python图像处理之边沿轮廊检验

Python图像处理之边缘轮廊检验实例详细说明

大家好，我是本际云服务器推荐网的小编小本本。今天给大家介绍Python图像处理之边缘轮廊检验实例的详细说明，如果您对此感兴趣的话，可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪。

如何搜索轮廊

在之前的Python图像处理简易过滤中，我们已经介绍了许多算法用于检验边沿，在其中用到较多的Canny算法图像分割。在本例中，我们介绍了一些其他方式来测试轮廊。其中一个是使用measure控制模块中的find_contours()函数公式来检验灰度图像边缘轮廊。

函数原型为：
skimage.measure.find_contours(array,level)
array:一种二值二维数组图象
level:在源图像搜索轮廊的等级值

回到轮廊目录结合，能用for循环取下每条轮廊。

例如：

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
rr1, cc1 = draw.circle(20,30,15)    #大圆
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：

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

#生成二值测试图像
img = color.rgb2gray(data.horse())

#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()

如何逼近多边形曲线

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:容忍值。
返回近似的多边形曲线坐标序列。

例如：

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')

综上所述，这篇文章就给大家介绍到这里了，希望可以给大家带来帮助。