Как перейти от контура CHAIN_APPROX_SIMPLE к контуру CHAIN_APPROX_NONE

Question

Используя cv2.findContours(), можно создавать контуры, которые являются «разреженными» (CHAIN_APPROX_SIMPLE) или «полными» (CHAIN_APPROX_NONE). Как я могу преобразовать "редкие" контуры в "полные" контуры?

У меня нет исходного изображения для моих контуров (хотя форма известна), только контуры, и они "разреженные" (CHAIN_APPROX_SIMPLE). Из этого «разреженного» представления я хочу разрешить представление «полное» (CHAIN_APPROX_NONE), чтобы использовать его для доступа к интенсивности контура из других изображений.

Мое временное решение (см. Фрагмент кода) заключается в использовании cv2.drawContours(), который рисует все пиксели контура из "разреженного" представления контура. Результатом является изображение, и я могу извлечь индексы из полученного изображения, например, используя np.argwhere().

Однако, этот дополнительный шаг кажется немного ненужным, учитывая, что cv2.drawContours(), по-видимому, уже имел эти индексы внутри до рисования получающегося изображения. Я предполагаю, что мне нужен вариант cv2.drawContours() без чертежной части или опция для вывода «полного» контурного представления вместо изображения.

Другая проблема с моим временным решением заключается в том, что он не сохраняет порядок точек из исходного контура. Интересно, может ли cv2.drawContours() воссоздать полные действительные контуры внутри, прежде чем сгладить результат в изображение?

Доступна ли эта функция из других функций в opencv, возможно, более базовой функции, используемой внутри cv2.drawContours()?

import numpy as np
import cv2

# shape (Y,X)
shape = np.array((5, 5))

# sparse contour (X,Y)
sparse_contours = [np.array(
    [[[1, 0]],
     [[1, 4]],
     [[3, 4]],
     [[3, 0]]], dtype=np.int32)]

def full_contour_from_contour(shape, contour):
    # switch shape from y,x to x,y
    shp = shape[[1,0]]
    arr = np.zeros(shp, dtype=np.int32)
    cv2.drawContours(arr, [contour], 0, 1, 1)
    idx = np.argwhere(arr==1)
    # reorder Y,X -> X,Y
    idx = idx[:, [1, 0]]
    # reshape to contour layout
    rows, cols = idx.shape
    idx = idx.reshape(rows, 1, cols)
    return idx.astype(np.int32)

full_contour = full_contour_from_contour(shape, sparse_contour)

# output
# these are correct pixels, with pixels in sparse contour also
# part of the full contour. However, the full contour is not 
# necessarily correct or even valid due to 
# lost information regarding point sequence along the contour)

[[[1 0]]

 [[2 0]]

 [[3 0]]

 [[1 1]]

 [[3 1]]

 [[1 2]]

 [[3 2]]

 [[1 3]]

 [[3 3]]

 [[1 4]]

 [[2 4]]

 [[3 4]]]

Answer 1

В соответствии с предложением приведен фрагмент кода, который, похоже, решает мою проблему.

def full_from_sparse(contour):
    horizontal = np.array([1, 0], 'int')
    vertical = np.array([0, 1], 'int')
    diagonal = np.array([1, 1], 'int')
    def _get_points(p0, p1):
        # find all points on line connecting p0 and p1,
        # including p0, excluding p1
        # line must be horizontal, vertical or diagonal
        diff = p1-p0
        if np.max(np.abs(diff)) <= 1:
            # p0 and p1 are neighbor points
            # or duplicate points, i.e.g no in-between points
            return [p0]
        if diff[0] == 0:
            # vertical
            fac = diff[1]
            inc = vertical
        elif diff[1] == 0:
            # horizontal
            fac = diff[0]
            inc = horizontal
        elif diff[0] == diff[1]:
            # diagonal
            fac = diff[0]
            inc = diagonal
        else:
            raise Exception("points not connected", p0, p1)
        return [p0 + _fac*inc for _fac in range(0, fac, np.sign(fac))]

    full = []
    points = contour[:, 0, :]
    for i in range(len(points)-1):
        _points = _get_points(points[i], points[i+1])
        full.extend(_points)

    # add points from last segment, endpoint to startpoint
    _points = _get_points(points[-1], points[0])
    full.extend(_points)

    # reshape as contour
    full = np.array(full, dtype='int')
    rows, cols = full.shape
    return full.reshape(rows, 1, cols)

Answer 2

Когда вы просматриваете документацию: https://docs.opencv.org/2.4/modules/imgproc/doc/structural_analysis_and_shape_descriptors.html?highlight=findcontours#findcontours утверждает, что разница между ними заключается в том, что CHAIN_APPROX_NONE хранит каждый пиксель, а CHAIN_APPROX_SIMPLE хранит только конечные точки линий, которые образуют контур.Таким образом, вы можете просто построить линии, соединяющие каждую пару последовательных вершин в контуре, чтобы получить аппроксимацию полного представления.Каждый пиксель, принадлежащий линии, также принадлежит контуру.