1 引言
目標物體的邊緣對影像識別和計算機分析十分有用，邊緣可以勾畫出目標物體，使觀察者一目了然；邊緣蘊含了豐富的內在資訊（如方向、形狀等），是影像識別中抽取影像特征的重要屬性，輪廓提取是邊界分割中非常重要的一種處理，同時也是影像處理的經典難題，輪廓提取和輪廓跟蹤的目的都是獲得影像的外部輪廓特征，
2 原理
二值影像的輪廓提取的原理非常簡單，就是掏空內部點：如果原圖中有一點為黑，且它的8個相鄰點皆為黑色，則將該點洗掉，對于非二值影像，需要先進行二值化處理，輪廓提取的方法有很多，在這里我們介紹一種最基本、最簡單容易實作的演算法，演算法原理如下：
- 在進行輪廓提取時，使用一個一維陣列，用來記錄處理的像素點的周圍8鄰域的資訊
- 若8個鄰域的像素點的灰度值和中心點的灰度值相同，則認為該點在物體的內部，可以洗掉；
- 否則，認為該點在影像的邊緣，需要保留，
- 依次處理影像中每一個像素，則最后留下來的就是影像的輪廓，
3 Python實作
- 讀入彩色影像
img_name = "./20210808/sample3.png"
img = cv2.imread(img_name)
結果如下：
2) 彩色影像灰度化
gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
結果如下：
3）二值化
def get_binary_img(img):
# gray img to bin image
bin_img = np.zeros(shape=(img.shape), dtype=np.uint8)
h = img.shape[0]
w = img.shape[1]
for i in range(h):
for j in range(w):
bin_img[i][j] = 255 if img[i][j] > 127 else 0
return bin_img
# 呼叫
bin_img = get_binary_img(gray_img)
結果如下：
4）提取輪廓
參考上述原理，進行實作，代碼如下：
def get_contour(bin_img):
# get contour
contour_img = np.zeros(shape=(bin_img.shape),dtype=np.uint8)
contour_img += 255
h = bin_img.shape[0]
w = bin_img.shape[1]
for i in range(1,h-1):
for j in range(1,w-1):
if(bin_img[i][j]==0):
contour_img[i][j] = 0
sum = 0
sum += bin_img[i - 1][j + 1]
sum += bin_img[i][j + 1]
sum += bin_img[i + 1][j + 1]
sum += bin_img[i - 1][j]
sum += bin_img[i + 1][j]
sum += bin_img[i - 1][j - 1]
sum += bin_img[i][j - 1]
sum += bin_img[i + 1][j - 1]
if sum == 0:
contour_img[i][j] = 255
return contour_img
# 呼叫
contour_img = get_contour(bin_img)
結果如下：
4 總結
通過上述簡單步驟，我們實作了物體輪廓提取，相應的處理效果如下：
上圖中 左側為原圖，右側為我們提取的物體輪廓圖，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/293064.html
標籤：其他