我以二维数组的形式表示图像。我有这张照片：
如何获取直接位于灰色区域边界的像素并对其进行着色？
我想分别获取绿色和红色矩阵元素的坐标。我在矩阵上只有白色、黑色和灰色区域。
【问题讨论】：
标签： python algorithm numpy edge-detection
希望以下内容可以满足您的需求（或至少有所帮助）。想法是使用基于阈值的逻辑检查将其拆分为各个区域。然后可以使用 numpy roll 来检测这些区域之间的边缘以移动 x 和 y 中的像素并进行比较以查看我们是否处于边缘，
import matplotlib.pyplot as plt
import numpy as np
import scipy as sp
from skimage.morphology import closing
thresh1 = 127
thresh2 = 254
#Load image
im = sp.misc.imread('jBD9j.png')
#Get threashold mask for different regions
gryim = np.mean(im[:,:,0:2],2)
region1 = (thresh1<gryim)
region2 = (thresh2<gryim)
nregion1 = ~ region1
nregion2 = ~ region2
#Plot figure and two regions
fig, axs = plt.subplots(2,2)
axs[0,0].imshow(im)
axs[0,1].imshow(region1)
axs[1,0].imshow(region2)
#Clean up any holes, etc (not needed for simple figures here)
#region1 = sp.ndimage.morphology.binary_closing(region1)
#region1 = sp.ndimage.morphology.binary_fill_holes(region1)
#region1.astype('bool')
#region2 = sp.ndimage.morphology.binary_closing(region2)
#region2 = sp.ndimage.morphology.binary_fill_holes(region2)
#region2.astype('bool')
#Get location of edge by comparing array to it's
#inverse shifted by a few pixels
shift = -2
edgex1 = (region1 ^ np.roll(nregion1,shift=shift,axis=0))
edgey1 = (region1 ^ np.roll(nregion1,shift=shift,axis=1))
edgex2 = (region2 ^ np.roll(nregion2,shift=shift,axis=0))
edgey2 = (region2 ^ np.roll(nregion2,shift=shift,axis=1))
#Plot location of edge over image
axs[1,1].imshow(im)
axs[1,1].contour(edgex1,2,colors='r',lw=2.)
axs[1,1].contour(edgey1,2,colors='r',lw=2.)
axs[1,1].contour(edgex2,2,colors='g',lw=2.)
axs[1,1].contour(edgey2,2,colors='g',lw=2.)
plt.show()
这给出了。为简单起见，我将 roll 与每个区域的倒数一起使用。您可以将每个连续区域滚动到下一个区域以检测边缘
感谢@Kabyle 提供奖励，这是我花了一段时间寻找解决方案的问题。我尝试了 scipy 骨架化、feature.canny、拓扑模块和 openCV，但成功有限……这种方式对我的案例来说是最稳健的（液滴界面跟踪）。希望对您有所帮助！
【讨论】：
np.ma.nonzero(~edgex1)
对此有一个非常简单的解决方案：根据定义，任何同时具有白色和灰色邻居的像素都位于您的“红色”边缘，而灰色和黑色邻居位于“绿色”边缘。最亮/最暗的邻居由skimage.filters.rank 中的最大/最小过滤器返回，具有最亮/最暗邻居（白色/灰色或灰色/黑色）的像素掩码的二进制组合分别产生边缘。
结果：
一个可行的解决方案：
import numpy
import skimage.filters.rank
import skimage.morphology
import skimage.io
# convert image to a uint8 image which only has 0, 128 and 255 values
# the source png image provided has other levels in it so it needs to be thresholded - adjust the thresholding method for your data
img_raw = skimage.io.imread('jBD9j.png', as_grey=True)
img = numpy.zeros_like(img, dtype=numpy.uint8)
img[:,:] = 128
img[ img_raw < 0.25 ] = 0
img[ img_raw > 0.75 ] = 255
# define "next to" - this may be a square, diamond, etc
selem = skimage.morphology.disk(1)
# create masks for the two kinds of edges
black_gray_edges = (skimage.filters.rank.minimum(img, selem) == 0) & (skimage.filters.rank.maximum(img, selem) == 128)
gray_white_edges = (skimage.filters.rank.minimum(img, selem) == 128) & (skimage.filters.rank.maximum(img, selem) == 255)
# create a color image
img_result = numpy.dstack( [img,img,img] )
# assign colors to edge masks
img_result[ black_gray_edges, : ] = numpy.asarray( [ 0, 255, 0 ] )
img_result[ gray_white_edges, : ] = numpy.asarray( [ 255, 0, 0 ] )
imshow(img_result)
附：具有黑白邻居或所有三种颜色邻居的像素属于未定义的类别。上面的代码不会为这些着色。您需要弄清楚在这些情况下如何为输出着色；但是很容易扩展上述方法以为此制作另一个或两个掩码。
附：边缘是两个像素宽。没有更多信息就无法解决：边缘位于两个区域之间，并且您尚未定义希望它们在每种情况下重叠的两个区域中的哪一个，因此唯一对称的解决方案是将两个区域重叠一个像素。
附：这会将像素本身视为其自己的邻居。灰色上孤立的白色或黑色像素，反之亦然，将被视为边缘（以及它周围的所有像素）。
【讨论】：
虽然 plonser 的回答可能很容易实施，但我认为它在锋利和薄边方面失败了。不过，我建议您使用他的部分方法作为预处理。
在第二步中，您想使用Marching Squares Algorithm。根据scikit-image的文档，是
行进立方体算法的一个特例（Lorensen、William 和 哈维·E·克莱恩。 Marching Cubes：高分辨率 3D 表面 构造算法。计算机图形学（SIGGRAPH 87 论文集） 21(4) 1987 年 7 月，第 21 页。 163-170
甚至还有一个 Python 实现作为 scikit-image 包的一部分。我一直在成功地使用这个算法（不过是我自己的 Fortran 实现）在通信工程中对眼图进行边缘检测。
广告 1：预处理
创建图像的副本并使其仅具有两种颜色，例如黑，白。坐标保持不变，但您要确保算法能够正确地做出是/否决定，而与您在图像矩阵表示中使用的值无关。
广告 2：边缘检测
维基百科以及各种博客都为您提供了各种语言的算法的漂亮elaborate description，因此我不再赘述。不过，让我给你一些实用的建议：
最后：一些后期处理
我建议为图像添加人工边界。这有两个优点：
1. Marching Squares 算法开箱即用。
2. 无需区分图像边界和图像内两个区域之间的界面。设置完彩色边缘后，只需移除人工边界 - 这将移除图像边界处的彩色线条。
【讨论】：
基本上按照pyStarter的建议使用scikit-image中的marching square算法，可以使用以下代码提取所需的轮廓：
import matplotlib.pyplot as plt
import numpy as np
import scipy as sp
from skimage import measure
import scipy.ndimage as ndimage
from skimage.color import rgb2gray
from pprint import pprint
#Load image
im = rgb2gray(sp.misc.imread('jBD9j.png'))
n, bins_edges = np.histogram(im.flatten(),bins = 100)
# Skip the black area, and assume two distinct regions, white and grey
max_counts = np.sort(n[bins_edges[0:-1] > 0])[-2:]
thresholds = np.select(
[max_counts[i] == n for i in range(max_counts.shape[0])],
[bins_edges[0:-1]] * max_counts.shape[0]
)
# filter our the non zero values
thresholds = thresholds[thresholds > 0]
fig, axs = plt.subplots()
# Display image
axs.imshow(im, interpolation='nearest', cmap=plt.cm.gray)
colors = ['r','g']
for i, threshold in enumerate(thresholds):
contours = measure.find_contours(im, threshold)
# Display all contours found for this threshold
for n, contour in enumerate(contours):
axs.plot(contour[:,1], contour[:,0],colors[i], lw = 4)
axs.axis('image')
axs.set_xticks([])
axs.set_yticks([])
plt.show()
!
但是，从您的图像中没有明确定义的灰色区域，因此我获取了图像中两个最大的强度计数，并对它们进行了阈值处理。有点令人不安的是白色区域中间的红色区域，但是我认为这可以通过直方图过程中的 bin 数量进行调整。您也可以像 Ed Smith 那样手动设置这些。
【讨论】：
也许有更优雅的方式来做到这一点......
但如果您的数组是 numpy 数组，尺寸为 (N,N)（灰度），您可以这样做
import numpy as np
# assuming black -> 0 and white -> 1 and grey -> 0.5
black_reg = np.where(a < 0.1, a, 10)
white_reg = np.where(a > 0.9, a, 10)
xx_black,yy_black = np.gradient(black_reg)
xx_white,yy_white = np.gradient(white_reg)
# getting the coordinates
coord_green = np.argwhere(xx_black**2 + yy_black**2>0.2)
coord_red = np.argwhere(xx_white**2 + yy_white**2>0.2)
0.2这个数字只是一个阈值，需要调整。
【讨论】：
0还是1？
我认为您可能正在寻找灰度图像的边缘检测方法。有很多方法可以做到这一点。也许这可以帮助http://en.m.wikipedia.org/wiki/Edge_detection。要区分白色和灰色之间的边缘以及黑色和灰色之间的边缘，请尝试使用局部平均强度。
【讨论】：