边缘与轮廓

在前面，咱们已经讲解了不少算子用来检测边缘，其中用得最多的canny算子边缘检测。本篇咱们讲解一些其它方法来检测轮廓。

一 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 rr1,cc1=draw.circle(20,30,15) #大圆 img[rr,cc]=1 img[rr1,cc1]=1 #检测全部图形的轮廓 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):#enumerate 函数用于遍历序列中的元素以及它们的下标 ax1.plot(contour[:, 1], contour[:, 0], linewidth=2) ax1.axis('image') ax1.set_xticks([]) ax1.set_yticks([])#xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。 plt.show()

结果以下图所示：

例2：

import matplotlib.pyplot as plt from skimage import measure,data,color #生成二值测试图像 img=color.rgb2gray(data.horse()) #检测全部图形的轮廓 contours = measure.find_contours(img, 0.5) #绘制轮廓 fig, axes = plt.subplots(1,2,figsize=(8,8)) ax0, ax1= axes.ravel()#将多维数组降位一维 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()

结果以下图所示：

二 逼近多边形曲线

逼近多边形曲线有两个函数：

• subdivide_polygon（)
• approximate_polygon（）

subdivide_polygon（)采用B样条（B-Splines)来细分多边形的曲线，该曲线一般在凸包线的内部。

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: 若是曲线为非闭合曲线，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：

import numpy as np import matplotlib.pyplot as plt from skimage import measure #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]]) #检测全部图形的轮廓 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')

结果以下图所示：