相关疑难解决方法(0)

我试图理解为matplotlib imshow()函数提供的矩阵值如何确定灰度模式下像素的强度.考虑示例代码:

import random
import matplotlib.pyplot as plt
import matplotlib.cm as cm

def pixels(n=3):
    pixel_data = []
    for _ in range(n):
        row = []
        for _ in range(n):
            row.append(random.randint(1, 10))
        pixel_data.append(row)
    return pixel_data

if __name__ == '__main__':
    pixel_data = pixels()
    print(pixel_data)
    plt.imshow(pixel_data, origin='lower', cmap=cm.Greys_r)
    plt.show()

这里的pixel_data是3*3"矩阵":

[[7, 4, 6], [7, 7, 6], [4, 7, 9]]

这里的值如何确定我在图像中看到的灰色阴影？

我有一张 512x512 的街道网格图像：

我想提取该图像中每条街道的折线（大蓝点 = 交叉点，小蓝点 = 沿折线的点）：

我尝试了一些技巧！一个想法是首先skeletonize将街道压缩至 1 像素宽的线条：

from skimage import morphology
morphology.skeletonize(streets_data))

不幸的是，这存在一些间隙，破坏了街道网络的连通性；我不完全确定为什么，但我猜测这是因为有些街道在某些地方窄 1 像素，而在其他地方宽 1 像素。（更新：这些间隙不是真实的；它们完全是我展示骨架的方式的产物。有关悲伤的故事，请参阅此评论。骨架连接良好。）

我可以使用 , 来修补这些binary_dilation，但代价是使街道的宽度再次有所变化：

out = morphology.skeletonize(streets_data)
out = morphology.binary_dilation(out, morphology.selem.disk(1))

通过重新连接的网格，我可以运行霍夫变换来查找线段：

import cv2
rho = 1  # distance resolution in pixels of the Hough grid
theta = np.pi / 180  # angular resolution in radians of the Hough grid
threshold = 8  # minimum number of votes (intersections in Hough grid cell) …