首先根据这篇博文https://www.cnblogs.com/xianglan/archive/2011/01/01/1923779.html，自己重新编写python代码，由于出现局部错误，导致出现了一些奇妙结果，因此写就过程如下：

结果一：

# -*- coding: utf-8 -*-

"""

Created on Mon Jun 10 14:35:27 2019

@author: 高行吟

"""

import numpy as np

def Get_skeleton_line(img):

table = [0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,\

0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,\

1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,\

0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,1,\

0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,\

0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,\

0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,0,\

1,1,0,0,1,1,1,0,1,1,0,0,1,0,0,0]

r , c = img.shape

line_img = np.zeros((r , c))

new_img = np.zeros((r + 2 , c + 2))##由于本程序以窗口遍历，因此原矩阵四个方向均增加一个全零边，方便计算

new_img[1:-1 , 1:-1] = img

new_img = np.where(new_img == 1 , 0 , 1)###由于目标区域值为1，而查表法规定，一旦像素为目标，则其权重为0，因此将矩阵所有值全部反向，即是0→1，1→0，方便与权重模板temp做乘法计算

temp = np.array([[1 , 2 , 4] , [8 , 0 , 16] , [32 , 64 , 128]])###权重矩阵

for i in range(1 , r+1):

for j in range(1 , c+1):

line_img[i-1 , j-1] = table[(new_img[i-1:i+2 , j-1:j+2]*temp).sum()]###窗口矩阵与模板相乘，其和即为表索引

return line_img

上述代码处理一副图前后如下：

   

原图                                                                   二值图                                                  处理后

可以看到，本来使用查表法是提取骨骼线的，结果却得到了边界线，结果似乎还很好？也可能本人孤陋寡闻，大方勿笑，反正感觉很奇妙，因此记录下来，以便以后提取边界线时查看。

按照本人理解，应该是倒数第二行代码问题，该行代码将查表后计算的值赋予到一个新的矩阵，并没有对后续查表计算产生影影响，这是不合理的，当中心点完全处于二值图内部时(即是3×3矩阵完全在目标区域内)，计算得到的表索引将为0，查表得到的值同样为0，最终在与二值图目标区域内部的相同位置上，新矩阵的值同样为0，因此导致上述情况。

结果二：

按上述理解改正代码后如下：

# -*- coding: utf-8 -*-

"""

Created on Mon Jun 10 14:35:27 2019

@author: 高行吟

"""

import numpy as np

def Get_skeleton_line(img):

table = [0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,\

0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,\

1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,\

0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,1,\

0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,\

0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,\

0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,0,\

1,1,0,0,1,1,1,0,1,1,0,0,1,0,0,0]

r , c = img.shape

# line_img = np.zeros((r , c))

new_img = np.zeros((r + 2 , c + 2))##由于本程序以窗口遍历，因此原矩阵四个方向均增加一个全零边，方便计算

new_img[1:-1 , 1:-1] = img

new_img = np.where(new_img == 1 , 0 , 1)###由于目标区域值为1，而查表法规定，一旦像素为目标，则其权重为0，因此将矩阵所有值全部反向，即是0→1，1→0，方便与权重模板temp做乘法计算

temp = np.array([[1 , 2 , 4] , [8 , 0 , 16] , [32 , 64 , 128]])###权重矩阵

for i in range(1 , r+1):

for j in range(1 , c+1):

# line_img[i-1 , j-1] = table[(new_img[i-1:i+2 , j-1:j+2]*temp).sum()]######窗口矩阵与模板相乘，其和即为表索引

new_img[i , j] = table[(new_img[i-1:i+2 , j-1:j+2]*temp).sum()]

return new_img[1:-1 , 1:-1]#line_img

但结果仍然未达到目的，提取的仍然不是骨骼线，但生成的图案却，，，怎么说呢，反正是很特殊，是自己平时想要获取类似的图案都无法着手的那种，而且总感觉这种图案会有些用处，但目前还想不到可以用在什么地方。。。

结果图如下，还是上面那副素材：

   

原图                                                                   二值图                                                  处理后

经过与原博客代码对照，发现问题应出现在处理范围上，原博客仅针对目标像素处理，而上述一改之后的代码确是从第一个像素即开始处理，当中心像素窗口完全不在目标区域，其计算的所索引值将达到最大，从table表中可以看出，最终结果为0，与上面处理后图像的结果相符。

结果三：

按照上述理解，进行第二次修改，相对于第一修改后代码，仅增加了倒数第三行代码：

# -*- coding: utf-8 -*-

"""

Created on Mon Jun 10 14:35:27 2019

@author: 高行吟

"""

import numpy as np

def Get_skeleton_line(img):

table = [0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,\

0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,\

1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,\

0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,1,\

0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,\

0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,\

0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,\

1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,0,\

1,1,0,0,1,1,1,0,1,1,0,0,1,0,0,0]

r , c = img.shape

# line_img = np.zeros((r , c))

new_img = np.zeros((r + 2 , c + 2))##由于本程序以窗口遍历，因此原矩阵四个方向均增加一个全零边，方便计算

new_img[1:-1 , 1:-1] = img

new_img = np.where(new_img == 1 , 0 , 1)###由于目标区域值为1，而查表法规定，一旦像素为目标，则其权重为0，因此将矩阵所有值全部反向，即是0→1，1→0，方便与权重模板temp做乘法计算

temp = np.array([[1 , 2 , 4] , [8 , 0 , 16] , [32 , 64 , 128]])###权重矩阵

for i in range(1 , r+1):

for j in range(1 , c+1):

if new_img[i , j] == 0:####判断中心像素是否为目标像素，由于前面进行了像素值反转，因此，此处0值代表目标像素

# line_img[i-1 , j-1] = table[(new_img[i-1:i+2 , j-1:j+2]*temp).sum()]######窗口矩阵与模板相乘，其和即为表索引

new_img[i , j] = table[(new_img[i-1:i+2 , j-1:j+2]*temp).sum()]

return new_img[1:-1 , 1:-1]#line_img

按上述二改后代码运行结果正确，结果为单像素组成的连通边，如下：

原图                                                         二值图                                                    处理后