图像细化(骨骼获取)OpenCV3.0 Python

关注

转载最新推荐文章于 2026-03-13 01:27:28 发布 3.4k 阅读 AI 写同款· GEO 优化 ›

OpenCV图像细化与骨架提取实战：从原理到工业级应用在计算机视觉与图像处理领域，形态学操作是分析和处理二值图像形状的基础技术。其核心原理是通过结构元素与图像的相互作用，实现区域的膨胀、腐蚀、开闭运算等，从而提取或修改目标的拓扑与几何特征。这项技术的核心价值在于，它能将复杂的、具有宽度的物体区域，转化为单像素宽、保留原始拓扑结构的“骨架”表示，极大地简化了后续的形状分析与特征提取。在工业视觉检测、医学图像分析（如血管网络提取）和文档处理（如OCR字符细化）等场景中，骨架提取是进行精确测量、路径追踪和模式识别的关键预处理步骤。本文聚焦于实现鲁棒的细化算法，针对现阅读详情

原作者(opencv 2):https://www.cnblogs.com/xianglan/archive/2011/01/01/1923779.html

方法1(python版):https://blog.youkuaiyun.com/hehedadaq/article/details/80303218

最近做项目用到图像细化算法,上网找了一下很少有用python的,找到一个还是opencv2的,无法使用,简单加以修改.

其中第一种算法速度较快,但效果并不理想;第二种算法效果比较理想,但速度很慢.

首先介绍图像细化:

图像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。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：

内部点不能删除
孤立点不能删除
直线端点不能删除
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，就是3*3矩阵中的中心点。

第一个点不能去除，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

等等~图中无法列举出所有的情况，所以我们将有一个算法和映射，将所有的情况用表格的形式列举出来,如下图所示

即假设我们要求，某个点是否需要被细化（去除），我们需要将它周围的八个点都列出来，形成一个矩阵，标号好，如上图，然后每个位置的点，赋予不同的权值，即右边的表格值，就可以将每一种情况列举出来了。

我们对于黑色的像素点，对于它周围的8个点，我们赋予不同的权值，若周围为黑色，我们认为其权值为0，为白色则取九宫格中对应的权值，这个其实根据你自己图像中的值来确定，如果你的目标值本身就是白色，那么效果肯定相反。

对于前面那幅图中第一个图，也就是内部点，它周围的点都是黑色，所以它的总价值是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

索引表也就是下面的16*16矩阵：

array = [ 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]

方法一:

# -*- coding: utf-8 -*-
"""
Created on Sat May 12 16:36:06 2018
@author: lele
"""
import cv2
 
#细化函数，输入需要细化的图片（经过二值化处理的图片）和映射矩阵array
#这个函数将根据算法，运算出中心点的对应值
def Thin(image,array):
    h,w = image.shape
    iThin = image
 
    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):
                        #如果3*3矩阵的点不在边界且这些值为零，也就是黑色的点
                        if -1<(i-1+k)<h and -1<(j-1+l)<w and iThin[i-1+k,j-1+l]==0:
                            a[k*3+l] = 0
                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
                #然后根据array表，对ithin的那一点进行赋值。
                iThin[i,j] = array[sum]*255
    return iThin        
    
#最简单的二值化函数，阈值根据图片的昏暗程度自己设定，我选的180
def Two(image):
    w,h = image.shape
    size = (w,h)
    iTwo = image
    for i in range(w):
        for j in range(h):
            if image[i,j]<180:
                iTwo[i,j] = 0 
            else:
                iTwo[i,j] = 255
    return iTwo
 
#映射表
array = [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]
 
#读取灰度图片，并显示
img = cv2.imread('letter.jpg',0) #直接读为灰度图像
cv2.imshow('image',img)
cv2.waitKey(0)
 
#自适应二值化函数，需要修改的是55那个位置的数字，越小越精细，细节越好，噪点更多，最大不超过图片大小
th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,55,2) #换行符号 \
cv2.imshow('iTwo',th3)
cv2.waitKey(0)
 
#获取自适应二值化的细化图，并显示
iThin = Thin(th3,array)
cv2.imshow('iThin',iThin)
cv2.waitKey(0)
 
#获取简单二值化的细化图，并显示
iTwo = Two(img)
iThin_2 = Thin(iTwo,array)
cv2.imshow('iTwo_2',iThin_2)
cv2.waitKey(0)
 
cv2.destroyAllWindows()

方法二: 我自己在中间加了高斯滤波和腐蚀操作,使图像效果更好一些.另外直接用自适应二值化函数获取二值化图像.

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

import cv2


def VThin(image,array):

    h,w = image.shape
    NEXT = 1
    for i in range(h):
        for j in range(w):
            if NEXT == 0:
                NEXT = 1
            else:
                M = int(image[i,j-1])+int(image[i,j])+int(image[i,j+1]) if 0<j<w-1 else 1
                if image[i,j] == 0  and M != 0:                  
                    a = [0]*9
                    for k in range(3):
                        for l in range(3):
                            if -1<(i-1+k)<h and -1<(j-1+l)<w and image[i-1+k,j-1+l]==255:
                                a[k*3+l] = 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
                    image[i,j] = array[sum]*255
                    if array[sum] == 1:
                        NEXT = 0
    return image  
      
    
def HThin(image,array):

    h,w = image.shape
    NEXT = 1
    for j in range(w):
        for i in range(h):
            if NEXT == 0:
                NEXT = 1
            else:
                M = int(image[i-1,j])+int(image[i,j])+int(image[i+1,j]) if 0<i<h-1 else 1   
                if image[i,j] == 0 and M != 0:                  
                    a = [0]*9
                    for k in range(3):
                        for l in range(3):
                            if -1<(i-1+k)<h and -1<(j-1+l)<w and image[i-1+k,j-1+l]==255:
                                a[k*3+l] = 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
                    image[i,j] = array[sum]*255
                    if array[sum] == 1:
                        NEXT = 0
    return image

def Xihua(image,array,num=10):
    for i in range(num):
        VThin(image,array)
        HThin(image,array)
    return image

 
def main(path):
    #映射表
    array = [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]
    #读取灰度图片，并显示
    img = cv2.imread(path,0) #直接读为灰度图像
    cv2.imshow('image',img)
    cv2.waitKey(0)
     
    gaussian_img = cv2.GaussianBlur(img, (5, 5),5)  
    kernel3 = cv2.getStructuringElement(cv2.MORPH_RECT,(3, 3)) 
    dilate_img = cv2.dilate(gaussian_img,kernel3)
    binary_img = cv2.adaptiveThreshold(dilate_img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,99,5)

    cv2.imshow('binary',binary_img)
    cv2.waitKey(0)
      
    xihua_img = Xihua(binary_img,array)
    cv2.imshow('xihua',xihua_img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()