#!/usr/bin/env python3
import numpy as np
from PIL import Image
from scipy.ndimage import generic_filter
from skimage.morphology import medial_axis
# Line ends filter
def lineEnds(P):
"""Central pixel and just one other must be set to be a line end"""
return 255 * ((P[4]==255) and np.sum(P)==510)
# Open image and make into Numpy array
im = Image.open('lines.png').convert('L')
im = np.array(im)
# Skeletonize
skel = (medial_axis(im)*255).astype(np.uint8)
# Find line ends
result = generic_filter(skel, lineEnds, (3, 3))
# Save result
Image.fromarray(result).save('result.png')
请注意,使用ImageMagick命令行,您可以获得完全相同的结果,所需的工作量要少得多:
^{pr2}$
或者,如果您希望它们是数字而不是图像:
convert result.png txt: | grep "gray(255)"
样本输出
134,78: (65535) #FFFFFF gray(255) < - line end at coordinates 134,78
106,106: (65535) #FFFFFF gray(255) < - line end at coordinates 106,106
116,139: (65535) #FFFFFF gray(255) < - line end at coordinates 116,139
196,140: (65535) #FFFFFF gray(255) < - line end at coordinates 196,140
from skimage.morphology import medial_axis
import cv2
# read the lines image
img = cv2.imread('/tmp/tPVCc.png', 0)
# get the skeleton
skel = medial_axis(img)
# skel is a boolean matrix, multiply by 255 to get a black and white image
cv2.imwrite('/tmp/res.png', skel*255)
下面是一个相当简单的方法:
请注意,使用ImageMagick命令行,您可以获得完全相同的结果,所需的工作量要少得多:
^{pr2}$或者,如果您希望它们是数字而不是图像:
样本输出
另一种方法是使用scipy.ndimage.morphology.binary_hit_or_miss,并将您的“Hits”设置为下图中的白色像素,将您的“Misses”设置为黑色像素:
这个图表来自安东尼·蒂森的优秀材料here。在
与上述类似,您可以将上面的“Hits”和“Misses”内核与OpenCV一起使用,如here:
我想这是最快的方法。在
关键词:Python、图像、图像处理、行尾、行尾、形态、命中或未命中、HMT、ImageMagick、filter。在
你提到的方法应该可以很好的工作,你只需要做一个形态学操作之前,减少线的宽度到一个像素。您可以使用scikit图像来实现:
见this page关于skimage中的骨骼化方法。在
我会用分水岭式算法来解决这个问题。我在下面描述了这个方法,但它只处理单个(多段)线,所以您需要将图像分割成多行的图像。在
玩具示例:
其中
0
表示黑色,1
表示白色。在现在我的解决方案实现:
^{pr2}$输出:
现在结束由上面数组中最大值的位置表示(在本例中是
6
)。在解释:我正在检查尽可能多的白色像素。对于每一个这样的像素,我是“泛洪”图像-我放置特殊值(
127
-不同于0
,不同于255
),然后推广它-在每一步中,所有与特殊值相邻的255
本身都成为特殊值。我正在计算删除所有255
所需的步骤。因为如果你从末端开始(等速)注水,比在任何其他位置都有水源的情况下要花费更多的时间,那么最大的泛洪次数就是终点。在我必须承认,我没有深入地测试这一点,所以我不能保证在特殊情况下正确工作,例如在自交线的情况下。我也意识到我的解决方案的粗糙度,特别是在检测邻居和传播特殊值方面,所以请随意改进它。我假设所有的边界像素都是黑色的(没有一条线接触到图像的“框架”)。在
相关问题 更多 >
编程相关推荐