https://blog.csdn.net/sundanping_123/article/details/86509536

https://blog.csdn.net/abcjennifer/article/details/7427033（边缘特征提取方法）

图像轮廓并不是图像边缘。
边缘检测可能是断断续续的点，把这些点连起来才是轮廓。
注意问题：

1. 查找图像轮廓函数

mode有四种，只要是检测外轮廓1和检测所有轮廓234 。最常用4 。

method也有四种，重点关注前两点。

2. 绘制图像轮廓函数

（B G R）三个数值的范围均为0-255
（255，0，0）蓝色（0，255，0）绿色（0，0，255）红色

可以绘制全部，也可以选定。颜色（G B R）格式，粗度随意。需要注意，绘制轮廓会改变原图像，必须复制一份。且原图片必须二值化才能寻找边缘。

import cv2
o=cv2.imread('image\\contours.bmp')
gray=cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)    #边缘检测处理的是二值图片。故先将BGR转为灰度，再二值化。
ret,binary=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)     #二值阈值化
image,contours,hierarchy=cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
co=o.copy()                              #会改变原图片，所以通常复制一份
co1=o.copy()
r=cv2.drawContours(co,contours,-1,(0,255,0),2)   # -1代表显示所有边缘  颜色（0,255,0） 粗度6
r1=cv2.drawContours(co1,contours,0,(255,0,0),6)   #绘制第0个边缘   颜色(255,0,0) 粗度16
cv2.imshow('original',o)
cv2.imshow('r',r)
cv2.imshow('r1',r1)
cv2.waitKey()
cv2.destroyAllWindows()

https://www.cnblogs.com/denny402/p/5160955.html

本篇我们讲解一些其它方法来检测轮廓。

1、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

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()

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：

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')

图像边检检测定义，边缘提取相关推荐

matlab 图像显著性检测ft_全局对比度的图像显著性检测算法
点击上方蓝字关注我们星标或者置顶[OpenCV学堂] 干货与教程第一时间送达! 显著性检测概念显著性就是可以快速引起你注意的对象或者物体,在图像或者视频中显著性检测的结果往往是图像或者视频中对象, ...
2022TGRS/云检测：用于遥感图像云检测的无监督域不变特征学习Unsupervised Domain-Invariant Feature Learning for Cloud Detection
2022TGRS/云检测:Unsupervised Domain-Invariant Feature Learning for Cloud Detection of Remote Sensing Im ...
TGRS2020/云检测：Deep Matting for Cloud Detection in Remote Sensing Images深度抠图在遥感图像云检测中的应用
TGRS2020/云检测:Deep Matting for Cloud Detection in Remote Sensing Images深度抠图在遥感图像云检测中的应用 0.摘要 1.概述 2.云 ...
视觉显著性python_OpenCV—python 图像显著性检测算法—HC/RC/LC/FT
文章目录一.显著性检测研究现状二.基于谱残差法的显著性检测三.基于全局对比度图像显著性检测(LC) 2.1 基于直方图对比度的显著性检测(HC) 2.2 基于区域的对比度方法(region-ba ...
IEEE2019论文：使用基于特征融合和缩放的具有空间上下文分析的单镜头检测器在无人机图像中检测小物体
摘要: 无人机(UAV)图像中的目标由于拍摄高度较高通常都很小,我们虽然在目标检测方面已经做了很多工作,但是如何准确.快速地检测出小目标仍然是一个有待解决的挑战.本文针对无人机图像中的小目标检测问题, ...
MSTAR数据库结合深度学习（SAR图像目标检测与识别）
MSTAR数据库作为SAR图像自动目标识别(SAR ATR)研究的一个通用库,被很多学者广泛采用.从现有的SAR ATR系统处理流程来看,目标检测作为该系统的前端,很大程度上影响系统后续识别性能,在较 ...
大尺寸卫星图像目标检测：yoloT
大尺寸卫星图像目标检测:yoloT 前言 YOLT论文全称「You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite I ...
全局对比度的图像显著性检测算法
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:opencv学堂显著性检测概念显著性就是可以快速引起 ...
图像目标检测算法总结（从 R-CNN 到 YOLO v3）
作者丨江户川柯壮@知乎来源丨图像目标检测算法总结(从R-CNN到YOLO v3) - 知乎基于CNN 的目标检测是通过CNN 作为特征提取器,并对得到的图像的带有位置属性的特征进行判断,从而产出一 ...

图像边检检测定义，边缘提取

https://www.cnblogs.com/denny402/p/5160955.html

图像边检检测定义，边缘提取相关推荐

最新文章

热门文章