【youcans 的 OpenCV 例程200篇】222. 特征提取之弗里曼链码（Freeman chain code）
目标特征的基本概念
通过图像分割获得多个区域，得到区域内的像素集合或区域边界像素集合。我们把感兴趣的人或物称为目标，目标所处的区域就是目标区域。
特征通常是针对于图像中的某个目标而言的。图像分割之后，还要对目标区域进行适当的表示和描述，以便下一步处理。
“表示”是直接具体地表示目标，以节省存储空间、方便特征计算。目标的表示方法，有链码、多边形逼近（MPP）、斜率标记图、边界分段、区域骨架。
“描述”是对目标的抽象表达，在区别不同目标的基础上，尽可能对目标的尺度、平移、旋转变化不敏感。
边界特征描述子
目标的边界描述符（Boundary descriptors），也称为边界描述子。
轮廓就是对目标边界的描述，轮廓属性是基本的边界描述子。
例如：
- 边界的长度，轮廓线的像素数量是边界周长的近似估计；
- 边界的直径，边界长轴的长度，等于轮廓最小矩形边界框的长边长度；
- 边界的偏心率，边界长轴与短轴之比，等于轮廓最小矩形边界框的长宽比；
- 边界的曲率，相邻边界线段的斜率差；
- 链码，通过规定长度和方向的直线段来表示边界；
- 傅里叶描述符，对二维边界点进行离散傅里叶变换得到的傅里叶系数，对旋转、平移、缩放和起点不敏感；
- 统计矩，把边界视为直方图函数，用图像矩对边界特征进行描述，具有平移、灰度、尺度、旋转不变性。
例程 12.11：闭合曲线的弗里曼链码
链码表示基于线段的 4连通或 8连通。弗里曼链码（Freeman chain code）使用一种编号方案来对每个线段的方向进行编号。
通过对闭合边界曲线向下降采样，简化了初始轮廓。例程中最大轮廓的像素点 1361，简化后轮廓的像素点 34，对应的弗里曼链码长度 34。即用 34位 Freeman 链码可以描述该最大轮廓的边界特征，显著降低了数据量。
相关算法的详细内容，参见 R.C.Gonzalez 《数字图像处理（第四版）》P587-590 例11.1。
# 12.11 闭合曲线的弗里曼链码（Freeman chain code）
import cv2
import numpy as np
from matplotlib import pyplot as plt
def FreemanChainCode(cLoop, gridsep=1): # 由闭合边界点集生成弗里曼链码
# Freeman 8 方向链码的方向数
dictFreeman = {
(1, 0): 0, (1, 1): 1, (0, 1): 2, (-1, 1): 3, (-1, 0): 4, (-1, -1): 5, (0, -1): 6, (1, -1): 7}
diff_cLoop = np.diff(cLoop, axis=0) // gridsep # cLoop 的一阶差分码，(1357,2)->(1356,2)
direction = [tuple(x) for x in diff_cLoop.tolist()]
codeList = list(map(dictFreeman.get, direction)) # 查字典获得链码，1356
code = np.array(codeList) # 转回 Numpy 数组，(1356,)
return code
if __name__ == '__main__':
# 计算目标轮廓曲线的弗里曼链码
img = cv2.imread("../images/Fig1105.tif", flags=1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度图像
blur = cv2.boxFilter(gray, -1, (5, 5)) # 盒式滤波器，9*9 平滑核
_, binary = cv2.threshold(blur, 200, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)
# 寻找二值化图中的轮廓，method=cv2.CHAIN_APPROX_NONE 输出轮廓的每个像素点
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) # OpenCV4~
# 绘制全部轮廓，contourIdx=-1 绘制全部轮廓
imgCnts = np.zeros(gray.shape[:2], np.uint8) # 绘制轮廓函数会修改原始图像
imgCnts = cv2.drawContours(imgCnts, contours, -1, (255, 255, 255), thickness=2) # 绘制全部轮廓
# 获取最大轮廓
cnts = sorted(contours, key=cv2.contourArea, reverse=True) # 所有轮廓按面积排序
cnt = cnts[0] # 第 0 个轮廓，面积最大的轮廓，(1361, 1, 2)
maxContour = np.zeros(gray.shape[:2], np.uint8) # 初始化最大轮廓图像
cv2.drawContours(maxContour, cnt, -1, (255, 255, 255), thickness=2) # 绘制轮廓 cnt
print("len(contours) =", len(contours)) # contours 所有轮廓的列表
print("area of max contour: ", cv2.contourArea(cnt)) # 轮廓面积
print("perimeter of max contour: {:.1f}".format(cv2.arcLength(cnt, True))) # 轮廓周长
# 向下降采样，简化轮廓的边界
gridsep = 50 # 采样间隔
cntPoints = np.squeeze(cnt) # 删除维度为1的数组维度，(1361,1,2)->(1361,2)
subPoints = boundarySubsample(cntPoints, gridsep) # 自定义函数，通过向下采样简化轮廓
print("subsample steps:", gridsep) # 降采样间距
print("points of contour:", cntPoints.shape[0]) # 原始轮廓点数
print("points of subsample:", subPoints.shape[0]) # 降采样轮廓点数
# 绘制简化轮廓图像
subContour = np.zeros(gray.shape[:2], np.uint8) # 初始化简化轮廓图像
[cv2.circle(subContour, point, 1, 160, -1) for point in cntPoints] # 绘制初始轮廓的采样点
[cv2.circle(subContour, point, 4, 255, -1) for point in subPoints] # 绘制降采样轮廓的采样点
cv2.polylines(subContour, [subPoints], True, 255, thickness=2) # 绘制多边形，闭合曲线
# 生成 Freeman 链码
cntPoints = np.squeeze(cnt) # 删除维度为1 的数组维度，(1361,1,2)->(1361,2)
pointsLoop = np.append(cntPoints, [cntPoints[0]], axis=0) # 首尾循环，结尾添加 cntPoints[0]
chainCode = FreemanChainCode(pointsLoop, gridsep=1) # 自定义函数，生成链码 (1361,)
print("Freeman chain code:", chainCode.shape) # 链码长度为轮廓长度
subPointsLoop = np.append(subPoints, [subPoints[0]], axis=0) # 首尾循环，(34,2)->(35,2)
subChainCode = FreemanChainCode(subPointsLoop, gridsep=50) # 自定义函数，生成链码 (34,)
print("Down-sampling Freeman chain code:", subChainCode.shape) # 链码长度为简化轮廓程度
print("youcans code:", subChainCode)
plt.figure(figsize=(9, 6))
plt.subplot(231), plt.axis('off'), plt.title("Origin")
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.subplot(232), plt.axis('off'), plt.title("Blurred")
plt.imshow(cv2.cvtColor(blur, cv2.COLOR_BGR2RGB))
plt.subplot(233), plt.axis('off'), plt.title("Binary")
plt.imshow(binary, 'gray')
plt.subplot(234), plt.axis('off'), plt.title("Contour")
plt.imshow(imgCnts, 'gray')
plt.subplot(235), plt.axis('off'), plt.title("Max contour")
plt.imshow(maxContour, 'gray')
plt.subplot(236), plt.axis('off'), plt.title("Down sampling")
plt.imshow(subContour, 'gray')
plt.tight_layout()
plt.show()
运行结果：
len(contours) = 24
area of max contour: 152294.5
perimeter of max contour: 1525.4
subsample steps: 50
points of contour: 1361
points of subsample: 34
Freeman chain code: (1361,)
Down-sampling Freeman chain code: (34,)
[4 2 4 2 2 4 2 2 2 2 2 0 2 0 0 0 2 0 0 6 0 6 6 6 6 6 6 6 6 4 6 4 4 4]
【本节完】
说明：本文的案例来自 R.C.Gonzalez 《数字图像处理（第四版）》，本文的程序为作者原创。
版权声明：
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/125534118)
Copyright 2022 youcans, XUPT
Crated：2022-6-30欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
194.寻找图像轮廓（cv.findContours）
222. 特征提取之弗里曼链码