使用NumPy 1D搜索在类似模具的黑白图像中查找边缘，例如
不确定如何循环一维数组以正确创建布尔掩码。查看了相当多的资源&堆栈，它们没有显式地涵盖这类基本操作。
如有任何建议，敬请指教。这是伪代码。
# Pseudocode for 1D array search.
nrows, ncols = img.shape[:2]
nrows = nrows-1 #avoid index error
ncols = ncols-1
# i+1 pixel index wanted here
outedges_row = (img[nrows][i] == 0) & (img[nrows][i+1] == 255)
outedges_col = (img[ncols][i] == 0) & (img[ncols][i+1] == 255)
# i pixel index wanted here
inedges_row = (img[nrows][i] == 255) & (img[nrows][i+1] == 0)
inedges_col = (img[ncols][i] == 255) & (img[ncols][i+1] == 0)
# display outline of shapes
edges = np.unique(outedges_row & outedges_col & inedges_col & inedges_row)
img2 = np.copy(img)
img2[edges]
cv.imshow('',img2)即使是一个非常简单的外形轮廓，对我来说也是非常有价值的学习。
编辑：预期输出
2条答案
按热度按时间jutyujz01#
“边”像素的特征是一个简单的属性：它是黑色的，并且它的邻居中至少有一个是白色的(您可以在4个或8个相连的邻居中进行选择)。
这是相当容易实现的。在图像的侧面，可以认为“外部”像素是白色的。
qv7cva1a2#
典型的边缘检测方法是取“导数”或与“边缘检测核”(如Sobel、高斯拉普拉斯等)进行卷积。
例如，这给出了一个非常简单的水平导数：
二阶运算符：
...顺便说一句，它创建了所有垂直边缘的Map。
要转换为布尔图，可以对结果进行阈值操作：
高斯核的典型拉普拉斯函数：
如果你不局限于线性运算符，你甚至可以做像
edges = abs(dx) + abs(dy)这样的事情。只是要小心相移。@Yves建议的另一种“非线性”方法是使用4-连接的邻居。一种可能的实施方式：