measure.fing_contours 函数参数
时间: 2024-05-20 07:11:43 浏览: 12
`measure.find_contours` 函数是用于寻找二值图像中的轮廓的函数,它的参数如下:
- `image`: 输入的二值图像,可以是一个灰度图像或者一个彩色图像。
- `level`: 用于指定轮廓的阈值,即二值化的阈值。如果不指定,则默认为 0.5。
- `fully_connected`: 一个布尔值,用于指定是否只考虑八连通的轮廓。如果为 `True`,则只考虑八连通的轮廓;如果为 `False`,则同时考虑四连通和八连通的轮廓。默认为 `True`。
- `positive_orientation`: 一个布尔值,用于指定是否保证轮廓的方向是逆时针方向。如果为 `True`,则保证轮廓的方向是逆时针方向;如果为 `False`,则不作任何保证。默认为 `False`。
- `mask`: 一个与输入图像大小相同的掩膜,用于指定需要计算轮廓的像素位置。如果不指定,则默认为整个图像。
相关问题
measure.find_contours用法
`measure.find_contours` 是 Scikit-image 库中的一个函数,用于在二进制图像中查找轮廓。它可以用于分割图像中的对象,或者计算对象的形状和大小等特征。
以下是 `measure.find_contours` 的用法示例:
```python
from skimage import measure
import numpy as np
# 创建一个二进制图像
image = np.zeros((100, 100))
image[20:80, 20:80] = 1
# 查找图像中的轮廓
contours = measure.find_contours(image, 0.5)
# 绘制轮廓
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
ax.imshow(image, interpolation='nearest', cmap=plt.cm.gray)
for contour in contours:
ax.plot(contour[:, 1], contour[:, 0], linewidth=2)
ax.axis('image')
ax.set_xticks([])
ax.set_yticks([])
plt.show()
```
在上述代码中,我们首先创建了一个 100x100 的二进制图像,其中一个矩形区域被设置为白色。然后,我们使用 `measure.find_contours` 函数查找图像中的轮廓,并将它们绘制出来。
`measure.find_contours` 函数的第一个参数是二进制图像,第二个参数是阈值,用于将图像中的像素值转换为二进制值。函数返回一个轮廓列表,每个轮廓是一个 N×2 的数组,其中 N 是轮廓上的点数,第一列是 y 坐标,第二列是 x 坐标。
measure.find_contours 函数中,fully_connected怎么设置true或false
在 `measure.find_contours` 函数中,`fully_connected` 参数用于指定轮廓的连接方式。当其设为 `True` 时,表示使用 4-连接(只考虑上下左右四个相邻像素),当其设为 `False` 时,表示使用 8-连接(考虑所有相邻像素)。下面是一个示例代码:
``` python
import numpy as np
from skimage import measure
# 创建一个 10 x 10 的二维矩阵
image = np.zeros((10, 10))
# 在矩阵上绘制一个三角形
image[2:8, 2:8] = np.tri(6, 6)
# 查找轮廓
contours = measure.find_contours(image, 0.5, fully_connected=True)
# 输出轮廓数量
print(len(contours)) # 1
# 查找轮廓(使用 8-连接)
contours = measure.find_contours(image, 0.5, fully_connected=False)
# 输出轮廓数量
print(len(contours)) # 2
```
在上面的示例中,`fully_connected=True` 表示使用 4-连接,`fully_connected=False` 表示使用 8-连接。当使用 4-连接时,函数只能找到一个轮廓,而当使用 8-连接时,函数能够找到两个轮廓。
相关推荐
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)