有没有办法在 OpenCV/skimage 中获取浮点坐标的轮廓属性？

Question

我在 Matplotlib 中创建了等高线图，我需要进一步分析它们是否是闭合曲线，然后查看细胞结构的面积、凸度、坚固度等。 在 Matplotlib 中，它们的类型为LineCollection和Path 。

在 OpenCV 中，我无法将float组传递给cv2.contourArea或类似函数。 另一方面，转换为uint8坐标会丢失嵌套结构等重要数据。 在这种情况下，我需要到达内部嵌套的凸轮廓。

是否有任何选项可以在 Python 中查找区域、凸包、边界矩形等信息？

我可以放大图像，但我担心它可能会意外地扭曲图像。

例如：带有浮点和 integer 坐标的附加图像。

Answer 1

我假设，您可以完全控制 Matplotlib 部分。 因此，让我们尝试从那里获取图像，您可以轻松地将其用于 OpenCV 的进一步图像处理。

我们从一些常见的contour plot 开始，如您的问题所示：

您可以设置levels参数以获得单个轮廓级别。 这对于单独在多个级别上工作很有帮助。 下面，我将重点关注levels=[1.75] （最内层的绿色椭圆）。 稍后，您可以简单地遍历所有所需的级别，并执行您的分析。

对于我们的自定义轮廓 plot，我们将使用xlim和ylim设置固定的x, y域，例如[-3, 3] x [-2, 2] 。 因此，我们已经知道实际 canvas 的尺寸。 我们使用axis('off')摆脱了轴，使用tight_layout(pad=0)了 canvas 周围的边距。 剩下的是全尺寸的普通 canvas （图形尺寸调整为(10, 5) ， colors 自动调整为级别数）：

现在，我们将 canvas 保存到一些 NumPy 阵列，参见。 这个问答。 从那里，我们可以执行任何 OpenCV 操作。 为了找到这个级别轮廓的组合区域，我们可以对灰度图像进行阈值化，找到所有轮廓，并使用cv2.contourArea计算它们的区域。 我们对这些区域求和，并以像素为单位获得整个区域。 从已知的 canvas 尺寸，我们知道整个 canvas 区域以“单位”为单位，从图像尺寸中，我们知道整个 canvas 区域以像素为单位。 因此，我们只需要将整个轮廓区域（以像素为单位）除以整个 canvas 区域（以像素为单位），然后乘以整个 canvas 区域（以“单位”为单位）。

这就是整个代码：

import cv2
import matplotlib.pyplot as plt
import numpy as np

# Generate some data for some contour plot
delta = 0.025
x = np.arange(-3.0, 3.0, delta)
y = np.arange(-2.0, 2.0, delta)
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-(X + 1.5)**2 - Y**2)
Z2 = np.exp(-(X - 1.5)**2 - Y**2)
Z = (Z1 + Z2) * 2

# Custom contour plot
x_min, x_max = -3, 3
y_min, y_max = -2, 2
fig = plt.figure(2, figsize=(10, 5))    # Set large figure size
plt.contour(X, Y, Z, levels=[1.75])     # Set single levels if needed
plt.xlim([x_min, x_max])                # Explicitly set x limits
plt.ylim([y_min, y_max])                # Explicitly set y limits
plt.axis('off')                         # No axes shown at all
plt.tight_layout(pad=0)                 # No margins at all

# Get figure's canvas as NumPy array, cf. https://stackoverflow.com/a/7821917/11089932
fig.canvas.draw()
img = np.frombuffer(fig.canvas.tostring_rgb(), dtype=np.uint8)
img = img.reshape(fig.canvas.get_width_height()[::-1] + (3,))

# Grayscale, and threshold image
mask = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
mask = cv2.threshold(mask, 0, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV)[1]

# Find contours, calculate areas (pixels), sum to get whole area (pixels) for certain level
cnts = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
area = np.sum(np.array([cv2.contourArea(cnt) for cnt in cnts]))

# Whole area (coordinates) from canvas area (pixels), and x_min, x_max, etc.
area = area / np.prod(mask.shape[:2]) * (x_max - x_min) * (y_max - y_min)
print('Area:', area)

output 区域似乎是合理的：

Area: 0.861408

现在，您可以使用您喜欢的 OpenCV 进行任何图像处理。 永远记得将任何以像素为单位的结果转换为以“单位”为单位的某些结果。

----------------------------------------
System information
----------------------------------------
Platform:      Windows-10-10.0.16299-SP0
Python:        3.9.1
PyCharm:       2021.1.1
Matplotlib:    3.4.1
NumPy:         1.20.2
OpenCV:        4.5.1