python數字圖像處理（17）：邊緣與輪廓

在前面的python數字圖像處理（10）：圖像簡單濾波 中，咱們已經講解了不少算子用來檢測邊緣，其中用得最多的canny算子邊緣檢測。

本篇咱們講解一些其它方法來檢測輪廓。

一、查找輪廓（find_contours)

measure模塊中的find_contours()函數，可用來檢測二值圖像的邊緣輪廓。

函數原型爲：

skimage.measure.find_contours(array, level)

array: 一個二值數組圖像

level: 在圖像中查找輪廓的級別值

返回輪廓列表集合，可用for循環取出每一條輪廓。

例1：

import numpy as np
import matplotlib.pyplot as plt
from skimage import measure,draw 

#生成二值測試圖像
img=np.zeros([100,100])
img[20:40,60:80]=1  #矩形
rr,cc=draw.circle(60,60,10)  #小圓
rr1,cc1=draw.circle(20,30,15) #大圓
img[rr,cc]=1
img[rr1,cc1]=1

#檢測全部圖形的輪廓
contours = measure.find_contours(img, 0.5)

#繪製輪廓
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()

結果以下：不一樣的輪廓用不一樣的顏色顯示

例2：

import matplotlib.pyplot as plt
from skimage import measure,data,color

#生成二值測試圖像
img=color.rgb2gray(data.horse())

#檢測全部圖形的輪廓
contours = measure.find_contours(img, 0.5)

#繪製輪廓
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()

 

二、逼近多邊形曲線

逼近多邊形曲線有兩個函數：subdivide_polygon（)和 approximate_polygon（）

subdivide_polygon（)採用B樣條（B-Splines)來細分多邊形的曲線，該曲線一般在凸包線的內部。

函數格式爲：

skimage.measure.subdivide_polygon(coords, degree=2, preserve_ends=False)

coords: 座標點序列。

degree: B樣條的度數，默認爲2

preserve_ends: 若是曲線爲非閉合曲線，是否保存開始和結束點座標，默認爲false

返回細分爲的座標點序列。

approximate_polygon（）是基於Douglas-Peucker算法的一種近似曲線模擬。它根據指定的容忍值來近似一條多邊形曲線鏈，該曲線也在凸包線的內部。

函數格式爲:

skimage.measure.approximate_polygon(coords, tolerance)

coords: 座標點序列

tolerance: 容忍值

返回近似的多邊形曲線座標序列。

例：

import numpy as np
import matplotlib.pyplot as plt
from skimage import measure,data,color

#生成二值測試圖像
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]])

#檢測全部圖形的輪廓
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')