3.4. Python数字图像处理（17）：边缘与轮廓 |
您所在的位置：网站首页 › python图像轮廓提取并扩大 › 3.4. Python数字图像处理（17）：边缘与轮廓 |
|
3.4. Python数字图像处理（17）：边缘与轮廓¶
在前面的python数字图像处理（10）：图像简单滤波 中，我们已经讲解了很多算子用来检测边缘，其中用得最多的canny算子边缘检测。 本篇我们讲解一些其它方法来检测轮廓。 3.4.1. 查找轮廓（find_contours)¶measure模块中的find_contours()函数，可用来检测二值图像的边缘轮廓。 函数原型为： skimage.measure.find_contours(array, level) array: 一个二值数组图像 level: 在图像中查找轮廓的级别值 返回轮廓列表集合，可用for循环取出每一条轮廓。 例1： >>> import numpy as np >>> import matplotlib.pyplot as plt >>> from skimage import measure,draw >>> >>> #生成二值测试图像 >>> img=np.zeros([100,100]) >>> img[20:40,60:80]=1 #矩形 >>> # rr,cc=draw.circle(60,60,10) #小圆 >>> rr,cc=draw.ellipse(60,60,10, 10) #小圆 >>> # rr1,cc1=draw.circle(20,30,15) #大圆 >>> rr1,cc1=draw.ellipse(20,30,15,15) #大圆新版本到包的源码里，发现__init__.py和draw.py文件中都已经没有了circle函数。 所以，我们修改代码：draw.circle(r, c, radius, shape=None)为draw.ellipse(r, c, radius,radius, shape=None)。函数的参数也由原来的4个变成5个。 >>> img[rr,cc]=1 >>> img[rr1,cc1]=1 >>> >>> #检测所有图形的轮廓 >>> contours = measure.find_contours(img, 0.5) >>> >>> #绘制轮廓 >>> fig, (ax0,ax1) = plt.subplots(1,2,figsize=(8,8)) >>> ax0.imshow(img,plt.cm.gray) >>> ax1.imshow(img,plt.cm.gray) >>> for n, contour in enumerate(contours): >>> ax1.plot(contour[:, 1], contour[:, 0], linewidth=2) >>> ax1.axis('image') >>> ax1.set_xticks([]) >>> ax1.set_yticks([]) >>> plt.show() >>> >>> #结果如下：不同的轮廓用不同的颜色显示例2： >>> import matplotlib.pyplot as plt >>> from skimage import measure,data,color, io >>> img = data.horse() >>> io.imshow(img)原代码为 img=color.rgb2gray(data.horse()) ，生成二值测试图像 。 可在直接加载。 >>> #检测所有图形的轮廓 >>> contours = measure.find_contours(img, 0.5) >>> >>> #绘制轮廓 >>> fig, axes = plt.subplots(1,2,figsize=(8,8)) >>> ax0, ax1= axes.ravel() >>> ax0.imshow(img,plt.cm.gray) >>> ax0.set_title('original image') >>> >>> rows,cols=img.shape >>> ax1.axis([0,rows,cols,0]) >>> for n, contour in enumerate(contours): >>> ax1.plot(contour[:, 1], contour[:, 0], linewidth=2) >>> ax1.axis('image') >>> ax1.set_title('contours') >>> plt.show() 3.4.2. 逼近多边形曲线¶逼近多边形曲线有两个函数： subdivide_polygon() 和 approximate_polygon() subdivide_polygon() 采用B样条（B-Splines)来细分多边形的曲线，该曲线通常在凸包线的内部。 函数格式为： skimage.measure.subdivide_polygon(coords, degree=2, preserve_ends=False)coords : 坐标点序列。 degree : B样条的度数，默认为 2 preserve_ends : 如果曲线为非闭合曲线，是否保存开始和结束点坐标，默认为 False 返回细分为的坐标点序列。 approximate_polygon() 是基于Douglas-Peucker算法的一种近似曲线模拟。 它根据指定的容忍值来近似一条多边形曲线链，该曲线也在凸包线的内部。 函数格式为: skimage.measure.approximate_polygon(coords, tolerance)coords : 坐标点序列 tolerance : 容限值 返回近似的多边形曲线坐标序列。 例： >>> import numpy as np >>> import matplotlib.pyplot as plt >>> from skimage import measure,data,color生成二值测试图像： >>> hand = np.array([[1.64516129, 1.16145833], >>> [1.64516129, 1.59375], >>> [1.35080645, 1.921875], >>> [1.375, 2.18229167], >>> [1.68548387, 1.9375], >>> [1.60887097, 2.55208333], >>> [1.68548387, 2.69791667], >>> [1.76209677, 2.56770833], >>> [1.83064516, 1.97395833], >>> [1.89516129, 2.75], >>> [1.9516129, 2.84895833], >>> [2.01209677, 2.76041667], >>> [1.99193548, 1.99479167], >>> [2.11290323, 2.63020833], >>> [2.2016129, 2.734375], >>> [2.25403226, 2.60416667], >>> [2.14919355, 1.953125], >>> [2.30645161, 2.36979167], >>> [2.39112903, 2.36979167], >>> [2.41532258, 2.1875], >>> [2.1733871, 1.703125], >>> [2.07782258, 1.16666667]])检测所有图形的轮廓： >>> new_hand = hand.copy() >>> for _ in range(5): >>> new_hand =measure.subdivide_polygon(new_hand, degree=2)approximate subdivided polygon with Douglas-Peucker algorithm： >>> appr_hand =measure.approximate_polygon(new_hand, tolerance=0.02) >>> >>> print("Number of coordinates:", len(hand), len(new_hand), len(appr_hand)) >>> >>> fig, axes= plt.subplots(2,2, figsize=(9, 8)) >>> ax0,ax1,ax2,ax3=axes.ravel() >>> >>> ax0.plot(hand[:, 0], hand[:, 1],'r') >>> ax0.set_title('original hand') >>> ax1.plot(new_hand[:, 0], new_hand[:, 1],'g') >>> ax1.set_title('subdivide_polygon') >>> ax2.plot(appr_hand[:, 0], appr_hand[:, 1],'b') >>> ax2.set_title('approximate_polygon') >>> >>> ax3.plot(hand[:, 0], hand[:, 1],'r') >>> ax3.plot(new_hand[:, 0], new_hand[:, 1],'g') >>> ax3.plot(appr_hand[:, 0], appr_hand[:, 1],'b') >>> ax3.set_title('all') Number of coordinates: 22 642 26 Text(0.5, 1.0, 'all') |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |