【youcans 的 OpenCV 例程200篇】224. 特征提取之提取骨架

目标特征的基本概念

通过图像分割获得多个区域，得到区域内的像素集合或区域边界像素集合。我们把感兴趣的人或物称为目标，目标所处的区域就是目标区域。
特征通常是针对于图像中的某个目标而言的。图像分割之后，还要对目标区域进行适当的表示和描述，以便下一步处理。
“表示”是直接具体地表示目标，以节省存储空间、方便特征计算。目标的表示方法，有链码、多边形逼近（MPP）、斜率标记图、边界分段、区域骨架。
“描述”是对目标的抽象表达，在区别不同目标的基础上，尽可能对目标的尺度、平移、旋转变化不敏感。

提取骨架

骨架与目标区域的形状有关。

骨架可以由区域的边界计算。提取骨架的常用方法是用重建开运算来实现，在保持端点和线的连通性的同时持续细化目标区域。

$\bigcup ^K_{k=0} S_k(A)\\ S_k(A) = (A \ominus kB) - (A \ominus kB) \circ B$

基于重建开运算的提取骨架算法步骤如下：

（1）对图像进行腐蚀，腐蚀后的物体变得更窄细；
（2）对腐蚀后图像做开运算，开运算处理时被删除的像素就是骨骼的一部分，将其添加骨骼图像；
（3）重复以上过程，直到图像被完全腐蚀。

skimage 中提供了函数 skimage.morphology.skeletonize 可以获取图像的骨骼。

例程 12.13：特征提取之提取骨架

例程的图像来自 R.C.Gonzalez 《数字图像处理（第四版）》P598-599 例11.5。原始图像是分割后的血管图像，过连续细化获得了图像的骨架。

    #  12.13 特征提取之提取骨架img = cv2.imread("../images/bloodvessels.tif", flags=1)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 灰度图像_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)dst = binary.copy()skeleton = np.zeros(gray.shape, np.uint8)  # 创建空骨架图kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5))while (True):dst = cv2.erode(dst, kernel, None, None, 1)  # 腐蚀opening = cv2.morphologyEx(dst, cv2.MORPH_OPEN, kernel)  # 开运算subSkeleton = cv2.subtract(dst, opening)  # 获得骨架子集skeleton = cv2.bitwise_or(skeleton, subSkeleton)  # 将删除的像素添加到骨架图if cv2.countNonZero(dst) == 0:breakresult = cv2.bitwise_xor(gray, skeleton)plt.figure(figsize=(9, 6))plt.subplot(131), plt.axis('off'), plt.title("origin")plt.imshow(gray, cmap='gray')plt.subplot(132), plt.axis('off'), plt.title("skeleton")plt.imshow(skeleton, cmap='gray')plt.subplot(133), plt.axis('off'), plt.title("result")plt.imshow(result, cmap='gray')plt.tight_layout()plt.show()