目录

1. 形态学操作

2. 边缘平滑化

3. 轮廓近似

python 有回归线平滑 2D 轮廓

---

1. 形态学操作

利用形态学操作（例如腐蚀、膨胀、开运算、闭运算等）可以使分割边界更加平滑和连续。腐蚀可以消除小的不连续区域，膨胀可以填充空洞，而开运算可以平滑边界并保留边缘信息，闭运算则可以填充小的孔洞。

import cv2
import numpy as np# 读取语义分割结果
segmentation_result = cv2.imread('segmentation_result.png', 0)  # 读取单通道图像# 形态学操作
kernel = np.ones((5,5), np.uint8)
smoothed_result = cv2.morphologyEx(segmentation_result, cv2.MORPH_CLOSE, kernel)

2. 边缘平滑化

在分割边界上应用边缘平滑化算法（如高斯滤波、均值滤波、中值滤波等）可以减少噪声并使得边界更加平滑。

python  code

smoothed_result = cv2.GaussianBlur(segmentation_result, (5, 5), 0)

3. 轮廓近似

利用轮廓近似算法（如Douglas-Peucker算法）可以对边界轮廓进行抽稀，从而使得轮廓更加平滑。

contours, _ = cv2.findContours(segmentation_result, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)epsilon = 0.02 * cv2.arcLength(contours[0], True)
approx = cv2.approxPolyDP(contours[0], epsilon, True)
smoothed_result = np.zeros_like(segmentation_result)
cv2.drawContours(smoothed_result, [approx], -1, 255, thickness=cv2.FILLED)

python 有回归线平滑 2D 轮廓

import cv2
import numpy as np
from scipy.interpolate import splprep, splev
import matplotlib.pyplot as plt# 假设有一组轮廓点坐标
x = np.array([10, 20, 30, 40, 50])
y = np.array([5, 15, 10, 25, 20])# 多项式拟合
tck, _ = splprep([x, y], s=0)  # s 参数控制拟合平滑度# 生成新的平滑轮廓点
new_points = splev(np.linspace(0, 1, 100), tck)# 创建一张空白图像
image = np.zeros((100, 100), dtype=np.uint8)# 将平滑后的轮廓点转换为整数坐标，并绘制在图像上
smoothed_contour = np.array(new_points, dtype=np.int32).T.reshape((-1, 1, 2))
cv2.polylines(image, [smoothed_contour], isClosed=False, color=255, thickness=1)# 将图像转换为RGB格式以供Matplotlib显示
image_rgb = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)