Python 将二维形状转换为一维空间（形状分类。）

我正在寻找一个基于以下步骤使用Python将二维形状转换为一维空间的代码/库示例：

找到形状的质心

通过选择质心作为参考原点，逆时针展开外轮廓，将其转换为距离信号，该信号由每个边界像素和质心之间的所有距离组成（如图像）

---

谢谢大家!

前段时间我做了类似的事情是为了好玩，灵感来自于一场卡格尔比赛。我使用

opencv

查找图像的轮廓。下面是python 2.7的代码。有关返回轮廓的方向，请参见。您可能需要根据自己的需要对其进行调整，特别是阈值部分。希望这有帮助

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


def shape_desc(im):
    # threshold image
    _, bw = cv2.threshold(im, 128, 255, cv2.THRESH_BINARY)
    # find contours
    contours, hierarchy = cv2.findContours(im.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    # extract largest contour
    largest_idx = np.argmax([len(contours[i]) for i in range(0, len(contours))])
    # get (x,y) coordinates
    x = np.array([contours[largest_idx][i][0][0] for i in range(0, len(contours[largest_idx]))], dtype = np.float).reshape((len(contours[largest_idx]), 1))
    y = np.array([contours[largest_idx][i][0][1] for i in range(0, len(contours[largest_idx]))], dtype = np.float).reshape((len(contours[largest_idx]), 1))
    # find the centroid
    m = cv2.moments(np.array([[x[i][0], y[i][0]] for i in range(0, len(x))]).reshape((-1, 1 ,2)).astype(np.int32))
    x_bar = m['m10']/m['m00']
    y_bar = m['m01']/m['m00']

    x_1 = np.array([i[0] for i in x])
    y_1 = np.array([i[0] for i in y])
    # take the centroid as the reference
    x = x_1 - x_bar
    y = y_1 - y_bar

    return np.sqrt(x*x + y*y)

下面是将此应用于以下形状相似的图像的结果。请注意，图像和绘图已重新缩放

filename = '19.jpg'
im = cv2.imread(filename, 0)

desc = shape_desc(im)
plt.stem(desc)

---

不久前，我做了一些类似的事情，是为了好玩，灵感来自一场卡格尔比赛。我使用

opencv

查找图像的轮廓。下面是python 2.7的代码。有关返回轮廓的方向，请参见。您可能需要根据自己的需要对其进行调整，特别是阈值部分。希望这有帮助

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


def shape_desc(im):
    # threshold image
    _, bw = cv2.threshold(im, 128, 255, cv2.THRESH_BINARY)
    # find contours
    contours, hierarchy = cv2.findContours(im.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    # extract largest contour
    largest_idx = np.argmax([len(contours[i]) for i in range(0, len(contours))])
    # get (x,y) coordinates
    x = np.array([contours[largest_idx][i][0][0] for i in range(0, len(contours[largest_idx]))], dtype = np.float).reshape((len(contours[largest_idx]), 1))
    y = np.array([contours[largest_idx][i][0][1] for i in range(0, len(contours[largest_idx]))], dtype = np.float).reshape((len(contours[largest_idx]), 1))
    # find the centroid
    m = cv2.moments(np.array([[x[i][0], y[i][0]] for i in range(0, len(x))]).reshape((-1, 1 ,2)).astype(np.int32))
    x_bar = m['m10']/m['m00']
    y_bar = m['m01']/m['m00']

    x_1 = np.array([i[0] for i in x])
    y_1 = np.array([i[0] for i in y])
    # take the centroid as the reference
    x = x_1 - x_bar
    y = y_1 - y_bar

    return np.sqrt(x*x + y*y)

下面是将此应用于以下形状相似的图像的结果。请注意，图像和绘图已重新缩放

filename = '19.jpg'
im = cv2.imread(filename, 0)

desc = shape_desc(im)
plt.stem(desc)

---

不知道是否有帮助，但质心可以用scipy计算：scipy还有一个模块用于计算阵列中两点之间的距离：另外请注意，OpenCV中的计数可能更适合您的需要：谢谢，Bobo。我会检查的。似乎有帮助。你想用它作为形状匹配的形状描述符吗？@dhanushka这是形状描述符，兄弟。图像a将被转换为图像b。不知道这是否有帮助，但质心可以用scipy计算：scipy还有一个模块用于计算阵列中两点之间的距离：还要注意，OpenCV中的计数可能更适合您的需要：谢谢，Bobo。我会检查的。似乎有帮助。你想用它作为形状匹配的形状描述符吗？@dhanushka这是形状描述符，兄弟。图像a将转换为图像b。谢谢。我会查的，谢谢。我会检查的。