In JMP ist es möglich, Bilder als Tabellen zu laden – und Jed Campbell hat einige coole Tricks verraten, wie man die Daten aus einem Diagrammbild extrahiert:
Vom Bild zu Daten: Extrahieren von Diagrammdaten aus einem Bild in eine JMP-Tabelle zur Analyse
Einer der Tricks: Verwenden Sie Clustering, um Achsen und Gitterlinien von den eigentlichen Daten zu trennen. Dieser Ansatz kann auch verwendet werden, um Datenpunkte zu trennen, die zu verschiedenen Kurven gehören. Wenn Sie die genaue Anzahl der Cluster kennen, können Sie K-Means-Cluster verwenden. Wenn Sie experimentieren möchten, können Sie hierarchisches Clustering verwenden.
Ich habe es gerade mit dem folgenden Datensatz versucht
und war überrascht über das Ergebnis, das ich mit den Standardeinstellungen erhielt:
Nach einigem Ausprobieren habe ich die Lösung gefunden:
Der Bereich 0-1 hat eine gewisse Bedeutung. Durch die individuelle Skalierung der Spalten gehen diese Informationen verloren.
Nach dem Deaktivieren der Option:
Ich habe eine perfekte Trennung der Datenpunkte erhalten:
Für hierarchisches Clustering kann man bidirektionales Clustering aktivieren:
Dies basiert ebenfalls auf Daten "im gleichen Maßstab". Für hierarchisches Clustering scheint "single" ebenfalls zu funktionieren:
Welche Erfahrungen haben Sie mit Clustering?
Möglicherweise möchten Sie auch andere Farbräume untersuchen. Die Umwandlung von RGB in HLS kann nützlich sein.
Ein Problem bei RGB ist die Interpolation zwischen zwei Farben. Die Mitte zwischen zwei Farben ist tendenziell grau, da die Mitte des RGB-Farbwürfels grau ist. HLS interpoliert eine Farbtonachse, die unabhängig von dem durch Helligkeit und Sättigung definierten Grau ist. Es gibt andere Farbräume; einige davon sollen das menschliche Sehen modellieren und könnten für Bildkomprimierungsalgorithmen verwendet werden (wobei Details, die wir nicht sehen können, weggelassen werden).
https://en.wikipedia.org/wiki/Color_space
https://en.wikipedia.org/wiki/HSL_and_HSV JMP verwendet HLS für HSL
