提取图像的骨架(Skeleton)算法

图像的骨架似乎没有严格的数学定义，可认为是图像细化（Thinning）的产物（中轴可以看作一种骨架，其有严格的数学定义）。目前已经有许多细化算法，这些算法得到的骨架可能略有差异。本文实现了Khalid Sheed 的 K3M算法。该算法属于迭代腐蚀边界的一类算法，该类算法的思想是，假定从二值图像中物体的边界处同时开始燃烧，物体就会被逐步细化，但在燃烧过程中要保证满足一定条件的点被保留或者被“烧掉”，以确定燃烧结束后，剩下的最后一像素宽的图像为图像的骨架。这些条件的确定没有统一的标准，各个算法采取了不同的方案。一般来讲，为了满足计算的速度要求和算法的准确，迭代中算法会对图像边界上某点的3*3邻域内进行检查，判断是否满足要求。

K3M算法在每次迭代中需要进行六次检查

Phase 0. 标记出图像的边界，

Phase 1. 如果该点的邻域中有3个点（非零，以下皆如此）相邻，删除该点

Phase 2. 如果该点的邻域中有3或4个点相邻，删除该点。

Phase 3. 如果该点的邻域中有3，4，5个点相邻，删除该点。

Phase 4. 如果该点的邻域中有3，4，5，6个点相邻，删除该点。

Phase 5. 如果该点的邻域中有3，4，5，6，7个点相邻，删除该点。

Phase 6. 剩余的边界点取消标记，如果Phase 5中没有点被修改，停止迭代，否则返回Phase 0。

具体的步骤可以阅读论文：http://matwbn.icm.edu.pl/ksiazki/amc/amc20/amc2029.pdf。论文中算法实现的一个小技巧是，对邻域中的8个点的值看作二进制，即二进制编码，这样不同的值就对应邻域中不同的状态。迭代中通过计算即可判断该点是否满足条件，是否可以删除。具体细节请移步阅读论文。

算法的测试结果如下：

参考：

http://homepages.inf.ed.ac.uk/rbf/HIPR2/skeleton.htm

http://home.agh.edu.pl/~saeed/arts/2001%20CAIP.pdf

http://www.cs.sunysb.edu/~algorith/files/thinning.shtml

http://matwbn.icm.edu.pl/ksiazki/amc/amc20/amc2029.pdf

#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/objdetect/objdetect.hpp>
#include <opencv2/highgui/highgui.hpp>
#include<vector>
#include<iostream>
#include<algorithm>using std::vector;vector<int> GetFlags(int a[],int length)
{vector<int> vec;int neighbour[]={1,2,4,8,16,32,64,128,1,2,4,8,16,32,64};for(int i=0;i<length;i++){for(int j=0;j<8;j++){int sum=0;for(int k=j;k<=j+a[i];k++)sum+=neighbour[k];vec.push_back(sum);std::cout<<sum<<" ";}}std::cout<<std::endl;return vec;
}
void skeleton(cv::Mat &Input) //Input-binary image
{int a0[]={1,2,3,4,5,6};int a1[]={2};int a2[]={2,3};int a3[]={2,3,4};int a4[]={2,3,4,5};int a5[]={2,3,4,5,6};vector<int> A0=GetFlags(a0,6);vector<int> A1=GetFlags(a1,1);vector<int> A2=GetFlags(a2,2);vector<int> A3=GetFlags(a3,3);vector<int> A4=GetFlags(a4,4);vector<int> A5=GetFlags(a5,5);vector<cv::Point2i> border;bool modify=true;int neighbour[3][3]={{128,1,2},{64,0,4},{32,16,8}};int row=Input.rows;int col=Input.cols;while(modify){modify=false;// flag the border Pharse 0for(int m=1;m<row-1;++m){for(int n=1;n<col-1;++n){int weight=0;for(int j=-1;j<=1;++j){for(int k=-1;k<=1;k++){weight+=neighbour[j+1][k+1]*Input.at<uchar>(m+j,n+k);}}if(std::find(A0.begin(),A0.end(),weight)!=A0.end())border.push_back(cv::Point2i(m,n));}}//Pharse 1vector<cv::Point2i>::iterator first=border.begin();while(first!=border.end()){int weight=0;for(int j=-1;j<=1;++j){for(int k=-1;k<=1;k++){weight+=neighbour[j+1][k+1]*Input.at<uchar>((*first).x+j,(*first).y+k);}}if(std::find(A1.begin(),A1.end(),weight)!=A1.end()){Input.at<uchar>((*first).x,(*first).y)=0;first=border.erase(first);}else++first;}//Pharse2first=border.begin();while(first!=border.end()){int weight=0;for(int j=-1;j<=1;++j){for(int k=-1;k<=1;k++){weight+=neighbour[j+1][k+1]*Input.at<uchar>((*first).x+j,(*first).y+k);}}if(std::find(A2.begin(),A2.end(),weight)!=A2.end()){Input.at<uchar>((*first).x,(*first).y)=0;first=border.erase(first);}else++first;}//Pharse3first=border.begin();while(first!=border.end()){int weight=0;for(int j=-1;j<=1;++j){for(int k=-1;k<=1;k++){weight+=neighbour[j+1][k+1]*Input.at<uchar>((*first).x+j,(*first).y+k);}}if(std::find(A3.begin(),A3.end(),weight)!=A3.end()){Input.at<uchar>((*first).x,(*first).y)=0;first=border.erase(first);}else++first;}//Pharse4first=border.begin();while(first!=border.end()){int weight=0;for(int j=-1;j<=1;++j){for(int k=-1;k<=1;k++){weight+=neighbour[j+1][k+1]*Input.at<uchar>((*first).x+j,(*first).y+k);}}if(std::find(A4.begin(),A4.end(),weight)!=A4.end()){Input.at<uchar>((*first).x,(*first).y)=0;first=border.erase(first);}else++first;}//Pharse5first=border.begin();while(first!=border.end()){int weight=0;for(int j=-1;j<=1;++j){for(int k=-1;k<=1;k++){weight+=neighbour[j+1][k+1]*Input.at<uchar>((*first).x+j,(*first).y+k);}}if(std::find(A5.begin(),A5.end(),weight)!=A5.end()){Input.at<uchar>((*first).x,(*first).y)=0;first=border.erase(first);modify=true;}else++first;}//Pharse6border.clear();}for(int m=1;m<row-1;++m){for(int n=1;n<col-1;++n){int weight=0;for(int j=-1;j<=1;++j){for(int k=-1;k<=1;k++){weight+=neighbour[j+1][k+1]*Input.at<uchar>(m+j,n+k);}}if(std::find(A0.begin(),A0.end(),weight)!=A0.end())Input.at<uchar>(m,n)=0;;}}}
int main()
{cv::Mat raw=cv::imread("test.bmp");cv::Mat image(raw.rows,raw.cols,CV_8UC1);cv::cvtColor(raw,image,CV_RGB2GRAY);cv::Mat binaryImage(image.rows,image.cols,CV_8UC1);cv::threshold(image,binaryImage,150,1,CV_THRESH_BINARY_INV);cv::imshow("input",image);skeleton(binaryImage);for(int p=0;p<binaryImage.rows;p++){for(int q=0;q<binaryImage.cols;q++){if(binaryImage.at<uchar>(p,q)==1)binaryImage.at<uchar>(p,q)=0;elsebinaryImage.at<uchar>(p,q)=255;}}cv::imshow("output",binaryImage);cv::waitKey(0);return 0;
}

提取图像的骨架(Skeleton)算法相关推荐

使用差分金字塔提取图像边缘 python实现
本文提供一种提取图像边缘的快速算法更多提取图像边缘的方法: 最大-最小滤波器实现图像边缘提取 Prewitt滤波器和Sobel滤波器提取图像边缘拉普拉斯滤波器提取图像边缘差分金字塔提取图像边缘算 ...
matlab 求其骨架,数字图像处理图像的骨架生成和提取（Matlab）三种方法
[实例简介] 数字图像处理图像的骨架生成和提取(Matlab),有三种方法,推荐给大家! [实例截图] [核心代码] Programe ├── Programe1 │ ├── 00.JPG │ ...
python图像纹理提取_提取图像的颜色、纹理特征(传统算法)
Python-Image-feature-extraction Python实现提取图像的纹理.颜色特征,包含快速灰度共现矩阵(GLCM).LBP特征.颜色矩.颜色直方图.1044197988/Pyt ...
【图像识别算法】像素级提取图像关键特征、内容 --python代码
像素级提取图像关键特征算法-rgb 关键词:python像素级处理图像,python提取图片关键特征. 基于knn的图像识别技术主要涉及到以下概念: 色彩成像原理 [图像原理]rgb数字图片概念计算 ...
活动作品计算机视觉课程第七讲-带你简单快速学习2021年春晚背后刘德华与背景分离切换到另一场景视觉算法（中集）：OpenCV4图像分割提取图像任意感兴趣区域
计算机视觉课程第七讲-带你简单快速学习2021年春晚背后刘德华与背景分离切换到另一场景视觉算法(中集):OpenCV4图像分割提取图像任意感兴趣区域本专栏将会带大家学习 <计算机视觉与图形学& ...
动作分析姿态估计_单人或多人的人体姿态骨架估计算法概述
原标题:单人或多人的人体姿态骨架估计算法概述如何在大片中实现人物的特效,最终应用人体姿态估计.本博客介绍了使用深度学习技术及其应用的多人姿势估计方法. 人体骨骼骨架以图形格式表达人体运动.基本上,它 ...
深度学习-CNN提取图像特征
一.卷积层 1.卷积操作 2.特征提取-"X" or "O"? 二.池化(Pooling) 三.Relu 层四.全连接层(Fully connected la ...
去雾综述_图像去雾的算法历史与综述
图像去雾的算法历史与综述 1. 前言其实之前对图像去雾也没有什么深入的理解,只是了解,实现过一些传统的图像去雾方法而已.个人感觉,在CNN模型大流行的今天,已经有很多人忽略了传统算法的发展,以至于你 ...
Python grabcut 提取图像前景
grabcut是一个非常实用的提取图像前景的算法.该方法是一种基于图切割的图像分割方法,是基于graph cut算法的改进.grabcut是需要少量用户交互操作.简单的说,就是需要用户指定要识别的区域 ...

提取图像的骨架(Skeleton)算法

提取图像的骨架(Skeleton)算法相关推荐

最新文章

热门文章