skimage函数学习

morphology（凸包）

from skimage importmorphology

covex_hull_image

convex_hull_image将图片中所有目标看作一个整体，计算一个最小凸多边形，如果图中有多个目标物体，每一个物体需要计算一个最小凸多边形，则需要使用convex_hull_object函数。

from skimage import morphology
morphology.convex_hull_image(image)
#凸包是指一个凸多边形，凸多边形将图片中所有的白色像素点都包含在内
#输入：二值图像
#输出：逻辑二值图像，在凸包内的点为True，否则为False

convex_hull_object

from skimage import morphology
morphology.convex_hull_object(image, neighbors=8)
#输入：image是一个二值图像
#输入：neighbors表示采用4连通还是8连通，默认为8连通。
#输出：逻辑二值图像，在凸包内的点为True，否则为False

remove_small_objects

from skimage import morphology
morphology.remove_small_objects(ar, min_size=64, connectivity=1, in_place=False)
#功能：删除零散的、小的区域
#输入：ar 待操作的bool型数组
#输入：min_size最小连通区域尺寸，小于该尺寸的都将被删除，默认为64.
#输入：connectivity邻接模式，1表示4邻接，2表示8邻接。
#输入：in_place如果为True，表示直接在输入图像中删除小块区域，否则进行复制后再删除。默认为False。
#输出：删除小块区域的二值图像

measure（连通标记+边缘轮廓）

在二值图像中，如果两个像素相邻且值相同（同为0或同为1），那么就认为这两个像素点在一个相互连通的区域内。而同一个连通区域的所有像素点，都用同一个数值来进行标记，这个过程叫连通区域标记。在判断两个像素是否相邻时，通常采用4连通或8连通判断。在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有2种：4邻接与8邻接。4邻接一共4个点，即上下左右，8邻接的点一共有8个，包括对角线位置的点。

在skimage包中，用measure子模块下的label（）函数来实现连通区域标记。

from skimage import measure

label

from skimage import measure
measure.label(image, connectivity=None)
#输入：image表示需要处理的二值图像
#输入：connectivity表示连接的模式，1代表4邻接，2代表8邻接
#输出：标记数组（labels），从0开始标记。

regionprops

如果想分别对每一个连通区域进行操作，比如计算面积、外接矩形、凸包面积等，则需要调用measure子模块的regionprops（）函数。

from skimage import measure
measure.regionprops(label_image)
#输入：label_image标记数组
#输出：area 区域内像素点总数
#输出：bbox 边界外接框
#输出：centroid 质心坐标
#输出：convex_area 凸包内像素点总数
#输出：convex_image 和边界外接框同大小的凸包
#输出：coords区域内像素点坐标
#输出：eccentricity 离心率
#输出：equivalent_diamenter和区域面积相同的圆的直径
#输出：euler_number区域欧拉数
#输出：extent区域面积和边界外接框面积的比率
#输出：filled_area区域和外接框之间填充的像素点总数
#输出：perimeter区域周长
#输出：label区域标记

label_img = measure.label(mask_erode, connectivity=2)
props = measure.regionprops(label_img)
if props:
    areas = [r.area for r in props]
    areas.sort(reverse=True)
    img_result = morphology.remove_small_objects(label_img, areas[0], connectivity=8, in_place=True)
    # props_sort = sorted(props, key=lambda p: p.area, reverse=True)
    # img_result = morphology.remove_small_objects(label_img, props_sort[0].area, connectivity=8, in_place=True)
    # img_result = morphology.convex_hull_image(img_result)
    img_result = np.where(img_result > 0, 255, 0)

find_contours

from skimage import measure
measure.find_contours(array, level)
#功能：检测二值图像的边缘轮廓
#输入：array一个二值数组图像
#输入：level在图像中查找轮廓的级别值
#输出：轮廓列表集合，可用for循环取出每一条轮廓。

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。

from skimage import measure
measure.subdivide_polygon(coords, degree=2, preserve_ends=False)
#功能：逼近多边形曲线
#输入：coords坐标点序列
#输入：degreeB样条的度数，默认为2
#输入：perserve_ends如果曲线Wie非闭合曲线，是否保存开始和结束点坐标，默认为False。
#输出：细分多边形的曲线的坐标点序列。

approximate_polygon

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。

from skimage import measure
measure.approximate_polygon(coords, tolerance)
#功能：逼近多边形曲线
#输入：coords坐标点序列
#输入：tolerance容忍值
#输出：近似的多边形曲线坐标序列

参考资料

1.python数字图像处理（18）：高级形态学处理
2.python数字图像处理（19）：骨架提取与分水岭算法
3.python数字图像处理（17）：边缘与轮廓
4.opencv+python机读卡识别（二）边缘检测及分割