opencv 骨架提取算法（查表索引法）.doc

发布时间：2022-05-29 发布人：admin 分类：说明书资料大小：0.44M 资料格式：doc 举报版权申诉

liuxinhuihz-8041489-738d4c8526f907d65e466266c7885d05.doc.pdf-第1页.png

第1页 / 共14页

liuxinhuihz-8041489-738d4c8526f907d65e466266c7885d05.doc.pdf-第2页.png

第2页 / 共14页

liuxinhuihz-8041489-738d4c8526f907d65e466266c7885d05.doc.pdf-第3页.png

第3页 / 共14页

liuxinhuihz-8041489-738d4c8526f907d65e466266c7885d05.doc.pdf-第4页.png

第4页 / 共14页

liuxinhuihz-8041489-738d4c8526f907d65e466266c7885d05.doc.pdf-第5页.png

第5页 / 共14页

liuxinhuihz-8041489-738d4c8526f907d65e466266c7885d05.doc.pdf-第6页.png

第6页 / 共14页

liuxinhuihz-8041489-738d4c8526f907d65e466266c7885d05.doc.pdf-第7页.png

第7页 / 共14页

liuxinhuihz-8041489-738d4c8526f907d65e466266c7885d05.doc.pdf-第8页.png

第8页 / 共14页

//Mat 类型骨架算法查索引表法

原理

//Mat 类型骨架算法查索引表法 //20141009 //opencv 2.4.9 vs2012 Mat 类型图像原图细化结果示例代码：原理及 iplimage 类型实现详见后文 //xx.h using namespace std; using namespace cv; //std::string Mat VThin( Mat &tmp, int array[256] ); Mat HThin( Mat &XihuaTmp, int array[256] ); //XX.cpp int array[256] = {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}; ********************** //细化 Mat iXihua(gray_img.size(),CV_8UC1); Mat XihuaTmp(gray_img.size(),CV_8UC1); //20141009 索引表法 //取反 for(int h=0;h(h,w)==0) Close_morphologyEx_img.at(h,w)=255; else Close_morphologyEx_img.at(h,w)=0; { } } //注意这里取反为什么不是 0-1,而是 0<—>255 呢？因为 opencv 里面的图像深度是 8 位的，并不仅仅是//0,1 两位 // for (int i = 0;i<20;i++) //阈值 20 是可变的，根据每个区域的大小改变，若最大区域较大，则将阈值增大，反之变小，可通过测试看出效果 { } XihuaTmp = VThin(Close_morphologyEx_img,array); iXihua = HThin(XihuaTmp,array); //水平细化 //垂直细化 imwrite("音孔检测\\08-1 音孔_dTF1_xihua1.bmp",iXihua); ************************* Mat Cglass_locateDlg::VThin( Mat &tmp, int array[256] ) //细化主程序调用垂直细化 { int NEXT = 1; int M =0; int a[9]; int sum; int width = tmp.size().width;//int width = Close_morphologyEx_img.cols int height = tmp.size().height;////int width = Close_morphologyEx_img.rows

for (int h = 0;h0 &&wimageData + tmp->widthStep*(h)))[w-1]+((uchar*)(tmp->imageData + tmp->widthStep*(h)))[w]+((uchar*)(tmp->imageData + tmp->widthStep*(h)))[w+1]; M=tmp.at(h,w-1)+tmp.at(h,w)+tmp.at(h,w+1); } else { M = 1; } if((tmp.at(h,w)) == 0 && M!=0) { a[0] = a[1] = a[2] = a[3] = a[4] = a[5] = a[6] = a[7] = a[8] = 0; for(int i = 0;i<3;i++) { for(int j = 0;j<3;j++) { if((h-1+i) > -1 &&(h-1+i) -1&&(w-1+j)(h-1+i,w-1+j))==255) { a[i*3+j] = 1; } } } } } sum = a[0]*1+a[1]*2+a[2]*4+a[3]*8+a[5]*16+a[6]*32+a[7]*64+a[8]*128; //(uchar*)(tmp->imageData + tmp->widthStep*h))[w] = array[sum]*255; tmp.at(h,w)=array[sum]*255;

if(array[sum]==1) { NEXT = 0; } } } } } return tmp; } Mat Cglass_locateDlg::HThin( Mat &XihuaTmp, int array[256] ) //细化主程序调用水平细化 { int NEXT = 1; int M =0; int A[9]; int sum; int width = XihuaTmp.size().width;//int width = Close_morphologyEx_img.cols int height = XihuaTmp.size().height;////int width = Close_morphologyEx_img.rows for (int w = 0;w0 &&himageData + XihuaTmp->widthStep*(h-1)))[w]+((uchar*)(XihuaTmp->imageData + XihuaTmp->widthStep*(h)))[w]+((uchar*)(XihuaTmp->imageData + XihuaTmp->widthStep*(h+1)))[w]; M=XihuaTmp.at(h-1,w)+XihuaTmp.at(h,w)+XihuaTmp.at(h+1,w); } else { M = 1;

} //if(((uchar*)(XihuaTmp->imageData + XihuaTmp->widthStep*(h)))[w] == 0 && M!=0) if(XihuaTmp.at(h,w)==0 && M!=0) { A[0] = A[1] = A[2] = A[3] = A[4] = A[5] = A[6] = A[7] = A[8] = 0; for(int i = 0;i<3;i++) { for(int j = 0;j<3;j++) { if((h-1+i) > -1 &&(h-1+i) -1&&(w-1+j)imageData + XihuaTmp->widthStep*(h-1+i)))[w-1+j] == 255) if(XihuaTmp.at(h-1+i,w-1+j)==255) { } A[i*3+j] = 1; } } } } sum = A[0]*1+A[1]*2+A[2]*4+A[3]*8+A[5]*16+A[6]*32+A[7]*64+A[8]*128; //((uchar*)(XihuaTmp->imageData + XihuaTmp->widthStep*h))[w] = array[sum]*255; XihuaTmp.at(h,w)=array[sum]*255; if(array[sum]==1) { NEXT = 0; } } } } } return XihuaTmp; }

原理像的细化主要是针对二值图而言所谓骨架，可以理解为图像的中轴，，一个长方形的骨架，是它的长方向上的中轴线，圆的骨架是它的圆心，直线的骨架是它自身，孤立点的骨架也是自身。骨架的获取主要有两种方法：（1）基于烈火模拟设想在同一时刻，将目标的边缘线都点燃，火的前沿以匀速向内部蔓延，当前沿相交时火焰熄灭，火焰熄灭点的结合就是骨架。（2）基于最大圆盘目标的骨架是由目标内所有内切圆盘的圆心组成我们来看看典型的图形的骨架（用粗线表示）细化的算法有很多种，但比较常用的算法是查表法细化是从原来的图中去掉一些点，但仍要保持原来的形状。实际上是保持原图的骨架。判断一个点是否能去掉是以 8 个相邻点（八连通）的情况来作为判据的，具体判据为： 1，内部点不能删除 2，鼓励点不能删除 3，直线端点不能删除 4，如果 P 是边界点，去掉 P 后，如果连通分量不增加，则 P 可删除

看看上面那些点（中心点，八领域）。第一幅图中心点不能去除，因为它是内部点第二个点不能去除，它也是内部点第三个点不能去除，删除后会使原来相连的部分断开第四个点可以去除，这个点不是骨架第五个点不可以去除，它是直线的端点第六个点不可以去除，它是直线的端点对于所有的这样的点，我们可以做出一张表，来判断这样的点能不能删除我们对于黑色的像素点，对于它周围的 8 个点，我们赋予不同的价值，若周围某黑色，我们认为其价值为 0，为白色则取九宫格中对应的价值

对于前面那幅图中第一个点，也就是内部点，它周围的点都是黑色，所以他的总价值是 0，对应于索引表的第一项前面那幅图中第二点，它周围有三个白色点，它的总价值为 1+4+32=37，对应于索引表中第三十八项我们用这种方法，把所有点的情况映射到 0～255 的索引表中我们扫描原图，对于黑色的像素点，根据周围八点的情况计算它的价值，然后查看索引表中对应项来决定是否要保留这一点我们很容易写出程序 import cv def Thin(image,array): h = image.height w = image.width iThin = cv.CreateImage(cv.GetSize(image),8,1) cv.Copy(image,iThin) for i in range(h): for j in range(w): if image[i,j] == 0: a = [1]*9 for k in range(3): for l in range(3): if -1<(i-1+k)

分享到：

赞收藏

资料库

opencv 骨架提取算法（查表索引法）.doc

相关推荐

开发技术

热门标签

最新资料