我找到了以下解决方法:
使用 figsize=(5,5) 创建充满障碍物的 matplotlib 图,并使用 dpi=20 以 bmp 格式保存图像,最后将 bmp 图像 作为 numpy 数组导入。 las,matplotlib 不支持 bmp。如果我使用 plt.savefig('map.jpg', dpi=20, quality=100) 或其他格式将图像保存为 jpeg,则单元格的边界会变得模糊并流入其他单元格。在此图像中显示:
所以我的问题是:如何从 matplotlib 中保存缩小图像以保留图像的单元清晰度(类似于 bmp)。
请您参考如下方法:
不错的技巧。但是,我宁愿明确计算与您的离散化圆相对应的 bool 掩码。获得这种 bool 映射的一种简单方法是使用 matplotlib 艺术家的 contains_points 方法,例如 Circle 补丁。
#!/usr/bin/env python
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Circle
world_width = 100 # x
world_height = 100 # y
minimum_radius = 1
maximum_radius = 10
total_circles = 5
# create circle patches
x = np.random.randint(0, world_width, size=total_circles)
y = np.random.randint(0, world_height, size=total_circles)
r = minimum_radius + (maximum_radius - minimum_radius) * np.random.rand(total_circles)
circles = [Circle((xx,yy), radius=rr) for xx, yy, rr in zip(x, y, r)]
# for each circle, create a boolean mask where each cell element is True
# if its center is within that circle and False otherwise
X, Y = np.meshgrid(np.arange(world_width) + 0.5, np.arange(world_height) + 0.5)
masks = np.zeros((total_circles, world_width, world_height), dtype=bool)
for ii, circle in enumerate(circles):
masks[ii] = circle.contains_points(np.c_[X.ravel(), Y.ravel()]).reshape(world_width, world_height)
combined_mask = np.sum(masks, axis=0)
plt.imshow(combined_mask, cmap='gray_r')
plt.show()
