边缘与轮廓是图像中物体形状的关键特征，广泛应用于目标检测、图像分割、医学影像分析等领域。 Python通过scikit-image库提供丰富的工具，实现高效的边缘检测与轮廓分析。
在Python数字图像处理：图像简单滤波中，
已经了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。
现在来学习一些其它方法来检测轮廓。
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：
In [2]:
import numpy as np
import matplotlib.pyplot as plt
from skimage import measure,draw
生成二值测试图像:
In [3]:
img=np.zeros([100,100])
矩形:
In [4]:
img[20:40,60:80]=1
小圆:
In [5]:
rr,cc=draw.disk((60,60),10)
大圆:
In [6]:
rr1,cc1=draw.disk((20,30),15)
In [7]:
img[rr,cc]=1
img[rr1,cc1]=1
检测所有图形的轮廓:
In [8]:
contours = measure.find_contours(img, 0.5)
绘制轮廓:
In [9]:
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()
结果如上：不同的轮廓用不同的颜色显示
例2：
In [10]:
import matplotlib.pyplot as plt
from skimage import measure,data,color
生成二值测试图像:
In [11]:
img=data.horse()
检测所有图形的轮廓:
In [12]:
contours = measure.find_contours(img, 0.5)
绘制轮廓:
In [13]:
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()
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：
In [14]:
import numpy as np
import matplotlib.pyplot as plt
from skimage import measure,data,color
生成二值测试图像：
In [15]:
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：
In [16]:
new_hand = hand.copy()
for _ in range(5):
new_hand =measure.subdivide_polygon(new_hand, degree=2)
用 Douglas-Peucker 算法近似细分多边形：
In [17]:
appr_hand =measure.approximate_polygon(new_hand, tolerance=0.02)
print("Number of coordinates:", len(hand), len(new_hand), len(appr_hand))
Number of coordinates: 22 642 26
In [18]:
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')
Out[18]:
Text(0.5, 1.0, 'all')
