前言

個(gè)人感覺骨架提取提取的就是開運(yùn)算過(guò)程的不可逆。

一.算法步驟

1.算法步驟

首先上一下比較官方的算法步驟：

1.獲得原圖像的首地址及圖像的寬和高，并設(shè)置循環(huán)標(biāo)志1

2.用結(jié)構(gòu)元素腐蝕原圖像，并保存腐蝕結(jié)果

3.設(shè)置循環(huán)標(biāo)志為0，如果腐蝕結(jié)果中有一個(gè)點(diǎn)為255，即原圖像尚未被完全腐蝕成空集，則將循環(huán)標(biāo)志設(shè)為1.

4.用結(jié)構(gòu)元素對(duì)腐蝕后的圖像進(jìn)行開運(yùn)算（消除小的白色區(qū)域），并求取腐蝕運(yùn)算與開運(yùn)算的差（得到消除的白色區(qū)域）

5.用[4]中求得的結(jié)果與之前求得的骨架進(jìn)行并集運(yùn)算，以獲得本次循環(huán)求得的骨架
6.把本次循環(huán)中保存的腐蝕結(jié)果賦值給原圖像

7.重復(fù)步驟[2]-[6]，直到將原圖像腐蝕成空集為止。

最終求得的骨架就是結(jié)果。

2.分析

作者的理解是這樣的：

輸入：img(二值圖)
輸出：out(和img一樣shape的圖像，初始化是全0)
while img中有像素值為255(在這個(gè)循環(huán)里面，一直腐蝕我們的二值圖，直到全部為黑色):
    腐蝕img圖像
    對(duì)img開運(yùn)算
	img2=開運(yùn)算前的圖像減去開運(yùn)算后的圖像
	out+=img2
輸出out

首先說(shuō)一下開運(yùn)算，就是對(duì)圖像先做腐蝕再做膨脹。上面一個(gè)核心點(diǎn)就是這一步（img2=開運(yùn)算前的圖像減去開運(yùn)算后的圖像），在這里為什么說(shuō)個(gè)人感覺骨架提取提取的就是開運(yùn)算過(guò)程的不可逆呢？我們對(duì)這個(gè)開運(yùn)算過(guò)程分析一下：

1.假如開運(yùn)算后的圖像和開運(yùn)算前的圖像不一樣，比如下面這張圖片：

可以看到這張圖片中白色的大部分都比較細(xì)小，我們對(duì)這張圖片做開運(yùn)算的時(shí)候，我們先腐蝕，很容易就讓一部分的白色的部分消失掉，那么這個(gè)白色的部分消失掉之后對(duì)腐蝕后的圖片做膨脹消失的白色部分是膨脹不回來(lái)的。這些消失的部分就是開運(yùn)算過(guò)程中的不可逆的部分了。

然后我們?cè)诤竺?img2=開運(yùn)算前的圖像減去開運(yùn)算后的圖像)，這一步當(dāng)中就是得到了開運(yùn)算中消失的那些白色部分了，這一部分就是開運(yùn)算過(guò)程中的不可逆的部分，然后將它疊加到out上。

然后我們通過(guò)對(duì)圖像不斷的腐蝕，開運(yùn)算，得到了所有這些圖像中在開運(yùn)算中不可逆的部分，就得到了我們的骨架了。

2.假如開運(yùn)算后的圖像和開運(yùn)算前的圖像不一樣，那這樣的話我們?cè)谶@一步(img2=開運(yùn)算前的圖像減去開運(yùn)算后的圖像)得到img2中的每一個(gè)元素就為0了，那在后面out+=img2這一步的時(shí)候就out相當(dāng)于不變，進(jìn)入下一步循環(huán)在繼續(xù)把白色部分腐蝕地更小，直到得到開運(yùn)算中出現(xiàn)了不可逆地部分再疊加到out上。

所以粗暴地來(lái)說(shuō)，骨架提取就是對(duì)我們地前景區(qū)域，不斷地腐蝕，細(xì)化前景，直到將前景壓縮到細(xì)地不能再細(xì)了。我們的骨架提取提取的就是這一部分。

二.代碼實(shí)現(xiàn)

1.預(yù)處理

這里我們的圖片是以灰度圖片方式讀取進(jìn)來(lái)的，然后需要閾值處理轉(zhuǎn)換到二值圖。

然后我們的圖片可能會(huì)有一些其他的較大的噪聲的影響，我們首先對(duì)圖像先進(jìn)行腐蝕操作，手動(dòng)過(guò)濾掉一些濾波可能無(wú)法過(guò)濾的較大噪聲。

'''
用于挑選一個(gè)好的二值圖
'''
import cv2
import numpy as np
import os

def refine(img_path):
    img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
    # thresh, img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    thresh, img = cv2.threshold(img, 50, 255, cv2.THRESH_BINARY)
    h, w = img.shape[0:2]
    #前景背景反轉(zhuǎn)
    for i in range(h):
        for j in range(w):
            if img[i, j] == 255:
                img[i, j] = 0
            else:
                img[i, j] = 255
    cv2.namedWindow("binary", 0)
    cv2.resizeWindow("binary", 640, 480)
    cv2.imshow('binary', img)
    dst = img.copy()

    num_erode = 0

    while (True):
        if np.sum(dst) == 0:
            break
        kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))
        dst = cv2.erode(dst, kernel)
        cv2.namedWindow("z", 0)
        cv2.resizeWindow("z", 640, 480)
        cv2.imshow('z', dst)
        c = cv2.waitKey(0)
        if c == ord("q"):
            print("保存")
            cv2.imwrite("./refine.png", dst)
            break
        num_erode = num_erode + 1

if __name__ == '__main__':
    refine("input.png")

在這里需要注意的是我們對(duì)圖像進(jìn)行二值化可能會(huì)將我們的背景和前景反轉(zhuǎn)，在這里我們需要反轉(zhuǎn)回來(lái)。否則的話把反轉(zhuǎn)的代碼注釋掉即可。

我的原圖如下：

然后經(jīng)過(guò)腐蝕的圖片如下：

2. 骨架提取實(shí)現(xiàn)

然后下面就是骨架提取的代碼了：

'''
骨架提取
'''
import cv2
import numpy as np

#由于我們經(jīng)過(guò)之前的代碼轉(zhuǎn)換到了二值圖，所以這里不需要轉(zhuǎn)換
img = cv2.imread('refine.png', cv2.IMREAD_GRAYSCALE)
dst = img.copy()

skeleton = np.zeros(dst.shape, np.uint8)
while (True):
    if np.sum(dst) == 0:
        break
    kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (7, 7))
    dst = cv2.erode(dst, kernel, None, None, 1)
    open_dst = cv2.morphologyEx(dst, cv2.MORPH_OPEN, kernel)
    result = dst - open_dst
    skeleton = skeleton + result
    cv2.waitKey(1)



cv2.namedWindow("result",0)
cv2.resizeWindow("result",640,480)
cv2.imshow('result', skeleton)
cv2.imwrite("output.png",skeleton)

cv2.waitKey(0)
cv2.destroyAllWindows()

在這里我們可以通過(guò)開運(yùn)算的結(jié)果元大小來(lái)稍微調(diào)整一下提取的骨架粗細(xì)。

77開運(yùn)算結(jié)構(gòu)元提取的骨架如下：

55開運(yùn)算結(jié)構(gòu)元提取的骨架如下：

 到此這篇關(guān)于深入解析opencv骨架提取的算法步驟的文章就介紹到這了,更多相關(guān)opencv骨架提取內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！