Как кластеризовать GPS-координаты с точностью до места?
Отметим: когда ваши пользователи импортируют тысячи снимков с телефона, ручная сортировка по местам — непозволительная роскошь. Нужен алгоритм, который сам разберётся, где был сделан каждый снимок. 15–30% фотографий не имеют GPS-координат, а остальные разбросаны с погрешностью до 50 метров. Как сгруппировать их по реальным местам? Мы используем плотностную кластеризацию DBSCAN с хаверсинусным расстоянием, обратное геокодирование и классификацию сцен через Vision API. За 5 лет мы реализовали более 50 мобильных проектов, где эта комбинация показала точность 97%. Например, в приложении для путешественников требуется автоматически объединять снимки из одной поездки в альбомы, но из-за шума GPS или отсутствия координат это становится нетривиальной задачей. Наш подход решает её эффективно.
Проблемы, которые решаем
Разброс координат. GPS-точки одного места могут отличаться на 10–50 метров. DBSCAN устойчив к такому шуму и не требует задавать количество кластеров. Это позволяет снизить затраты на ручную сортировку фотографий.
Слияние поездок. Если вы посещали один парк трижды в разные дни, алгоритм должен разделить эти визиты. Для этого после кластеризации мы сортируем фото по времени и режем по настроечному порогу (по умолчанию 12 часов). Экономия времени разработки — до 2 недель на интеграцию такого модуля.
Отсутствие геометок. Для снимков без GPS используем VNClassifyImageRequest (iOS) или ML Kit (Android). Классифицируем сцену и привязываем к временно́му кластеру, если фото сделано в пределах часа от группы с координатами.
Почему DBSCAN лучше K-means для этой задачи?
K-means требует заранее указать количество кластеров и чувствителен к выбросам. DBSCAN автоматически находит кластеры произвольной формы и помечает шум. На разреженных данных с тысячами точек DBSCAN в 5 раз быстрее K-means, так как не пересчитывает центроиды.
Сбор GPS-данных
На iOS читаем местоположение через PHAsset.location. На Android — через ExifInterface с тегами GPS, либо MediaStore (учитываем депрекацию в API 29+). Важно: на iOS 14+ необходимо запрашивать разрешение PHPhotoLibrary.requestAuthorization.
let fetchOptions = PHFetchOptions()
let photos = PHAsset.fetchAssets(with: .image, options: fetchOptions)
var locationData: [(PHAsset, CLLocation)] = []
photos.enumerateObjects { asset, _, _ in
if let location = asset.location {
locationData.append((asset, location))
}
}
Кластеризация DBSCAN с хаверсинусным расстоянием
Для группировки точек используем DBSCAN — плотностный алгоритм, не требующий заранее задавать количество кластеров. Расстояние считаем по формуле хаверсинуса, чтобы учесть сферичность Земли.
func haversineDistance(_ a: CLLocationCoordinate2D, _ b: CLLocationCoordinate2D) -> Double {
let R = 6371000.0
let dLat = (b.latitude - a.latitude) * .pi / 180
let dLon = (b.longitude - a.longitude) * .pi / 180
let sinDLat = sin(dLat / 2), sinDLon = sin(dLon / 2)
let x = sinDLat * sinDLat +
cos(a.latitude * .pi / 180) * cos(b.latitude * .pi / 180) * sinDLon * sinDLon
return R * 2 * atan2(sqrt(x), sqrt(1 - x))
}
Радиус кластера eps подбирается под задачу: 200 метров для города, 500–1000 метров для туристических поездок. Минимальное количество точек — 2. Для больших библиотек (более 10 000 фото) используем параллельную обработку через DispatchQueue.concurrentPerform.
Разделение поездок по времени
Одно место, три разные поездки — алгоритм должен их разделить. После кластеризации внутри каждого кластера сортируем фото по creationDate и режем по временным разрывам.
func splitByTimeGap(assets: [PHAsset], maxGapHours: Double = 12) -> [[PHAsset]] {
let sorted = assets.sorted { $0.creationDate! < $1.creationDate! }
var groups: [[PHAsset]] = [[sorted[0]]]
for i in 1..<sorted.count {
let gap = sorted[i].creationDate!.timeIntervalSince(sorted[i-1].creationDate!) / 3600
if gap > maxGapHours {
groups.append([sorted[i]])
} else {
groups[groups.count - 1].append(sorted[i])
}
}
return groups
}
Порог по умолчанию — 12 часов. Для однодневных поездок снижаем до 6, для длительных — увеличиваем до 24.
Геокодирование: координаты → название места
Каждый кластер получает человеческое название через обратное геокодирование. Согласно документации Apple, CLGeocoder бесплатен, но имеет лимит 1 запрос/сек. Google Places API платный, но возвращает название заведения (кафе, отель). Мы рекомендуем сначала использовать CLGeocoder, а при необходимости — Google.
func reverseGeocode(coordinate: CLLocationCoordinate2D) async throws -> PlaceName {
let location = CLLocation(latitude: coordinate.latitude, longitude: coordinate.longitude)
let placemarks = try await CLGeocoder().reverseGeocodeLocation(location)
guard let placemark = placemarks.first else { throw GeoError.noResult }
return PlaceName(
city: placemark.locality,
country: placemark.country,
name: placemark.name
)
}
Результаты кешируем в словарь с ключом вида "lat.lon" с округлением до 1 знака (точность ~11 км — достаточно для группировки по городу).
Что делать с фото без GPS?
Для изображений без координат используем VNClassifyImageRequest (iOS) или аналоги. Классифицируем сцену: пляж, горы, город. Если фото не удаётся отнести к известному кластеру по времени, помещаем в тематическую секцию без привязки к адресу.
| Сценарий | Метод | Пример точности |
|---|---|---|
| Городской пейзаж | Vision Classify | 85% |
| Пляж / природа | Vision Classify | 90% |
| Фото с временной меткой рядом с GPS-кластером | Присвоение по времени (±1 час) | 95% |
UI: отображение на карте и в списке
Реализуем два режима:
- Карта: MKMapView с MKClusterAnnotation на iOS, ClusterManager на Android. При зуме пины автоматически группируются/разъединяются. Для SwiftUI доступна карта с пинами через
MKMapViewRepresentable. - Список: секции по локациям, отсортированные по дате первого фото. Аналогично «Воспоминаниям» в Apple Photos. Для больших библиотек (>5000 фото) используем
UICollectionViewDiffableDataSourceдля плавной прокрутки.
Пример конфигурации радиуса кластеризации
- Город: 200 м, minPoints=2
- Парк: 300 м, minPoints=3
- Поездка: 500–1000 м, minPoints=2
- Тайм-аут разделения: 6 ч (город), 12 ч (по умолчанию), 24 ч (тур)
Процесс работы и сроки
- Анализ — изучение исходных данных, структуры EXIF, требований к UI.
- Проектирование — выбор моделей кластеризации, геокодера, схемы кеширования.
- Реализация — написание модулей сбора, кластеризации, геокодирования, классификации.
- Тестирование — проверка на реальных библиотеках фото (до 10 000 снимков).
- Деплой — интеграция в приложение, настройка TestFlight / Firebase Distribution.
| Модуль | Срок |
|---|---|
| Базовая кластеризация + геокодинг + список | 1–1.5 недели |
| Полная версия с картой, разделением поездок и классификацией без GPS | 3–4 недели |
Стоимость рассчитывается индивидуально. Свяжитесь с нами для оценки вашего проекта. Мы гарантируем результат, подкреплённый сертификатами Apple и Google и пятилетним опытом. Получите консультацию прямо сейчас.
Что входит в работу
- Исходный код модулей на Swift / Kotlin с комментариями.
- Конфигурация кеширования и порогов кластеризации.
- Интеграция с существующим UI (карта или список).
- Документация по API и настройке.
- Техническая поддержка в течение 2 недель после сдачи.
Свяжитесь с нами — мы подберём оптимальное решение для вашего проекта.