【图像处理】Pyefd.elliptic_fourier_descriptors的使用方式

首先级数的概念简单理解一下，就下面的公式：

5.247382 = 5 + 0.2 + 0.04 + 0.007 + 0.0003 + 0.00008 + 0.000002

想得到左边这个数，我每一次拿一部分去累加，越往后这一部分越小。生活中其实也有很多这样的例子，比如打高尔夫，先大力挥杆（5），然后再不断地用更小的力气去使球逐渐接近洞（0.2， 0.04， 0.007…）。

傅里叶描述器，就是类似这种方式，通过傅里叶级数逼近的方式，去近似得到图像轮廓的表示。

关键的输入是contours，图像轮廓，可以通过opencv的函数实现。

im = cv.cvtColor(input_imgs, cv.COLOR_BGR2GRAY)

_, thresh = cv.threshold(im, 254, 255, cv.THRESH_BINARY) #get binary

contours, hierarchy = cv.findContours(thresh,cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE )

图像轮廓的获取方式如上述代码，一般是先转灰度，再获取binary，再送到findContours函数中。

返回的contours一般是一个四维的向量，分别表示【轮廓个数，该轮廓的轮廓点个数，1， 坐标x和y】。

对于每一个轮廓，可以使用傅里叶描述器。

#!pip install pyefd
from pyefd import elliptic_fourier_descriptors, plot_efd， normalize_efd， reconstruct_contour
coeffs = []
for j in contours:
    
	coeffs.append(elliptic_fourier_descriptors(np.squeeze(j,  axis=1), order=10, normalize=True))

每一个轮廓的维度是【长度，1，2】，而elliptic_fourier_descriptors只能处理【长度，2】这样的数据，所以用np.squeeze()。

想要查看学到的轮廓，可以用plot_pyefd

plot_efd(coeffs[0])

order的含义是级数到达第几个order，比如我文章最开始那个公式就是用7个项得到了等号左边的数，那他的order就是7。当画图的时候，他代表图像个数，也是coeffs[0]的长度，而其对应宽度永远是4（大概是用四个点画曲线）。

上面这张图跟我写的5.247382 = 5 + 0.2 + 0.04 + 0.007 + 0.0003 + 0.00008 + 0.000002就是同一个意思，随着我不断累加，等号左右两边的数会越来越接近。所以当你画图时，左上角第一个order永远是个圆，而随着项数增多，曲线会越来越接近原图像。

如果想要重建轮廓点：

points = reconstruct_contour(coeffs)