本文末尾整理了人工智能学习资料包，需要自取
推荐优秀的历史文章：
NLP全面梳理三大特征提取器：RNN vs CNN vs Transformer
轮廓近似是什么？
Contour approximation 使用--该算法旨在通过减少给定阈值的顶点来简化折线。一般来说，我们使用曲线来减少顶点的数量，同时保持其大部分形状。我将在这里给出算法的粗略概念。算法将首先找到连接两个参考点的最大距离的顶点。让我们称之为max_point。如果max_point距离小于阈值，我们会自动忽略起点和终点之间的所有顶点，使曲线成为一条直线。如果max_point超过阈值，我们将递归重复算法，现在将其重复max_point重复检查过程作为参考之一。
假如，我们要 开发自动导航机器人，在机器人导航过程中，将不可避免地收集大量的路径数据，然后引导机器人前进，但大多数时候，路径拐点，增加计算负担，如何尽可能保留原始路径数据，可以减少大量计算，这需要一些路径估计，这将使用路径轮廓近似原理。
原始路径
轮廓与图片相似
cv2.approxPolyDP实现轮廓近似原理
# -*- coding: utf-8 -*- import numpy as np import cv2 image = cv2.imread("C:/Users/angel/Desktop/image.png") cv2.imshow("Image", image) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV)[1] cv2.imshow("Thresh", thresh) cv2.waitKey(0) 首先，我们导入所需的第三方包。这里最重要的是CV2，然后使用imread函数加载本地图像，因为我们将使用图像中形状的边界，所以我们将图像从 RGB 转换为灰度（）。一旦采用灰度格式，就可以使用 OpenCV 的threshold函数（）这个形状很容易抠图。
原始图片和隔离的图形
# 在阈值图像中找到最大轮廓 cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) #不同opencv版本的不同 if len(cnts) == 2: cnts = cnts[0] elif len(cnts) == 3: cnts = cnts[1] c = max(cnts, key=cv2.contourArea) #在输出图像上绘制轮廓形状，计算 边界框显示轮廓中的点 output = image.copy() cv2.drawContours(output, [c], -1, (0, 255, 0), 3) (x, y, w, h) = cv2.boundingRect(c) text = "original, num_pts={}".format(len(c)) cv2.putText(output, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) print("[INFO] {}".format(text)) cv2.imshow("Original Contour", output) cv2.waitKey(0)使用 OpenCV 的findContours函数，我们可以在给定的图像中选择所有可能的轮廓，我们使用它RETR_EXTERNAL它只返回可用轮廓的单一表示，使用的另一个参数是CHAIN_APPROX_SIMPLE。这将删除单个链线连接中的许多顶点，这些顶点本质上是冗余的。然后我们从轮廓数组中捕获最大轮廓并使用它drawContours画出外框形状的函数。
外框轮廓
for eps in np.linspace(0.001, 0.05, 10): peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, eps * peri, True) output = image.copy() cv2.drawContours(output, [approx], -1, (0, 255, 0), 3) text = "eps={:.4f}, num_pts={}".format(eps, len(approx)) cv2.putText(output, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) print("[INFO] {}".format(text)) cv2.imshow("Approximated Contour", output) cv2.waitKey(0)我们需要一个 valueeps，它将作为测量顶点的阈值，用该阈值计算轮廓近似的参数
在，使用 计算轮廓周长cv2.arcLength函数。然后我们使用它cv2.approxPolyDP启动轮廓近似过程的函数（）。eps×peri乘积值通过不同的遍历充当近似精度eps，近似计算轮廓。
通过操作代码，我们可以看到eps值不断增加，轮廓顶点数不断减少，直到顶点数不再减少，说明轮廓近似算法确实有效。
[INFO] original, num_pts=402 [INFO] eps=0.0010, num_pts=30 [INFO] eps=0.0064, num_pts=25 [INFO] eps=0.0119, num_pts=18 [INFO] eps=0.0173, num_pts=15 [INFO] eps=0.0228, num_pts=14 [INFO] eps=0.0282, num_pts=10 [INFO] eps=0.0337, num_pts=7 [INFO] eps=0.0391, num_pts=6 [INFO] eps=0.0446, num_pts=5 [INFO] eps=0.0500, num_pts=5轮廓近似原理图
当然，在应用中，我们需要找到合适的eps在保证轮廓精度的同时，降低计算成本。
我整理了一个关于pytorch、python基础，图像处理opencv\自然语言处理、机器学习、数学基础等资源数据库，想要学习人工智能或转向高薪行业，大学生非常实用，免费提供，内部资源，人工智能问题数据库，大厂面试题 学习大纲 自学课程大纲2000G人工智能资料礼包免费哦~扫码加V免费获取资料.