深入理解骨架化的原理、实现与应用
骨架化是数学形态学的重要应用，用于提取对象的中心线或骨架，保留对象的拓扑结构和主要形状特征。
骨架化（Skeletonization）是数学形态学中的一种重要操作，旨在将二值图像中的对象缩减为一条单像素宽的中心线，同时保持对象的拓扑结构和主要形状特征。骨架化可以通过多种方法实现，最常用的是基于形态学操作的迭代方法。
骨架化的数学定义：
对于集合A，其骨架S(A)定义为：
S(A) = ∪ {B(x, r) | B(x, r) ⊆ A 且 B(x, r+ε) ⊈ A, ∀ε > 0}
其中B(x, r)是以点x为中心、半径为r的圆盘。
骨架化的主要方法包括：
import cv2
import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage
from skimage import morphology
def skeletonization_builtin(image_path):
"""
使用OpenCV内置函数实现骨架化
:param image_path: 输入图像路径
:return: 原图和骨架化后的图像
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 使用OpenCV的形态学操作实现骨架化
# 骨架化 = (原图 - 开运算) + (开运算 - 闭运算) + ...
# 简单方法：迭代腐蚀和开运算
size = np.size(binary)
skeleton = np.zeros(binary.shape, dtype=np.uint8)
element = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))
done = False
while not done:
eroded = cv2.erode(binary, element)
temp = cv2.morphologyEx(eroded, cv2.MORPH_OPEN, element)
skeleton = cv2.bitwise_or(skeleton, cv2.subtract(eroded, temp))
binary = eroded.copy()
if cv2.countNonZero(binary) == 0:
done = True
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(skeleton, cv2.COLOR_GRAY2BGR)
def manual_skeletonization(image_path):
"""
手动实现骨架化（基于迭代腐蚀）
:param image_path: 输入图像路径
:return: 骨架化后的图像
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 确保前景为白色（255），背景为黑色（0）
binary = binary // 255
# 创建结构元素
struct_elem = np.array([[0, 1, 0],
[1, 1, 1],
[0, 1, 0]], dtype=np.uint8)
# 初始化骨架
skeleton = np.zeros_like(binary)
temp = binary.copy()
while np.any(temp):
# 腐蚀
eroded = ndimage.binary_erosion(temp, struct_elem)
# 开运算
opened = ndimage.binary_opening(eroded, struct_elem)
# 骨架部分 = 腐蚀结果 - 开运算结果
skeleton_part = eroded - opened
# 添加到骨架
skeleton = skeleton + skeleton_part
# 更新temp
temp = eroded
# 转换为8位图像
skeleton = skeleton.astype(np.uint8) * 255
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(skeleton, cv2.COLOR_GRAY2BGR)
def distance_transform_skeletonization(image_path):
"""
基于距离变换的骨架化
:param image_path: 输入图像路径
:return: 原图和基于距离变换的骨架化结果
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 将二值图像转换为布尔类型
binary_bool = binary.astype(bool)
# 计算距离变换
distance = ndimage.distance_transform_edt(binary_bool)
# 计算骨架 - 距离变换的局部最大值
local_max = ndimage.maximum_filter(distance, size=3) == distance
skeleton = local_max & binary_bool
# 转换为8位图像
skeleton = skeleton.astype(np.uint8) * 255
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(skeleton, cv2.COLOR_GRAY2BGR)
def thinning_skeletonization(image_path):
"""
基于细化算法的骨架化
:param image_path: 输入图像路径
:return: 原图和细化骨架化结果
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 将二值图像转换为布尔类型
binary_bool = binary.astype(bool)
# 使用skimage的细化算法
skeleton = morphology.thin(binary_bool)
# 转换为8位图像
skeleton = skeleton.astype(np.uint8) * 255
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(skeleton, cv2.COLOR_GRAY2BGR)
def iterative_skeletonization(image_path):
"""
迭代骨架化算法
:param image_path: 输入图像路径
:return: 原图和迭代骨架化结果
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 确保前景为白色（255），背景为黑色（0）
binary = binary // 255
# 定义结构元素
se = np.array([[1, 1, 1],
[1, 1, 1],
[1, 1, 1]], dtype=np.uint8)
# 初始化骨架
skeleton = np.zeros_like(binary)
temp = binary.copy()
# 迭代过程
while np.any(temp):
# 腐蚀
eroded = cv2.erode(temp.astype(np.uint8), se, iterations=1)
eroded = eroded.astype(bool)
# 开运算
opened = cv2.morphologyEx(eroded.astype(np.uint8), cv2.MORPH_OPEN, se)
opened = opened.astype(bool)
# 骨架部分
skeleton_part = eroded & (~opened)
# 添加到骨架
skeleton = skeleton | skeleton_part
# 更新temp
temp = eroded
# 转换为8位图像
skeleton = skeleton.astype(np.uint8) * 255
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), cv2.cvtColor(skeleton, cv2.COLOR_GRAY2BGR)
def skeleton_pruning(image_path):
"""
骨架修剪 - 去除骨架中的毛刺
:param image_path: 输入图像路径
:return: 原图、骨架化结果和修剪后的骨架
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 骨架化
skeleton = morphology.skeletonize(binary.astype(bool))
# 骨架修剪 - 去除短的分支
# 使用形态学操作去除小的分支
# 首先细化骨架
pruned_skeleton = morphology.remove_small_objects(skeleton, min_size=10, connectivity=2)
# 转换为8位图像
skeleton_8bit = skeleton.astype(np.uint8) * 255
pruned_skeleton_8bit = pruned_skeleton.astype(np.uint8) * 255
return (cv2.cvtColor(img, cv2.COLOR_GRAY2BGR),
cv2.cvtColor(skeleton_8bit, cv2.COLOR_GRAY2BGR),
cv2.cvtColor(pruned_skeleton_8bit, cv2.COLOR_GRAY2BGR))
def skeleton_analysis(image_path):
"""
骨架分析 - 提取骨架的拓扑特征
:param image_path: 输入图像路径
:return: 原图和骨架分析结果
"""
# 读取图像
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 骨架化
skeleton = morphology.skeletonize(binary.astype(bool))
# 计算骨架的端点和分叉点
# 使用形态学操作来检测端点和分叉点
from skimage.morphology import skeletonize, thin
from skimage.util import invert
# 检测端点
endpoint_kernel = np.array([[1, 1, 1],
[1, 0, 1],
[1, 1, 1]], dtype=np.uint8)
# 计算骨架的邻域
neighborhood = ndimage.binary_erosion(skeleton, endpoint_kernel)
endpoints = skeleton ^ neighborhood
# 转换为8位图像
skeleton_8bit = skeleton.astype(np.uint8) * 255
endpoints_8bit = endpoints.astype(np.uint8) * 255
# 在骨架上标记端点
result = cv2.cvtColor(skeleton_8bit, cv2.COLOR_GRAY2BGR)
result[endpoints_8bit > 0] = [0, 0, 255] # 红色标记端点
return cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), result
# 使用示例
if __name__ == "__main__":
# 注意：需要提供实际的图像路径
# img, result = skeletonization_builtin('image.jpg')
# manual_img, manual_result = manual_skeletonization('image.jpg')
# dist_img, dist_result = distance_transform_skeletonization('image.jpg')
# thin_img, thin_result = thinning_skeletonization('image.jpg')
# iter_img, iter_result = iterative_skeletonization('image.jpg')
# prune_orig, prune_skel, prune_result = skeleton_pruning('image.jpg')
# analysis_img, analysis_result = skeleton_analysis('image.jpg')
pass