优化cv2.findContours()函数提取的目标边界点
假设我们想要提取的目标边界长这样：
我们先使用以下代码查看效果
import cv2 import numpy as np import os if __name__ == '__main__': # 图像可以选择自己的 image_filepath = './landslide/image/20221129112713.png' # 读取图像 image = cv2.imread(image_filepath) # 转化为灰度图像 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) cv2.imshow('gray', gray) cv2.waitKey(0) # 提取轮廓，重要的是contours这个数组类型 contours, hierarchy = cv2.findContours(gray, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) for i in range(len(contours)): # 每一次对一个轮廓进行描边，描边的颜色为color参数，轮廓的索引值为i new_image = cv2.drawContours(image, contours, i, color=[0, 0, 255]) cv2.imshow('new_image', new_image) cv2.waitKey(0)
可以看到cv2.findContours()函数可以将目标的所有边界点都进行导出来，但是他的点存在一个问题，太过密集，如果我们想将语义分割的结果重新导出成labelme格式的json文件进行修正时，这就会存在点太密集没有办法进行修改，这里展示一个示例：没有对导出的结果进行修正，在labelme中的效果图。
可以看到这里直接导出的点太过于密集，需要对其进行一个优化，否则难以直接使用labelme进行修正。
优化的思想可以使用一些优化算法对密集的点进行删除，网上都有一些教程。
这里我们提供我们转化后的一个效果图：
目前这个点的密集程度已经大大减少，基本上已经接近人工在labelme软件上标注的效果。
创作不易，可以通过这个链接下载代码，如果存在问题可以私信我下载链接。
如果对您有帮助可以点👍哦
![论文推荐|[PR 2019]SegLink++：基于实例感知与组件组合的任意形状密集场景文本检测方法](https://ucc.alicdn.com/pic/developer-ecology/097a66ba52f04beca527bdfba5b61e8e.png?x-oss-process=image/resize,h_160,m_lfit)
