我需要用python获取下图轮廓的坐标（x，y）的矩阵。

我用opencv canny探测器尝试并找到了轮廓，但轮廓很多，但我不知道如何得到想要的轮廓。

import numpy as np
from matplotlib import pyplot as plt
import cv2
#from skimage import measure, feature, io
#from skimage import img_as_ubyte

x1 = 330
xf = 690
y1 = 0
yf = 400

img = cv2.imread('test.tif')
img = img[y1:yf, x1:xf]
edge = cv2.Canny(img, 100, 200)

image, contours, hierarchy = cv2.findContours(edge, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

我只需要一个轮廓为（x，y）坐标的数组。我认为它是在轮廓输出中，cv2.findContours()但是我找不到想要的轮廓...

我也尝试使用该matplotlib.pyplot.contour功能：

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('test.tif', 0) # read image
img = cv2.threshold(img, 0, 255, cv2.THRESH_OTSU)[1] # threshold image
img = cv2.medianBlur(img, 15)  # remove noise

# skeletonize 
size = np.size(img)  # get number of pixels
skel = np.zeros(img.shape, np.uint8) # create an array of zeros with the same shape as the image and 256 gray levels

element = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) # create a structurant element (cross)
done = False

while(not done):
    eroded = cv2.erode(img, element)
    temp = cv2.dilate(eroded, element)
    temp = cv2.subtract(img, temp)
    skel = cv2.bitwise_or(skel, temp)
    img = eroded.copy()
    zeros = size - cv2.countNonZero(img)
    if zeros == size:
        done = True

cs = plt.contour(skel, 1)
p = cs.collections[0].get_paths()[0]
v = p.vertices
x = v[:, 0]
y = v[:, 1]

但是我只有闭合的轮廓，而没有从图像的左到右的开放轮廓。

非常感谢你的回答。

解决方案

您几乎找到了问题的答案。首先，边缘检测和轮廓检测之间存在差异。从根本上说，边缘检测会导致您所谓的（不正确）“开放轮廓”（即边缘），轮廓检测会导致您所谓的“封闭轮廓”（即轮廓）。

的Canny边缘检测是一种流行的边缘检测算法。由于您要以（x，y）坐标从图像的左侧到右侧的数组形式检测边缘，因此Canny边缘检测是个好主意。

答案是edge不是所需的格式。

import numpy as np
import matplotlib.pyplot as plt
import cv2

img = cv2.imread('test.tif')
edge = cv2.Canny(img, 100, 200)

ans = []
for y in range(0, edge.shape[0]):
    for x in range(0, edge.shape[1]):
        if edge[y, x] != 0:
            ans = ans + [[x, y]]
ans = np.array(ans)

print(ans.shape)
print(ans[0:10, :])

数组ans（形状等于(n, 2)）存储n组成检测到的边缘的像素的（x，y）坐标。这是您要寻找的结果。

这是我在这些n像素上用白色绘制的图像：

我希望这能帮到您。