概述
拓扑重建
这是http://www.imagepy.org/的作者原创，我只是对其理解之后改进和说明，欢迎大家使用这个小软件！
第一个用Python写的小项目，不算自创的，大部分都是参考别人的，由于第一次用python写opencv遇到了无数的问题，最后也算完成了。
opencv的入门我就不写了，以前都学过差不多，在此记录一下基础！
基础操作
首先说一下python条件下用opencv，重点记录，不重点看文档就好！
1.如何创建一个空白图片
A.
1 test = np.array([[0,255,0],[0,0,0],[0,0,0]])
2 np.array([[0,255,0],[0,0,0],[0,0,0]],np.uint8)#千万别写成这种格式，他把格式也存进去了
B.
1 showImage = np.zeros((inputImage.shape[0],inputImage.shape[1],3),np.uint8)
C.
1 showImage = inputImage.copy()
2 showImage = cv2.cvtColor(showImage,cv2.COLOR_GRAY2BGR)
2.如何读写一个图片
A.
1 img[j,i] = 255#单通道读写
B.
1 #三通道读写
2 img[j,i,0]= 255
3 img[j,i,1]= 255
4 img[j,i,2]= 255
C.
1 img.itemset((10,10,2),100)#写入
2 img.item(10,10,2)#读
3.画图形
1 cv2.circle(showImage,(j+1,i+1), 5, (0,0,255), -1)#画圆注意圆心是X,Y
4.python大部分函数都有返回值
#python的函数貌似都有返回值
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret2,img = cv2.threshold(img,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)
5.
1 Shape of image is accessed by img.shape. It returns a tuple of number of rows, columns and channels
1 Total number of pixels is accessed by img.size:
1 Image datatype is obtained by img.dtype:
骨架提取
废话说了不少开始实战了：
在此说明：
本程序和算法主要参考：http://www.cnblogs.com/xianglan/archive/2011/01/01/1923779.html写的非常好，大家初学直接看大佬的博客就行了。
本文后续拓普重建主要是：https://github.com/yxdragon/sknw没有看这位大佬的程序，但是他的思想帮助我很多。
因为得到别人帮助才有我自己的收获，所以乐于分享其他初学者！
以下是和大佬的对话，没经过本人同意所以打了马，非常乐于助人的大佬！
1 import cv2
2 import numpy as np
3 from matplotlib import pyplot as plt
4
5 array = [0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,
6 1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,
7 0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,
8 1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,
9 1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,
10 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
11 1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,1,
12 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
13 0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,
14 1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,
15 0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,
16 1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,
17 1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,
18 1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,
19 1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,0,
20 1,1,0,0,1,1,1,0,1,1,0,0,1,0,0,0]
21
22 def Thin(image,array):
23 '''未改进算法'''
24 #midImage = image.copy()
25 for i in range(image.shape[0]-2):
26 for j in range(image.shape[1]-2):
27 if image[i+1,j+1] == 0:
28 a = [1]*9 #定义list[9]
29 for k in range(3):
30 for l in range(3):
31 a[k*3+l] = 0 if image[i+k,j+l]==0 else 1
32 sum = a[0]*1+a[1]*2+a[2]*4+a[3]*8+a[5]*16+a[6]*32+a[7]*64+a[8]*128
33 image[i+1,j+1] = array[sum]*255
34 return image
35
36 def HThin(image,array):
37 flag = True #如果该点被删除，跳过下一个点
38 midImage = image.copy()
39 for i in range(image.shape[0]-2):
40 for j in range(image.shape[1]-2):
41 if flag == False:
42 flag == True
43 else:
44 if image[i+1,j+1] == 0 and (image[i+1,j] != 0 or image[i+1,j+2] != 0):#左右都为黑点不处理
45 a = [1]*9 #定义list[9]
46 for k in range(3):
47 for l in range(3):
48 a[k*3+l] = 0 if midImage[i+k,j+l]==0 else 1
49 sum = a[0]*1+a[1]*2+a[2]*4+a[3]*8+a[5]*16+a[6]*32+a[7]*64+a[8]*128
50 midImage[i+1,j+1] = array[sum]*255
51 return midImage
52 def VThin(image,array):
53 flag = True #如果该点被删除，跳过下一个点
54 midImage = image.copy()
55 for i in range(image.shape[1]-2):
56 for j in range(image.shape[0]-2):
57 if flag == False:
58 flag == True
59 else:
60 if image[j+1,i+1] == 0 and (image[j,i+1] != 0 or image[j+2,i+1] != 0):#左右都为黑点不处理
61 a = [1]*9 #定义list[9]
62 for k in range(3):
63 for l in range(3):
64 a[k*3+l] = 0 if midImage[j+k,i+l]==0 else 1
65 sum = a[0]*1+a[1]*2+a[2]*4+a[3]*8+a[5]*16+a[6]*32+a[7]*64+a[8]*128
66 midImage[j+1,i+1] = array[sum]*255
67 return midImage
68
69 def wjy_Bone(inputImage,num=100):
70 '''改进算法'''
71 for i in range(num):
72 inputImage = VThin(HThin(inputImage,array),array)
73 return inputImage
74
75 def ThredImage(image,thred):
76 '''二值化图像'''
77 imageGray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
78 midimage = np.zeros((imageGray.shape[0],imageGray.shape[1]),imageGray.dtype)
79 for i in range(imageGray.shape[0]):
80 for j in range(imageGray.shape[1]):
81 midimage[i,j] = 0 if imageGray[i,j] < int(thred) else 255
82 return midimage
83
84 def drawBone(inputImage):
85 #showImage = np.zeros((inputImage.shape[0],inputImage.shape[1],3),np.uint8)
86 showImage = inputImage.copy()
87 showImage = cv2.cvtColor(showImage,cv2.COLOR_GRAY2BGR)
88 for i in range(inputImage.shape[0]-2):
89 for j in range(inputImage.shape[1]-2):
90 if inputImage[i+1,j+1] == 255 : continue
91 flag = -1
92 for J in range(3):
93 for K in range(3):
94 if inputImage[i+J,j+K] == 0:
95 flag += 1
96 if(flag==1 or flag>=3):
97 showImage = cv2.circle(showImage,(j+1,i+1), 5, (0,0,255), -1)
98 showImage[i+1,j+1,0] = 255
99 showImage[i+1,j+1,1] = 0
100 showImage[i+1,j+1,2] = 0
101 return showImage
102
103 if __name__ == '__main__':
104 img = cv2.imread("5.jpg")
105 #test = np.array([[0,255,0],[0,0,0],[0,0,0]])
106 #千万写写成np.array([[0,255,0],[0,0,0],[0,0,0]],np.uint8)
107 img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
108 ret2,img = cv2.threshold(img,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)
109 #testImage = Thin(img,array)
110 #testImage = wjy_Bone(img)
111 testImage = drawBone(wjy_Bone(img,10))
112 plt.imshow(testImage,cmap='gray',interpolation = 'bicubic')
113 plt.show()
114
轮廓追溯
第一步：
对骨架提取之后的图片变换成(0,1)图，骨架为0，背景为1
第二步：
提取骨架角点，方法在骨架提取的时候有说明。
第三步：
在提取角点的基础上标记骨架图，对角点标记为2，对轮廓标记为1，对背景标记为0
第四步：
对角点进行标记区分，10、11、12、13.......
第五步：(此处是对程序的另行说明，是整个程序核心点)
对标号点进行路径追溯操作
先说本程序使用的方法：
先从角点进行周围检测，找边缘
以找到的边界点为中心向四周寻找边界(角点)
在寻找路径的过程中把路径的点记录下来。
防止寻找重复，就是在寻找之后把路径清除。
找的结果就是10和11这两个点
再说说我自己的想法：
我的想法比本程序的稍微简单一些，思路基本是相同的。就是直接以角点为基础向四周寻找角点。
第六步：
把得到的角点和路径存放到一个“图”中，这样使用的时候就非常方便了
PS：图我还没有学过，这里不过多说明。
上代码：
1 from cv2 import *
2 import numpy as np
3 import matplotlib.pyplot as plt
4 import networkx as nx
5 from numba import jit
6
7 @jit# get neighbors d index
8 #得到领域的坐标(如果是二维直接算可以，但如果是三维就不一样了)
9 #这里是作者的改进适合多维图像，每句话的含义我没有弄懂
10 def neighbors(shape):#传进来的是二值图，所以维度是2
11 '''答案是：[-1921 -1920 -1919 -1 1 1919 1920 1921]'''
12 dim = len(shape)
13 block = np.ones([3]*dim) #维度为dim，数据3X3
14 block[tuple([1]*dim)] = 0 #取[1,1]位置为0
15 idx = np.where(block>0) #非零区域的位置信息
16 idx = np.array(idx, dtype=np.uint8).T #idx转换成矩阵，并且转置
17 idx = np.array(idx-[1]*dim) #全部值减一
18 acc = np.cumprod((1,)+shape[::-1][:-1]) #叠乘
19 return np.dot(idx, acc[::-1]) #点乘
20
21 @jit # my mark
22 #标记骨架图每个点的含义
23 #0：不是骨架
24 #1：骨架路径上的点
25 #2：端点或者角点
26 def mark(img): # mark the array use (0, 1, 2)
27 nbs = neighbors(img.shape)
28 img = img.ravel()
29 for p in range(len(img)):
30 if img[p]==0:continue
31 s = 0
32 '''判断中心点领域八个点的情况'''
33 for dp in nbs:
34 if img[p+dp]!=0:s+=1
35 if s==2:img[p]=1
36 else:img[p]=2
37
38
39 @jit # trans index to r, c...
40 # 坐标转换，图像被转换成一行处理，现在得把关键点转换回来(x,y)
41 def idx2rc(idx, acc):
42 rst = np.zeros((len(idx), len(acc)), dtype=np.int16)
43 for i in range(len(idx)):
44 for j in range(len(acc)):
45 rst[i, j] = idx[i] // acc[j]
46 idx[i] -= rst[i, j] * acc[j]
47 return rst
48
49
50 @jit # fill a node (may be two or more points)
51 # 标记节点，把节点打上不同的编码img.copy()=(2,2,2,2.....)----->>>>(10,11,12,13......)
52 # 并且把行坐标转换成(x，y)类型的坐标存放
53 def fill(img, p, num, nbs, acc, buf):
54 back = img[p] # 位置点的值存放
55 img[p] = num # 计数值
56 buf[0] = p # 位置点存放
57 cur = 0;
58 s = 1;
59 while True:
60 p = buf[cur] #
61 for dp in nbs:
62 cp = p + dp
63 if img[cp] == back:
64 img[cp] = num
65 buf[s] = cp
66 s += 1
67 cur += 1
68 if cur == s: break
69 return idx2rc(buf[:s], acc)
70
71
72 @jit # trace the edge and use a buffer, then buf.copy, if use [] numba not works
73 #路径跟踪找边缘
74 def trace(img, p, nbs, acc, buf):
75 '''这里的c1和c2是找的一条路径的两个端点，存放的端点标记>=10'''
76 c1 = 0
77 c2 = 0
78 newp = 0 #更新之后的位置
79 cur = 0 #计数，用来计算路径上点的数量
80
81 b = p==97625 #b = (p==97625)
82 #while找的是一条路径(具体说明请看附图)
83 while True:
84 buf[cur] = p#位置存储
85 img[p] = 0 #当前位置置0(搜索过得路径置0，防止重复搜索)
86 cur += 1 #光标加一(移动一个位置)
87 for dp in nbs:
88 cp = p + dp
89 if img[cp] >= 10:#判断是否为端点
90 if c1==0: c1=img[cp]#找的第一个端点()
91 else: c2 = img[cp]#
92 if img[cp] == 1:
93 newp = cp
94 p = newp
95 if c2!=0:break
96 return (c1-10, c2-10, idx2rc(buf[:cur], acc))
97
98
99 @jit # parse the image then get the nodes and edges
100 # 找节点和边缘
101 def parse_struc(img):
102 nbs = neighbors(img.shape)
103 acc = np.cumprod((1,) + img.shape[::-1][:-1])[::-1] # (1，img.shape[0])
104 img = img.ravel()
105 pts = np.array(np.where(img == 2))[0]
106 buf = np.zeros(20, dtype=np.int64)
107 num = 10
108 nodes = []
109 for p in pts:
110 if img[p] == 2:
111 nds = fill(img, p, num, nbs, acc, buf)
112 num += 1
113 nodes.append(nds)
114
115 buf = np.zeros(10000, dtype=np.int64)
116 edges = []
117 # 这个for循环是找一个点上对应的多个路径
118 for p in pts:
119 for dp in nbs:
120 if img[p + dp] == 1: # 找路径，img路径点值为1
121 edge = trace(img, p + dp, nbs, acc, buf)
122 edges.append(edge)
123 return nodes, edges
124
125
126 # use nodes and edges build a networkx graph
127 #将建立的节点和路径存放到NX的图中
128 def build_graph(nodes, edges):
129 graph = nx.Graph()
130 for i in range(len(nodes)):
131 graph.add_node(i, pts=nodes[i], o=nodes[i].mean(axis=0))
132 for s,e,pts in edges:
133 l = np.linalg.norm(pts[1:]-pts[:-1], axis=1).sum()
134 graph.add_edge(s,e, pts=pts, weight=l)
135 return graph
136 #建立一个图
137 def build_sknw(ske):
138 mark(ske)
139 nodes, edges = parse_struc(ske.copy())
140 return build_graph(nodes, edges)
141 #画出一个'图'
142 # draw the graph
143 def draw_graph(img, graph):
144 for idx in graph.nodes():
145 pts = graph.node[idx]['pts']
146 img[pts[:,0], pts[:,1]] = 255
147 for (s, e) in graph.edges():
148 pts = graph[s][e]['pts']
149 img[pts[:,0], pts[:,1]] = 128
150
151 array = [0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,
152 1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,
153 0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,
154 1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,
155 1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,
156 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
157 1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,1,
158 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
159 0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,
160 1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,
161 0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,
162 1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,
163 1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,
164 1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,
165 1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,0,
166 1,1,0,0,1,1,1,0,1,1,0,0,1,0,0,0]
167
168 @jit#横向细化
169 def HThin(image,array):
170 flag = True #如果该点被删除，跳过下一个点
171 midImage = image.copy()
172 for i in range(image.shape[0]-2):
173 for j in range(image.shape[1]-2):
174 if flag == False:
175 flag = True
176 else:
177 if image[i+1,j+1] == 0 and (image[i+1,j] != 0 or image[i+1,j+2] != 0):#左右都为黑点不处理
178 a = [0]*9 #定义list[9]
179 for k in range(3):
180 for l in range(3):
181 a[k*3+l] = 0 if midImage[i+k,j+l]==0 else 1
182 sum = a[0]*1+a[1]*2+a[2]*4+a[3]*8+a[5]*16+a[6]*32+a[7]*64+a[8]*128
183 midImage[i+1,j+1] = array[sum]*255
184 return midImage
185 @jit#纵向细化
186 def VThin(image,array):
187 flag = True #如果该点被删除，跳过下一个点
188 midImage = image.copy()
189 for i in range(image.shape[1]-2):
190 for j in range(image.shape[0]-2):
191 if flag == False:
192 flag = True
193 else:
194 if image[j+1,i+1] == 0 and (image[j,i+1] != 0 or image[j+2,i+1] != 0):#左右都为黑点不处理
195 a = [0]*9 #定义list[9]
196 for k in range(3):
197 for l in range(3):
198 a[k*3+l] = 0 if midImage[j+k,i+l]==0 else 1
199 sum = a[0]*1+a[1]*2+a[2]*4+a[3]*8+a[5]*16+a[6]*32+a[7]*64+a[8]*128
200 midImage[j+1,i+1] = array[sum]*255
201 return midImage
202 @jit#横向和纵向合并
203 def wjy_Bone(inputImage,num=100):
204 '''改进算法'''
205 for i in range(num):
206 inputImage = VThin(HThin(inputImage,array),array)
207 return inputImage
208 @jit#骨架提取
209 def drawBone(inputImage):
210 #showImage = np.zeros((inputImage.shape[0],inputImage.shape[1],3),np.uint8)
211 showImage = inputImage.copy()
212 showImage = cvtColor(showImage,COLOR_GRAY2BGR)
213 for i in range(inputImage.shape[0]-2):
214 for j in range(inputImage.shape[1]-2):
215 if inputImage[i+1,j+1] > 0 : continue
216 flag = -1
217 for J in range(3):
218 for K in range(3):
219 if inputImage[i+J,j+K] == 0:
220 flag += 1
221 if(flag==1 or flag>=3):
222 showImage = circle(showImage,(j+1,i+1), 5, (0,0,255), -1)
223 showImage[i+1,j+1,0] = 255
224 showImage[i+1,j+1,1] = 0
225 showImage[i+1,j+1,2] = 0
226 return showImage
227
228 if __name__ == '__main__':
229 img = imread('5.jpg')
230 img = cvtColor(img,COLOR_BGR2GRAY)
231 ret2, img = threshold(img, 0, 255, THRESH_BINARY | THRESH_OTSU)
232 #wjy2 = drawBone(wjy_Bone(img, num = 500))
233 img = wjy_Bone(img,num=500).astype(np.uint16)#细化之后从uint8转换到uint16
234 img = np.where(img > 0, np.uint16(img/255),0)
235 img = np.where(img > 0, img - 1 , img + 1)
236 graph = build_sknw(img)#这里传进来的图像数值为(0 or 1) ，类型是uint16
237
238 plt.imshow(img, cmap='gray')
239 for (s, e) in graph.edges():
240 ps = graph[s][e]['pts']
241 plt.plot(ps[:, 1], ps[:, 0], 'green')
242
243 node, nodes = graph.node, graph.nodes()
244 ps = np.array([node[i]['o'] for i in nodes])
245 plt.plot(ps[:, 1], ps[:, 0], 'r.')
246 plt.title('Build Graph')
247 plt.show()
不是太完美的图，应该是细化出问题了
推广一下大佬的开源项目：http://www.imagepy.org/开源的精神值得我们学习，问问题的时候尽量发个红包，不在多少在心意。
参考：
http://blog.csdn.net/sunny2038/article/details/9080047 (基础操作)
http://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_core/py_basic_ops/py_basic_ops.html#basic-ops (英文文档)
最后
以上就是机灵舞蹈为你收集整理的《图像处理实例》 之 拓扑重建的全部内容，希望文章能够帮你解决《图像处理实例》 之 拓扑重建所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复