python scikit-image提取图片轮廓并输出结果图

在Python的scikit-image库中，你可以使用`skimage.measure.find_contours()`函数来提取图像的轮廓。这个函数接收一个二值图像作为输入，并返回轮廓的坐标列表。以下是一个简单的步骤示例：

from skimage import io, measure
import matplotlib.pyplot as plt

# 加载图片
img = io.imread('your_image_path.png', as_gray=True) # 确保图片是灰度图
# 将图片转换为二值图像（0代表背景，255代表前景）
_, img_binary = threshold_BINARY(img)

# 提取轮廓
contours = measure.find_contours(img_binary, 0.5) # 阈值可以根据需要调整

# 绘制原图和轮廓
fig, ax = plt.subplots(figsize=(8, 6))
ax.imshow(img, cmap='gray')
for contour in contours:
    ax.plot(contour[:, 1], contour[:, 0], linewidth=2)
plt.show()

在这个例子中，`find_contours()`返回的是每个轮廓的一系列x和y坐标点。然后你可以用matplotlib将这些坐标画出来形成轮廓线。

相关问题

python scikit-image提取图片轮廓

在Python的scikit-image库中，可以使用`skimage.measure.find_contours()`函数来提取图片的轮廓。这个函数基于OpenCV的轮廓检测功能，通常用于二值图像处理，也就是灰度图像中黑背景与白前景之间的边缘检测。

首先，你需要对图像进行预处理，比如转换为二值图像，这可以通过阈值化、Otsu's阈值法等方法实现。然后，调用`find_contours()`，传入处理后的二值图像以及一个布尔值表示是否闭合轮廓：

from skimage import io, measure
import numpy as np

# 加载图像
img = io.imread('your_image.png', as_gray=True)

# 转换为二值图像（例如，这里使用全局阈值）
threshold = 0.5
binary_img = img > threshold

# 提取轮廓
contours, _ = measure.find_contours(binary_img, 0.5)  # 第二个参数通常是轮廓连接模式

# 现在contours是一个numpy数组，每个轮廓是一个二维数组，包含了轮廓上各点的(x, y)坐标

Python中如何对一张图片操作灰度，滤波降噪，二值化，边缘检测，轮廓提取等操作，提取到图片中的圆以及圆的坐标

在Python中，我们可以使用一些图像处理库如PIL（Python Imaging Library），OpenCV或scikit-image来进行图片的各种操作。这里简单描述一下：

1. **灰度转换**：
使用`PIL`库的`convert()`函数可以将图片转换为灰度，例如：

   from PIL import Image
   img = Image.open('image.jpg')
   gray_img = img.convert('L')

2. **滤波降噪**：
OpenCV提供了多种滤波器，如高斯滤波（`cv2.GaussianBlur()`）或中值滤波（`cv2.medianBlur()`）。例如：

   import cv2
   noisy_img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
   blurred_img = cv2.GaussianBlur(noisy_img, (5, 5), 0)

3. **二值化**：
使用阈值分割（`cv2.threshold()`）或者Otsu's算法（`cv2.threshold()`中的`cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU`）来将灰度图转为二值图：

   _, binary_img = cv2.threshold(blurred_img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

4. **边缘检测**：
边缘检测可以用Sobel算子（`cv2.Canny()`）或Cv2的`findContours()`函数结合霍夫变换（`cv2.HoughCircles()`）寻找圆形特征：

   edges = cv2.Canny(binary_img, 50, 150)
   circles = cv2.HoughCircles(edges, cv2.HOUGH_GRADIENT, dp=1, minDist=50, param1=50, param2=30, minRadius=0, maxRadius=0)

5. **轮廓提取**：
要提取轮廓，首先找到边缘，然后使用`findContours()`：

   contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

6. **提取圆及坐标**：
如果`HoughCircles()`成功找到圆，结果会是一个数组，每个元素包含圆心坐标和半径。例如：

   if circles is not None:
       circles = np.round(circles[0, :]).astype("int")
       for (x, y, r) in circles:
           print(f"Circle found at ({x}, {y}) with radius {r}")
   else:
       print("No circles detected.")