浅述骨架提取算法及举便
数字图像处理之【骨架抽取篇】

数字图像处理之【骨架抽取篇】骨架抽取把一个平面区域简化成图(Graph)是一种重要的结构形状表示法。
利用细化技术得到区域的细化结构是常用的方法。
因此,寻找二值图像的细化结构是图像处理的一个基本问题。
在图像识别或数据压缩时,经常要用到这样的细化结构,例如,在识别字符之前,往往要先对字符作细化处理,求出字符的细化结构。
骨架便是这样的一种细化结构,它是目标的重要拓扑描述,具有非常广泛的应用。
下面首先对数字图像细化概念做简要介绍。
许多数学形态学算法都依赖于击中/击不中变换。
其中数字图像细化,便是一种最常见的使用击中/击不中变换的形态学算法。
对于结构对B=(B1,B2),利用B细化X定义为即X郦为X与X连的差集。
更一般地,利用结构对序列,,…,迭代地产生输出序列随着迭代的进行,得到的集合也不断细化。
假设输入集合是有限的(即N为有限),最终将得到一个细化的图像。
结构对的选择仅受结构元素不相交的限制。
事实上,每一个(i=1,2,…,N)都可以是相同的结构对,即在不断重复的迭代细化过程使用同一个结构对。
在实际应用中,通常选择一组结构元素对,迭代过程不断在这些结构对中循环,当一个完整的循环结束时,如果所得结果不再变化,则终止迭代过程。
骨架还可以用中轴表示。
设想在t=0时刻,将目标边界各处同时点燃,火的前沿以匀速向目标内部蔓延,当前沿相交时火焰熄灭,火焰熄灭点的集合就构成了中轴。
图3(a)是这个过程的图示。
另外一种定义骨架的方法使用了最大圆盘概念:目标X的骨架由X内所有最大内切圆盘的圆心组成,如图3(b)、(c)所示。
最大圆盘不是其他任何完全属于X的圆盘的子集,并且至少有两点与目标边界轮廓相切。
骨架的每个点都对应一个相应的最大圆盘和半径r。
最大圆盘定义的骨架与火种方式定义的骨架除在某些特殊情况下端点处存在差异外,绝大多数情况下都是一致的.按照最大圆盘定义骨架的方式,在欧氏二值图像的内部任意给定一点,如果以该点为圆心存在一个最大圆盘,其整个盘体都在图像的内部,且至少有两点与目标边界相切,则该点便是骨架上的点。
骨架提取算法的研究及在异形纤维中的应用

中图分 类号 : P314 T 9.1
文献标 志码 : A
A u y o elt n De er ia in a d St d fSk e o t m n to n
t e Ap l a i n i o i d Fi er h p i t n Pr fl b s c o e
Ab ta t sr c :Th ee mi ain o r f e ie ’ k lt ni ni o t n r -r c si gm eh df rp o i d ed tr n to fp o i df r Ss eeo a l b s mp ra tp ep o e sn t o o r fl e f e ’ d n iyn e a s h u b ro r n h si e e s r o b ac ltd A k lt n d tr n to i r Sie t ig b c u et en m e fb a c e n c s a yt ec lua e . s eeo ee mi ain b f S ag rt m sp o o e ,i hc h ii u c v rs t a eo tie isl h o g h ac lt n O lo ih wa r p s d nw ih t em nm m o e e nb b an d f ty t r u h t ec lu ai f c r o t e c rea e ti t h o a e ta on e a d t e e g n o ain. a d t e h p i h o r ltd ma rx wi t e lc lc n r l p it s t n h d e i fr t h m o n h n t e u hl l
p u i g t es al rn h Th ie ’ o oo y if r t n i wel r s r e n t eag rt m ,wh c a r nn h m l b a c . efb r St p lg o ma i l p e e v d i h lo ih n o s ih h s
骨架线算法-概述说明以及解释

骨架线算法-概述说明以及解释1.引言1.1 概述概述:骨架线算法(Skeletonization algorithm)是一种用于提取物体或图像形状中主要特征的计算方法。
它通过将图像或物体的边界区域简化为其主要骨架,从而实现对形状的抽象和表示。
骨架线算法在图像处理、模式识别、计算机视觉等领域具有广泛的应用。
骨架线算法的主要思想是通过去除图像中的冗余信息,保留物体或形状的主要结构和特征。
这种算法可以有效地减少数据量,简化图像表示,同时保持重要的拓扑关系和形状特征。
通过提取物体的骨架线,我们可以得到物体的主轴或中心线,从而更好地理解和分析对象的形态、结构和特征。
骨架线算法的原理通常基于图像的连通性和几何形状的局部特征。
常见的骨架线算法包括细化算法、距离变换算法、分水岭算法等。
这些算法可以根据不同的需求和应用场景选择合适的方法进行骨架线提取。
骨架线算法在许多领域都有广泛的应用。
在医学影像中,骨架线算法可以用于血管或神经的提取和分析,有助于辅助诊断和手术规划。
在图像识别和模式分类中,骨架线算法可以用于特征提取和形状匹配,提高图像的分类准确率。
此外,骨架线算法还在工程设计、地质勘探、数字艺术等方面具有重要的应用价值。
本文将介绍骨架线算法的定义、原理和应用。
通过对骨架线算法的深入讨论,我们可以更好地理解和应用这一算法,为相关领域的研究和应用提供指导和参考。
文章结构部分的内容可以按照如下方式撰写:1.2 文章结构本文按照以下结构进行组织和阐述:1. 引言在引言部分,我们将对骨架线算法进行一个概述,介绍其背景和基本概念。
我们将讨论骨架线算法在图像处理领域中的重要性和应用前景。
2. 正文正文部分主要分为三个部分进行论述。
2.1 骨架线算法的定义首先,我们将详细介绍骨架线算法的定义,并解释其核心思想和基本原理。
我们将探讨骨架线算法的起源以及它与其他相关算法的关系。
2.2 骨架线算法的原理在本部分,我们将深入讨论骨架线算法的原理。
8 一种中国书法作品的骨架提取算法

骨架是一种重要的图像目标几何特征,如何快速地获得二值图像的非畸变骨架,是进行图像目标的形状分析、信息压缩、特征提取、模式识别等应用的前提。
一般来说,骨架主要具有3个特性:连续性、最小宽度为1和中心性。
自1967年Blum等[1]首先用中轴表示连续平面上的图形以来,人们已经相继提出了许多提取图像骨架的算法。
杨义军等[2]提出了一种基于快2006年 工 程 图 学 学 报2006第5期 JOURNAL OF ENGINEERING GRAPHICS No.5一种中国书法作品的骨架提取算法唐 瑶, 张锡哲, 王钲旋(吉林大学计算机科学与技术学院,吉林长春 130012)摘要:为给使用计算机对中国水墨作品进行模拟提供良好的前提,以一种有效的二值图像细化算法为基础,结合实验提出了一种新的适用于提取中国水墨书法作品骨架的细化算法。
实验证明,该算法对于提取中国水墨书法作品的骨架具有普遍的适用性,提取出的骨架不仅具有较好的对称性、连通性,还在去除骨架毛刺的同时基本保证了单像素的骨架宽度。
关键词:计算机应用;骨架;细化;模板;中国书法中图分类号:TP 391文献标识码:A 文章编号:1003-0158(2006)05-0098-07An Algorithm for Distilling the Skeletons of theWorks of Chinese CalligraphyTANG Yao, ZHANG Xi-zhe, WANG Zheng-xuan( Department of Computer Science and Technology, Jilin University, Changchun Jilin 130012, China )Abstract: In order to provide a well precondition for simulating the works of Chinese ink-wash drawing by computer,based on the efficient thinning algorithm for binary images,combined with the experiments,a new thinning algorithm which fit for distilling the skeletons of the works of Chinese calligraphy is proposed. Experiments prove that the algorithm has prevalent applicability for distilling the skeletons of the works of Chinese calligraphy .And the skeletons produced by this algorithm not only have good symmetry and connectedness,but it wiping off the skeletons’ burrs while keeping one pixel’s width.Key words: computer application; skeleton; thinning; mask; Chinese calligraphy收稿日期:2006-03-28速三角剖分的骨架化算法,但其不适合于提取宽度变化不规则的图像的骨架。
形态学骨架提取

形态学骨架提取形态学骨架提取是一种图像处理技术,它可以从图像中提取出物体的主干结构。
在计算机视觉和图像分析领域,形态学骨架提取被广泛应用于图像分割、目标识别和形状描述等任务中。
本文将详细介绍形态学骨架提取的原理和方法。
形态学骨架提取是一种基于形态学运算的图像处理算法。
形态学运算是一种基于形态学结构元素的图像处理方法,通过对图像进行腐蚀和膨胀等操作,可以改变图像的形状和结构。
形态学骨架提取利用形态学运算的特性,通过不断迭代腐蚀操作,将物体逐渐腐蚀到其主干结构,从而得到物体的形态学骨架。
形态学骨架提取的过程可以简单描述为以下几个步骤:1. 二值化:将输入图像转化为二值图像,即将物体和背景区分出来。
这一步可以使用阈值分割等方法实现。
2. 腐蚀操作:对二值图像进行腐蚀操作,通过与结构元素的交集来腐蚀物体边缘。
腐蚀操作会逐渐消除物体的边缘像素,直到只剩下物体的主干结构。
3. 骨架提取:将腐蚀操作得到的图像与原始二值图像进行差分操作,得到物体的骨架图像。
骨架图像中的像素表示物体的主干结构。
形态学骨架提取的优点是可以保留物体的主干结构,去除冗余的边缘信息,使得物体的形状更加紧凑。
骨架提取可以应用于图像分割中,通过提取物体的主干结构,可以更好地区分物体和背景。
骨架提取还可以用于目标识别和形状描述等任务中,通过比较不同物体的骨架结构,可以判断它们之间的相似性和差异性。
形态学骨架提取方法有很多种,常用的有细化算法和距离变换法。
细化算法是一种迭代的腐蚀操作,通过不断迭代腐蚀操作,直到物体的主干结构稳定下来。
距离变换法则是通过计算每个像素到物体边界的距离,然后根据距离值来提取骨架。
在实际应用中,形态学骨架提取还需要考虑一些问题。
首先,形态学骨架提取对图像的质量要求较高,对于噪声、细节和边缘模糊等情况,提取效果可能会受到影响。
其次,形态学骨架提取对结构元素的选择也会影响结果,不同的结构元素会得到不同的骨架结果。
此外,形态学骨架提取还需要选择合适的迭代次数,以保证骨架的稳定性和准确性。
CAM新生血管骨架的提取算法分析

CAM新生血管骨架的提取算法分析徐中宇;李保梁【摘要】血管新生是从现有血管中长出新血管的生理学过程,是生长和发育中的一种常见现象.同时也是肿瘤组织从良性转化为恶性过程中的基本步骤.因此,血管新生活动可以被认为是肿瘤生长及抑制的检测方式.精确的估计血管骨架是血管量化和可视化诊断的先决条件.给出一种基于Otsu算法初步分割图像和利用离散高斯核函数偏微分卷积图像的方法提取CAM血管骨架.该算法能准确地提取血管的骨架信息,有很好的鲁棒性.【期刊名称】《科学技术与工程》【年(卷),期】2015(015)036【总页数】4页(P179-182)【关键词】CAM图像;Otsu算法;Hessian矩阵;骨架提取【作者】徐中宇;李保梁【作者单位】长春工业大学计算机科学与工程学院,长春130012;长春工业大学计算机科学与工程学院,长春130012【正文语种】中文【中图分类】TP391.41血管新生(Angiogenesis)是指从已存在的血管中长出新的毛细血管的过程,是胚胎发育所必需的一种非常规律的生理现象;也是在完整生物体内存在的病理学、生理学现象[1]。
体内大部分血管在发育完全后保持高度的稳定性,其血管生成缓慢且难以觉察。
但是,在创伤修复、肿瘤、风湿病等病变状态下,血管生成失控是导致这些疾病进一步发展和加重的关键。
因此,研究血管结构特征变化在以上疾病的预防、治疗和恢复中具有重要意义[2]。
鸡胚绒毛尿囊膜薄膜(CAM)高度血管化的、附着于蛋壳内面、薄而透明的膜结构。
它的二维空间血管结构使其无需特别的准备便能观察微血管结构变化。
因此,大多数采用CAM 模型[3]。
血管提取的方法很多,然而,由于噪声污染,对比度低等原因,使得血管提取存在诸多的困难[4]。
本文提出了一种基于Otsu 算法初步分割图像和利用离散高斯核函数的偏微分卷积图像,提取CAM 血管的骨架。
对于噪声污染,灰度不均匀的图像能很好的提取血管的骨架信息,具有很好的鲁棒性和准确性[5]。
枝干骨架提取关键算法的研究

枝干骨架提取关键算法的研究摘要骨架反映了物体的拓扑信息,因而是描述物体和压缩数据的有力工具,在图形学和图像处理中,骨架也很好地保持了网格模型和图像中物体的“骨干”信息,得到了较好的骨架就可以重构物体或模型的原有形态。
本文针对传统的骨架提取算法虽然可以获得物体的中轴,但是存在计算复杂,提取的骨架有很多多余分支或者骨架断裂等缺点,提出了基于高斯混合模型和交互式图像分割技术的用户手绘的草图来辅助识别骨架提取算法。
关键词骨架提取;高斯混合模型;交互式图像分割0 引言骨架提取作为识别物体的一种方法,最初只针对于二维图像,后来也应用于三维模型,但两者的目的是相通的:将二维轮廓或三维面片浓缩为若干曲线的集合,即骨架。
图像物体骨架提取的方法通常分为基于对称轴分析的骨架提取算法、细化算法和形状分解算法。
1 高斯混合模型高斯混合模型(Gaussian Mixture Model)是若干个高斯分布的线性组合,因为单个高斯分布所具有的性质在实际应用中无法完美地与数据契合,但是多个高斯分布通过一定的线性组合的系数组合在一起就可以很好地描述任何分布的实际数据。
高斯混合模型采用高斯概率密度函数精确地量化事物,将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型,学术界认为任何一个概率分布都可以由多个正态分布或高斯分布逼近和近似。
同时高斯混合模型是若干个单一高斯分布的加权组合,模型中每个高斯分布占据一定的权重并且分别表示数据集在某一方面的聚集分布特征,因而整个高斯混合模型就描述了数据集在全局上的特征分布情况。
2骨架的识别2.1枝干骨架的定义骨架是描述物体主要拓扑结构的有力工具,同样,对于树木来说,枝干结构反映了树木的基本拓扑信息和几何形态,所以枝干骨架很好地表示了枝干分支结构的拓扑以及几何信息。
孙若曦等人利用图像分割、距离变换和最大值抑制的综合方法尽管得到了枝干的中轴,但是其方法需要将图像转化为二值图像,且基于细化的骨架提取会造成骨架断开,失去连通性,这不利于我们寻找枝干的父子关系。
三维模型骨架提取算法研究与实现

背景
随着三维模型处理技术的不断发展,三维模型骨架提取算法的研究也取得了 一定的进展。然而,现有的算法存在一些问题和挑战,如计算量大、实时性差、 对复杂结构处理能力不足等。因此,研究更为高效和可靠的三维模型骨架提取算 法显得尤为重要。
提取算法
本次演示提出了一种基于距离变换的三维模型骨架提取算法。该算法首先对 三维模型进行距离变换,得到每个点的最小距离值,并确定这些值对应的特征点。 然后,通过这些特征点,运用分形维数法计算出骨架的形状和结构。
实验设计与结果
为了验证本次演示提出的方法,我们进行了大量实验。首先,我们收集了一 个包含多种三维CAD模型的数据集,并将其划分为训练集和测试集。然后,我们 训练了卷积神经网络模型,用于提取三维CAD模型的形状特征。
ห้องสมุดไป่ตู้
在特征提取阶段,我们比较了不同的卷积神经网络架构,如VGG、ResNet和 U-Net,以选择最佳的网络结构。同时,我们还研究了不同的表面分割策略对特 征提取效果的影响。在特征检索阶段,我们采用余弦相似度算法对特征向量进行 匹配,并比较了不同图割算法对检索准确率的影响。
2、实验流程及数据处理方法
实验中采用了本次演示提出的基于距离变换的三维模型骨架提取算法,对各 个数据集进行骨架提取。在实验过程中,针对不同类型的数据集,根据其特点和 难点,适当地调整了算法参数,以获得最佳的性能表现。
3、实验结果及分析
通过对比和分析实验结果,我们发现本次演示提出的算法在处理多种类型的 数据集时,均能获得较好的性能表现。在计算效率和准确率方面,该算法也具有 一定的优势。实验结果证明了该算法的有效性和可靠性。
三维模型骨架提取算法研究与 实现
01 引言
03 提取算法 05 结论与展望
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
广 到三 维 则 为最 大球 。骨 架 就 是最 大 球 的中 心 。一般 说
来 ,骨 架 必 须 保 持 三 个 特 性 : 一 是 连 续 性 , 即 连 通 结 构 必 须 细 化 成 连 通 线 结 构 ; 二 是 中 心 性 , 即 骨 架 与 图 像 具 有 结 构 同 一 ;三 是 最 小 宽 度 为 1 。 此 外 ,骨 架 的 定 义 还 有 很 多 种 , 如 脊 点 投 影 骨 架 、
( Y 蟛 (Y定义。 ) ) , ,
式中 ,a 为大 于1 的系数 。而 势能 计算如 下 :
∑, ) (
E : 一 — 一 一
式 中 , r 为 该点沿 方 向到可视 边界 点 的距离 。 ()
而 基 本 骨 架 点 的判 断 如 下 : 以 当 前 点 为 中心 ,考 察 其
现 有的骨架化法 则 ,萃取法 则是被设计 为不连 通的 。给 出
O l O O l l l O O O O O 0 l l O
0 0 0 l 0 0 l 0
不等图M( = x ) ,
T l
∑ ( . 定义。这里: y ,)
点的集 合就称 为这个 平面 多边 形区 域R 的骨架 。
由于骨 架 定义 中 具有 点到边 界 距 离最 小 的性 质 ,因
此 可 以利 用 许 多 中心 位 _ 架 线 上 的圆 盘 区域 的并 集覆 丁骨
盖 与 该骨 架线 对 应 的区域 。这些 圆盘 的 中心 为距 离边 界
最 远 的 点 。 这 些 圆 盘 称 为 最 大 圆 ( a i a d s ) ,推 m xm l ik
对邻近 点的势能矢量对 ,若两者角 为钝 角 ,则可 以认为当 前点在该对称 方 向的势 能为0 。若所有4 对称邻近 点在当 对
前点上形成 的势 能矢量都为0 ,则 当前点为基本骨架 点。
使用 本方法 可使 下 图得到骨 架 :
第一 ,从不 等同 的 ̄ M V 的骨 架 的过程 。 ( )不等 UG P a 图M ( ,Y ( )改进不 等 图M ( ,Y ( )使用 X ), b E x ), C
) pf) ∑ pm ) = (_∑ , , (,
若 q ( ,j ( ,且 不为 0 I ) 9 ,则 说 明该 背 景像 素 点
周 围 至 少 临 近 了一 个 黑 点 , 此 时 该 点 被 标 注 为 边 界 点 x
( ,Y) 的得 出 的第 一 步 由 Mvxy =V M(, 定 X (,) g x ) 义 。这 里 产 生 高斯 提 出 的回 旋 同时 标准 偏 差v I v  ̄M
的 。另 一个 性质是分离 的骨架 的性质 ,这一性质是M v 骨 GF
2 4 O O O l p . O O
0 . . 4 s 4 D 0 0
架共享 中 间描述 ,例如P zr 。大家 认为这是 一个要求 ie核
的具有变化 强状性 的描述 的性质 。这 一部分的剩余部分描
一
为两 类 : 一类 处 理 的 对象 是离 散 域 中 的 物体 模 型 ( 体 如
素 、 点 云 等 ) ,通 过 对 象 素 或 体 素 的 操 作 得 到 骨 架 ,但
结果 小 可避 免 的 受到离 散 化对 精 度 的影 响 ,此 类方 法得
、
骨 架 的 定 义
骨 架 包 含 了 图 像 特 征 的 最 有 效 数 字 化 信 息 , 能 够 对
浅 述 骨 架 提 取 算 法 及 举例
宋 靓
( 林 大 学珠 海 学院公 共 基 础课 教 学与研 究 中心 , 东 珠 海 59 4 吉 广 1 0 1)
摘 要 : 架作 为 一 种 降雏 的 物 体 形 态描 述 方 式 ,组 合 了 目标 的 轮 廓 和 区域 信 息 ,反 映 了 目标 的 重要 视 觉 线 索 。文 章 骨 介 绍 了骨 架 的 产 生和 定 义 ,并 且 给 出 了现 有 的 几种 骨 架 提取 算 法 ,指 出 了骨 架 算 法在 图形 描 述 问题 中 的 重要 性 。 关 键 词 :图像 骨 架 。提 取 算 法 ; 鲁棒 性 ; G F骨 架算 法 M V 中 图分 类 号 : P 9 T 31 文献 标 识 码 : A 数 学 形 态 学 里 的 骨 架 , 作 为 一 种 降 维 的 物 体 形 态 描 述 方 式 , 不 但 组 合 了 物 体 目标 的 轮 廓 和 区 域 信 息 ,还 反
用范 围窄 ,对 于 复杂三 维 物体 ,计算 过 程十 分 复杂 ,难
以保 证 其 稳 定 性 ,此 类 方法 往 往 用 于 几 何 建 模 和 物体
重建 。此类 方 法 得到 的骨 架 一般 用 丁 图形 的 匹配和 相似
性度 量 ;另 一类 处 理基 于 连 续模 型 的对 象 ,如 多边 形模 型 ,使 用严 格 的数 学方 法 求 解骨 架 的数 值解 ,结 果精度 高 ,但 此类 方 法 适用 范 围窄 ,对 于 复杂 三 维物 体 ,计 算
述 了从 前 一 部 分 描 述 M V 中 得 到 基 干 的过 程 。不 像 大 多数 GF
O O O . 7 6 4 0 6 . 0 O O S 1' ‘ l 8 7 0 0 0 3 6 7 1* S 5
0 0 0 0 0 5 . 5 7 .
无边界 点 ,则点A 该 方 向的势能 为最大 。为防止 产生虚 在
假骨 架 点 ,必须 确保 区域 内至 少存 在 一个 以上 边 界点 。
但若 区域 半径 选择 过大 ,则计 算量 将 增加 ,基 本骨 架 点 数量将减少 。令 点A 与其 最近 的边界 点距 离为 r,则
r= a6
1 =0
0 0 0 0 0 O . 5 4 0 0 0 0 0 O . 2 O
4(, = (,) , N x =
(,) f , + X A D[ +(, 】 0 N 。 . =D ( ) E P N 4 l ) y , பைடு நூலகம்图轴 可通 过 于使 用 局部 山脉探 测法 则 的不 等法 则 中
( 二值图形 - )
() b骨架图形
( 基 于势 能 平衡 的 图象 骨架 提 取方 法 二)
首 先设 原始 图象 中 的像素 点 为 ( , j i ), 当P ( , i j O ,相应 点 为黑 点 ;当值 为 1 ,为 白色 背景 点 。 )= 时 时 其 中q ( ,J i )为 :
过 程 十 分 复 杂 , 难 以保 证 其 稳 定 性 , 此 类 方 法 往 往 用 于
令R 表示 一个 平面 多边 形 区域 内点 的集合 ,r表 示其 边 界边 的集 合 ,P 内任 意一 点 ,M 示 r上 NP ̄离最 是R 表 I g 近 的点 , 即对 于任 意 的 ∈ 总存 在 / M ≤/ r 。如果 r P/ P/ 在 r上 ,存 在到P 距离 最近 的 点数 多于~个 ,即 :
的 “ 拟 森 林着 火 ”骨 架 定义 。假 设 有 一块 平面 多 边形 模
区域 的森 林 , 如果从 森 林 的边 界 同 时点 火 ,且 大火 以相 同速度 向 内部燃 烧 ,则 大火 熄 灭 点 的集 合就 称 为该 区域
的 骨 架 。 后 来 ,P v i i 给 出 一 个 标 准 化 的 定 义 : a ld s
确 定极 大值 而 得到 。然 而 ,分 歧点 的 附近 的 图轴并不 能 得 到 。这 由于 图 内山脉被 污损 ,由于 多重E P N 操作 被 XAD 用 来得 到 M ( ,Y X )。这 样 得 出 山脉 是 困难 的 。 另一 稳 定 的 从不 同等 图得 到 的图轴 的方 法被 提 出 。参 与 计 算M
首 先 计算 每 个像 素 的最 大 邻域 值 ,但 它 不 止是 计 算 目标 区域 内最 大 正方形 边 长 的像 素 个数 ,而 是 计算 该像 素 的邻域 内所 包 括的最 多 像 素值 的 个数 , 并且 该值 代 替
像 素 值 。然 后 从 中轴 变 换 图中 找 到相 应 的骨 架 点 。在 4
邻 域 中, 当最 多只 有一 个 像 素值 大 丁中心像 素 值时 ,该
像 素 就认 为是骨 架 点 。
用 本 方 法 对 下 图 ( ) 进 行 骨 架 提 取 ,得 到 图 ( ) a b
的 结 果 。 其 中 图 ( ) 中 , 像 素 值 为 1 表 示 目标 区 域 , a 的
/M /P / / / { / M PT , VT∈ 月 / r } >1 则 称 P 平 面 多 边 形 区 域 R 一 个 骨 架 点 。所 有 骨 架 为 的
几何 建模和 物体 重建 。
三 、骨架算 法举例
( ) 于 中轴变 换 和数 学 形 态 学 的骨 架 提取 方 法 一 基
这里 决定域 的大 小 ,在这 些域 中,方 向不等 值 被 计算 。不幸 地 ,不 等算 子不 能 区分 山脉 和峡 谷 。由于
M 的梯度 向量 是外 流量 而那些 谷边 点是 内流量 ,一个 不 v 等 图中表 出 山脉和谷 底 的景观 图M x )是 容 易组成 L( ,Y
的。而M 由 ( Y=∑ L 五 )
到 的 骨 架 一 般 用 于 图形 的 匹 配 和 相 似 性 度 量 ; 另 一 类 处
理基 于 连续 模 型 的对象 ,如 多边 形 模型 ,使用 严格 的 数 学方 法 求解 骨架 的数值 解 , 结果精 度 高 ,但 此类 方 法适
图 像 进 行 有 效 的 描 述 。 早 在 1 6 年 , B u 就 给 出 了 著 名 97 1m
像 素 值 为 0 表 示 背景 区 域 。在 图 ( ) 中 ,带 的 像素 的 b
? ”0 中闽高新技 业 2 0 50 术企l 9
表示 最 终骨架 。