python图像处理之边沿轮廊检验

　　此篇文章主要是详细介绍了python图像处理之边沿轮廊检验实例详细说明，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪

　　前言

　　在前的python图像处理简易过滤中，己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。

　　这篇大家介绍某些其他方式来测试轮廊。

　　1、搜索轮廊（find_contours)

　　measure控制模块中的find_contours()函数公式，主要用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1：

　　importnumpyasnp
　　importmatplotlib.pyplotasplt
　　fromskimageimportmeasure,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)
　　forn,contourinenumerate(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

　　importmatplotlib.pyplotasplt
　　fromskimageimportmeasure,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('originalimage')
　　rows,cols=img.shape
　　ax1.axis([0,rows,cols,0])
　　forn,contourinenumerate(contours):
　　ax1.plot(contour[:,1],contour[:,0],linewidth=2)
　　ax1.axis('image')
　　ax1.set_title('contours')
　　plt.show()

   　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:容忍值

　　返回近似的多边形曲线坐标序列。

　　例：

　　importnumpyasnp
　　importmatplotlib.pyplotasplt
　　fromskimageimportmeasure,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_inrange(5):
　　new_hand=measure.subdivide_polygon(new_hand,degree=2)
　　#approximatesubdividedpolygonwithDouglas-Peuckeralgorithm
　　appr_hand=measure.approximate_polygon(new_hand,tolerance=0.02)
　　print("Numberofcoordinates:",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('originalhand')
　　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。