Python 使用numpy/scipy进行形状识别（可能是分水岭）

我的目标是跟踪那些有很多单独形状的图形，并将这些形状分割成单独的图像。它是黑白相间的。我对numpy、opencv&co是个新手，但我现在的想法是：

• 扫描黑色像素
• 发现黑色像素->分水岭
• 查找流域边界（作为多边形路径）
• 继续搜索，但忽略已找到边界内的点

我不太擅长这类事情，有没有更好的办法

首先，我试图找到分水岭结果的矩形边界框（这或多或少是一个拼贴示例）：

从numpy导入*
将numpy作为np导入
从scipy导入ndimage
np.set\u打印选项（阈值=np.nan）
a=np.zeros（（512，512））.astype（np.uint8）#分水岭所需的无符号整数类型
y、 x=np.ogrid[0:512，0:512]
m1=（（y-200）**2+（x-100）**2<30**2）
m2=（（y-350）**2+（x-400）**2<20**2）
m3=（（y-260）**2+（x-200）**2<20**2）
a[m1+m2+m3]=1
markers=np.zero_like（a）.aType（int16）
标记[0,0]=1
标记[200100]=2
标记[350400]=3
标记[260200]=4
res=ndimage.divident\u ift（a.astype（uint8），标记）
独特的（res）
B=argwhere（res.astype（uint8））
（ystart，xstart），（ystop，xstop）=B.min（0），B.max（0）+1
tr=a[ystart:ystop，xstart:xstop]
打印tr

---

不知何故，当我使用原始数组（a）时，argwhere似乎起作用，但在分水岭（res）之后，它只是再次输出完整的数组

下一步可能是找到形状周围的多边形路径，但现在边界框将非常棒

---

请帮忙

使用scipy中的

ndimage

库。函数

label

在阈值内的每个像素块上放置一个唯一的标记。这将标识唯一的簇（形状）。从您对

a

的定义开始：

from scipy import ndimage

image_threshold = .5
label_array, n_features =  ndimage.label(a>image_threshold)

# Plot the resulting shapes
import pylab as plt
plt.subplot(121)
plt.imshow(a)
plt.subplot(122)
plt.imshow(label_array)
plt.show()

---

虽然他已经回答了你的大部分问题，但当他回答时，我正在写这篇文章，所以我会寄希望于它仍然有用…… 你想跳过太多的障碍。您不需要

分水岭\u if

您可以使用

scipy.ndimage.label

区分布尔数组中的不同对象，并使用

scipy.ndimage.find_objects

查找每个对象的边界框

让我们把事情分解一下

import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt

def draw_circle(grid, x0, y0, radius):
    ny, nx = grid.shape
    y, x = np.ogrid[:ny, :nx]
    dist = np.hypot(x - x0, y - y0)
    grid[dist < radius] = True
    return grid

# Generate 3 circles...
a = np.zeros((512, 512), dtype=np.bool)
draw_circle(a, 100, 200, 30)
draw_circle(a, 400, 350, 20)
draw_circle(a, 200, 260, 20)

# Label the objects in the array. 
labels, numobjects = ndimage.label(a)

# Now find their bounding boxes (This will be a tuple of slice objects)
# You can use each one to directly index your data. 
# E.g. a[slices[0]] gives you the original data within the bounding box of the
# first object.
slices = ndimage.find_objects(labels)

#-- Plotting... -------------------------------------
fig, ax = plt.subplots()
ax.imshow(a)
ax.set_title('Original Data')

fig, ax = plt.subplots()
ax.imshow(labels)
ax.set_title('Labeled objects')

fig, axes = plt.subplots(ncols=numobjects)
for ax, sli in zip(axes.flat, slices):
    ax.imshow(labels[sli], vmin=0, vmax=numobjects)
    tpl = 'BBox:\nymin:{0.start}, ymax:{0.stop}\nxmin:{1.start}, xmax:{1.stop}'
    ax.set_title(tpl.format(*sli))
fig.suptitle('Individual Objects')

plt.show()

将numpy导入为np
从scipy导入ndimage
将matplotlib.pyplot作为plt导入
def绘制圆（网格，x0，y0，半径）：
ny，nx=grid.shape
y、 x=np.ogrid[：ny，：nx]
dist=np.hypot（x-x0，y-y0）
网格[距离<半径]=真
回流栅
#生成3个圆。。。
a=np.zero（（512，512），dtype=np.bool）
画圆（a，100，200，30）
画圆（a，400，350，20）
画圆（a，200，260，20）
#为阵列中的对象添加标签。
标签，numobjects=ndimage.label（a）
#现在找到它们的边界框（这将是切片对象的元组）
#您可以使用每一个直接索引数据。
#例如，[slices[0]]为您提供了该对象边界框内的原始数据
#第一个目标。
切片=nImage.find_对象（标签）
#--绘图-------------------------------------
图，ax=plt.子批次（）
ax.imshow（a）
ax.集合标题（“原始数据”）
图，ax=plt.子批次（）
ax.imshow（标签）
ax.set_title（“标记对象”）
图，轴=plt子批次（ncols=多个项目）
对于ax，拉链中的sli（axes.flat，切片）：
imshow（标签[sli]，vmin=0，vmax=numobjects）
tpl='BBox:\nymin:{0.start}，ymax:{0.stop}\nxmin:{1.start}，xmax:{1.stop}'
ax.集合标题（tpl.格式（*sli））
图suptitle（“单个对象”）
plt.show（）

---

希望这能让我们更清楚地找到对象的边界框。

非常感谢你们两位的回答，我想就是这个了。如果可以的话，我只能问一个新手的问题：我不能只保存边界矩形的区域，因为其他形状将“窥视”。因此，我的计划是将图像区域乘以反转标签数组（使当前形状之外的所有内容都变为黑色），然后用ndimage保存图像区域。你能告诉我正确的方向怎么做吗？我知道，只要我有时间我会认真的rtfm！我想您只需要

label==num

其中

num

是

label

中对象的编号（带标签的数组）。像这样的操作是在numpy数组上矢量化的，所以它就是上面的语句。您将在“对象”内部得到一个布尔数组

True

，在外部得到

False

。

import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt

def draw_circle(grid, x0, y0, radius):
    ny, nx = grid.shape
    y, x = np.ogrid[:ny, :nx]
    dist = np.hypot(x - x0, y - y0)
    grid[dist < radius] = True
    return grid

# Generate 3 circles...
a = np.zeros((512, 512), dtype=np.bool)
draw_circle(a, 100, 200, 30)
draw_circle(a, 400, 350, 20)
draw_circle(a, 200, 260, 20)

# Label the objects in the array. 
labels, numobjects = ndimage.label(a)

# Now find their bounding boxes (This will be a tuple of slice objects)
# You can use each one to directly index your data. 
# E.g. a[slices[0]] gives you the original data within the bounding box of the
# first object.
slices = ndimage.find_objects(labels)

#-- Plotting... -------------------------------------
fig, ax = plt.subplots()
ax.imshow(a)
ax.set_title('Original Data')

fig, ax = plt.subplots()
ax.imshow(labels)
ax.set_title('Labeled objects')

fig, axes = plt.subplots(ncols=numobjects)
for ax, sli in zip(axes.flat, slices):
    ax.imshow(labels[sli], vmin=0, vmax=numobjects)
    tpl = 'BBox:\nymin:{0.start}, ymax:{0.stop}\nxmin:{1.start}, xmax:{1.stop}'
    ax.set_title(tpl.format(*sli))
fig.suptitle('Individual Objects')

plt.show()