如何从 cv2.findContours 结果中重新创建带有孔的原始图像？

Question

我正在尝试使用 OpenCV 检测二进制图像中的轮廓，然后绘制生成的轮廓多边形以重新创建输入图像。但是，返回 OpenCV 轮廓多边形的表示方式并不容易。

首先，让我们设置数据：

import cv2
import numpy as np


def a_small_hole_with_diagonal_border() -> np.ndarray:
    bitmask = np.zeros((10, 10), dtype=np.uint8) + 255
    indices = [(2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
               (3, 4), (3, 5), (3, 6),
               (4, 4), (4, 5), (4, 6)]
    row_indices, col_indices = zip(*indices)
    bitmask[row_indices, col_indices] = 0
    bitmask[5:, 7:] = 0
    return bitmask


bitmask = a_small_hole_with_diagonal_border()
padded_bitmask = np.zeros((bitmask.shape[0] + 2, bitmask.shape[1] + 2), dtype=bitmask.dtype)
padded_bitmask[1:-1, 1:-1] = bitmask

这张图是这样的（这些只是matplotlib的截图）：

现在我正在运行 findContours 并绘制结果轮廓：

contours, hierarchy = cv2.findContours(image=padded_bitmask,
                                       mode=cv2.RETR_TREE,
                                       method=cv2.CHAIN_APPROX_SIMPLE)

def get_bitmask(*polygons: np.ndarray, width: int, height: int) -> np.ndarray:
    image = np.zeros((width, height, 3), dtype=np.uint8)
    for polygon in polygons:
        polygon = polygon.reshape((-1, 1, 2)).astype(np.int32)
        cv2.fillPoly(image, pts=[polygon], color=(0, 0, 255))

    return image[..., -1]

get_bitmask(contours[0], 10, 10)
get_bitmask(contours[1], 10, 10)

我得到以下输出：

外围区域的轮廓正是我想要的， 但是对于中间的洞，我想以某种方式勾勒坐标 不代表轮廓的最内边界，而是代表孔的最外边界。 这就是我的意思：

（我手动使用 gimp 将第二个轮廓覆盖在原始图像上）

我想要的是描述孔的这些像素的轮廓（请原谅我的绘画技巧不佳）：

所以本质上，如果我在第一个轮廓上绘制第二个轮廓（我正在为此解析树层次结构），我想重新创建输入图像。 我怎样才能做到这一点？ 如果我只是按照here 的建议绘制孔的多边形，我会得到错误的结果：

img = np.zeros((10, 10, 3), dtype=np.uint8)
polygon = contours[1].reshape((-1, 1, 2)).astype(np.int32)
cv2.fillPoly(img, polygon, color=(255, 0, 0),)

cv2.CHAIN_APPROX_SIMPLE 和 cv2.CHAIN_APPROX_NONE

我尝试在图像及其逆图像上运行 findContours，然后合并结果，但必须有一种更简单的方法，因为我无法让它在所有情况下都能正常工作，而只需获得正确的表示即可容易很多。

Answer 1

这是一个解决方案，但可能会有更好的解决方案。 反转整个图像很棘手，但您可以反转每个孔的遮罩，然后再次运行 findContours。 然后用该输出替换孔的轮廓。 这是一个从 blob 边界计算孔边界的函数。 对来自问题的数据运行它，如果您放入第二个轮廓，您将获得描述您绘制的数据的多边形。

def _get_hole_contour_from_outer_boundary_contour(boundary_contour: np.ndarray,
                                                  padded_bitmask: np.ndarray) -> np.ndarray:
    # We have the outer boundary of the toplevel blob, but we need the outer boundary of the hole
    # which is the pixels that are enclosed by the boundary_contour
    col, row, width, height = cv2.boundingRect(boundary_contour)
    cutout = padded_bitmask[row:row + height, col:col + width]

    # we invert the pixels so that the black hole now becomes a white blob
    # this way we get the representation we want when we extract contours again
    inverse_cutout = np.abs(255 - cutout)
    # We zero out the first and last row and column, as these are part of the
    # bounding box and not part of what is inside the hole
    # This way we don't have to worry about any other holes potentially overlapping
    # into the bounding box
    inverse_cutout[:, 0] = 0
    inverse_cutout[:, -1] = 0
    inverse_cutout[0, :] = 0
    inverse_cutout[-1, :] = 0

    # Now we can use RETR_EXTERNAL, which only gives us the outer boundaries and does not care about holes
    contours_hole, _ = cv2.findContours(image=inverse_cutout,
                                        mode=cv2.RETR_EXTERNAL,
                                        method=cv2.CHAIN_APPROX_SIMPLE,
                                        offset=(col, row))

    # Since we cut out the area exactly around the hole, the one with the biggest bounding box is
    # always the one we want
    return sorted(contours_hole, key=lambda contour: _area_of_bounding_react(contour=contour), reverse=True)[0]


def _area_of_bounding_react(contour: np.ndarray) -> int:
    col, row, width, height = cv2.boundingRect(contour)
    return (col + width) * (row + height)