一种快速准确的细化算法
网格细化方案
网格细化方案概述网格细化是指在数值计算中将初始网格进行进一步细分，以提高数值模拟的准确性和精度的一种方法。
通过合理地细化网格，可以更好地捕捉复杂的几何形状和物理过程。
本文将介绍几种常见的网格细化方案，并探讨它们的优缺点和适用场景。
1. 均匀网格细化均匀网格细化是最简单的网格细化策略之一。
它按照固定的步长将初始网格划分为更小的网格单元。
这种方法的优点是简单易实现，且计算效率较高。
然而，它存在的问题是无法适应复杂的几何形状和物理过程，对于一些细节变化较大的区域，无法提供足够的分辨率。
因此，均匀网格细化主要适用于处理简单的几何形状和物理过程。
2. 自适应网格细化自适应网格细化是一种根据问题需要动态调整网格的方法。
它根据初始网格上的解的特点，通过一定的误差估计准则来判断是否需要进行网格细化。
这种方法的优点是可以根据问题的要求精确地捕捉局部细节，提高计算的准确性。
然而，自适应网格细化也存在一些问题，如在复杂的区域和物理过程中，调整网格的复杂度较高，计算时间较长。
因此，自适应网格细化主要适用于需要高精度解或处理复杂几何形状和物理过程的问题。
3. 多重网格细化多重网格细化是一种层次结构的网格细化方法。
它将问题划分为多个层次的网格，通过在不同层次的网格上进行迭代计算来逐渐提高解的精度。
多重网格细化的优点是可以在保持计算效率的同时提高解的精度。
然而，多重网格细化的实现较为复杂，需要进行网格层次间的数据交换和差值操作。
因此，多重网格细化主要适用于需要高精度解且计算时间要求较高的问题。
4. 网格细化方案的选择选择合适的网格细化方案取决于具体问题的特点和要求。
在实际应用中，需要根据问题的复杂程度、几何形状的复杂度、精度要求和计算效率等因素综合考虑。
对于简单的几何形状和物理过程，均匀网格细化是一种简单而有效的选择。
对于需要高精度解或处理复杂几何形状和物理过程的问题，自适应网格细化和多重网格细化是更合适的选择。
结论网格细化是提高数值模拟准确性和精度的重要方法之一。
Zhang快速并行细化算法
Zhang快速并行细化算法最近的研究涉及获取二值图像骨架（图象的中轴线），网上找到许多方法，Zhang快速并行细化算法是出现次数最多的算法，看了几篇博客，又下载了提出这个算法的文献，感觉这个方法很容易理解，编程也容易，其实最后也没花多少时间就成功了，VB6.0编写的程序，用到了函数库MatrixVB，这里分享一下心得。
1.算法简介图1 8邻域系统图1表示以P1为中心的8邻域系统，P2~P9代表与P1相邻的8个像素点，1.1 细化步骤1删除同时满足下列条件的边界点:①2≤N(P1)≤6;②S(P1)=1;③P2×P4×P6=0;④P4×P6×P8=0;其中：N(P1)是P1的非零邻点的个数,S(P1)是以P2，P3，…，P9，P2为序时这些点的值从0到1变化的次数。
1.2 细化步骤2删除同时满足下列条件的边界点:①2≤N(P1)≤6;②S(P1)=1;③P2×P4×P8=0;④P2×P6×P8=0;以上两步操作构成一次迭代，直至没有点再满足标记条件，这时剩下的点组成区域即为细化后骨架。
2.程序及细化结果用VB6.0编写的程序，用到了函数库MatrixVB（需要的话可以到网上去搜，很老的东西了）。
2.1 模块部分这部分包括自定义数据类型（相当于C语言里的结构体），定义了一些函数。
Option ExplicitType necessary_conditions '4个条件N_P1 As IntegerS_P1 As IntegerMult_P2P4P6 As IntegerMult_P4P6P8 As IntegerMult_P2P4P8 As IntegerMult_P2P6P8 As IntegerEnd TypeType positionx As Integery As IntegerEnd Type'**************************************************************'计算4个条件的值'输入：P1点的坐标，待处理的二值图binary_image'输出：4个条件的值'************************************************************** Function obtain_necessary_conditions_value(x%, y%, binary_image) As necessary_conditionsDim i%, cnt1%, cnt2%, neighbor8%(9)'--------------------条件1---------------------If binary_image(x - 1, y) = 1 Then neighbor8(2) = 1If binary_image(x - 1, y + 1) = 1 Then neighbor8(3) = 1If binary_image(x, y + 1) = 1 Then neighbor8(4) = 1If binary_image(x + 1, y + 1) = 1 Then neighbor8(5) = 1If binary_image(x + 1, y) = 1 Then neighbor8(6) = 1If binary_image(x + 1, y - 1) = 1 Then neighbor8(7) = 1If binary_image(x, y - 1) = 1 Then neighbor8(8) = 1If binary_image(x - 1, y - 1) = 1 Then neighbor8(9) = 1cnt1 = 0cnt2 = 0'--------------------条件2---------------------For i = 2 To 9If neighbor8(i) = 1 Then cnt1 = cnt1 + 1Next i'--------------------条件3---------------------For i = 2 To 9 - 1If neighbor8(i) - neighbor8(i + 1) = -1 Then cnt2 = cnt2 + 1Next iIf neighbor8(9) - neighbor8(2) = -1 Then cnt2 = cnt2 + 1'--------------------条件4---------------------obtain_necessary_conditions_value.N_P1 = cnt1obtain_necessary_conditions_value.S_P1 = cnt2obtain_necessary_conditions_value.Mult_P2P4P6 = neighbor8(2) * neighbor8(4) * neighbor8(6)obtain_necessary_conditions_value.Mult_P2P4P8 = neighbor8(2) * neighbor8(4) * neighbor8(8)obtain_necessary_conditions_value.Mult_P2P6P8 = neighbor8(2) * neighbor8(6) * neighbor8(8)obtain_necessary_conditions_value.Mult_P4P6P8 = neighbor8(4) * neighbor8(6) * neighbor8(8)End Function'******************************************************************'Zhang快速并行细化算法'输入：待处理的二值图binary_image_buf'输出：细化后的二值图binary_image_buf'***************************************************************** Function Zhang_thinning_method(binary_image_buf)Dim rows%, cols%, delete_cnt%Dim i%, j%, k%Dim sign(5000) As position, n1%, n2%, n3%, n4%, n5%, n6%rows = UBound(binary_image_buf, 1)cols = UBound(binary_image_buf, 2)For k = 1 To 800'--------------------迭代的前半部分------------------------For i = 1 To rowsFor j = 1 To colsIf binary_image_buf(i, j) = 1 Thenn1 = obtain_necessary_conditions_value(i, j, binary_image_buf).N_P1n2 = obtain_necessary_conditions_value(i, j, binary_image_buf).S_P1n3 = obtain_necessary_conditions_value(i, j, binary_image_buf).Mult_P2P4P6n4 = obtain_necessary_conditions_value(i, j, binary_image_buf).Mult_P4P6P8If (n1 >= 2 And n1 <= 6) And n2 = 1 And n3 = 0 And n4 = 0 Thendelete_cnt = delete_cnt + 1sign(delete_cnt).x = isign(delete_cnt).y = jEnd IfEnd IfNext jNext iIf delete_cnt = 0 Then GoTo finishFor i = 1 To delete_cntbinary_image_buf(sign(i).x, sign(i).y) = 0Next idelete_cnt = 0'-------------迭代的后半部分--------------------------------For i = 1 To rowsFor j = 1 To colsIf binary_image_buf(i, j) = 1 Thenn1 = obtain_necessary_conditions_value(i, j, binary_image_buf).N_P1n2 = obtain_necessary_conditions_value(i, j, binary_image_buf).S_P1n3 = obtain_necessary_conditions_value(i, j, binary_image_buf).Mult_P2P4P8n4 = obtain_necessary_conditions_value(i, j, binary_image_buf).Mult_P2P6P8If (n1 >= 2 And n1 <= 6) And n2 = 1 And n3 = 0 And n4 = 0 Thendelete_cnt = delete_cnt + 1sign(delete_cnt).x = isign(delete_cnt).y = jEnd IfEnd IfNext jNext iIf delete_cnt = 0 Then GoTo finishFor i = 1 To delete_cntbinary_image_buf(sign(i).x, sign(i).y) = 0Next idelete_cnt = 0Next kfinish:End Function2.2 窗体部分Option ExplicitPrivate Sub Command1_Click()Dim bin, x1, y1, x2, y2, cnt1%, cnt2%Dim binary_image_buf%(), rows%, cols%Dim i%, j%Set x1 = zeros(5000, 1)Set y1 = zeros(5000, 1)Set x2 = zeros(5000, 1)Set y2 = zeros(5000, 1)bin = vbload(App.Path & "\bin4.txt")’导入二值图rows = Size(bin).r1(1)cols = Size(bin).r1(2)ReDim binary_image_buf(rows, cols), binary_3D_buf(rows, cols, 6)For i = 1 To rowsFor j = 1 To colsbinary_image_buf(i, j) = bin(i, j).r1(1)Next jNext iCall Zhang_thinning_method(binary_image_buf)’调用Zhang快速并行细化算法For i = 1 To rowsFor j = 1 To colsIf binary_image_buf(i, j) = 1 Then’找出骨架像素点的坐标cnt1 = cnt1 + 1x1(cnt1) = iy1(cnt1) = cols + 1 - jEnd IfIf bin(i, j).r1(1) = 1 Then’找出原二值图为1的点的坐标cnt2 = cnt2 + 1x2(cnt2) = iy2(cnt2) = cols + 1 - jEnd IfNext jNext ix1 = x1(linspace(1, cnt1, cnt1))y1 = y1(linspace(1, cnt1, cnt1))x2 = x2(linspace(1, cnt2, cnt2))y2 = y2(linspace(1, cnt2, cnt2))plot x2, y2, "k.", "markersize", 1’绘制原二值图hold "on"plot x1, y1, "r*", "markersize", 1’绘制骨架mset gca, "color", "w"End Sub3.运行结果。
一种简便准确的指纹图像细化算法
一种简便准确的指纹图像细化算法
陈铁;刁婷婷
【期刊名称】《自动化与仪器仪表》
【年(卷),期】2005()1
【摘要】细化广泛应用于图像处理和模式识别。
在自动指纹识别系统中,细化占有重要的地位。
本文讨论了一种新的形态学细化算法,从原理上分析了算子应用顺序对细化效果的影响,结合试验分析出效果最好的细化算法。
【总页数】4页(P63-65)
【关键词】细化算法;指纹图像;自动指纹识别系统;模式识别;图像处理;算子;顺序;形态学;效果;影响
【作者】陈铁;刁婷婷
【作者单位】武汉大学电气工程学院
【正文语种】中文
【中图分类】TH21;TP391.41
【相关文献】
1.一种改进的指纹图像细化后算法 [J], 赵磊;焦铬;谢新华;李琳
2.一种有效的指纹图像细化算法 [J], 何晶;范九伦
3.一种新的指纹图像快速细化算法 [J], 廖开阳;张学东;章明珠
4.一种改进的指纹图像细化算法 [J], 肖晓丽;王珂铃;李振
5.一种改进的指纹图像细化及特征提取算法 [J], 郝俊杰;郭宏
因版权原因，仅展示原文概要，查看原文内容请购买。
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。
一种快速的扫描铅笔稿图细化算法
一种快速的扫描铅笔稿图细化算法
彭京亮
【期刊名称】《中国图象图形学报》
【年(卷),期】2000(005)005
【摘要】二维动画计算机辅助制作系统中,在对扫描铅笔稿图进行矢量化后,可以大大提高描线上色的效率,并且能够提取线条和闭包,以便于自动上色和中间帧生成等更高级功能的实现.扫描铅笔稿图的细化是矢量化的第一步,在比较了大量现存的图象细化算法后,提出了一种改进的非迭代线跟踪细化算法.该算法效率较高,只需对图象进行一遍扫描加两遍轮廓跟踪,就能较好地满足二维动画计算机辅助制作系统对细化效率的要求.该文还对算法的时间复杂性进行了详尽分析,并提出对于两类图象噪声和冗余分支的消除方法.
【总页数】6页(P434-439)
【作者】彭京亮
【作者单位】北京大学计算机科学技术研究所文字信息处理技术国家重点实验室,北京,100871
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种新的图件扫描影像细化算法 [J], 许捍卫;潘松庆
2.一种改进的基于方向图的指纹细化算法 [J], 陶建林;李楠
3.一种适用于工程图的快速细化算法 [J], 谭柏珠;叶邦彦
4.一种地形图快速扫描矢量化方法 [J], 周海燕;郑新奇
5.一种快速的一次扫描细化算法（OSSTA） [J], 吴晓芸;张太怡
因版权原因，仅展示原文概要，查看原文内容请购买。
一种简单高效的二值图像并行细化算法PABIT
扭曲变形的情况. 步骤 2 保形腐蚀 在标记完所有非骨架边缘点后, 如果一次性
删除, 部分区域会出现断点. 仔细分析其原因, 发 现在判断边缘点满足指定模板的时候, 忽略了一 种情况, 即: 当笔划周边都满足边缘点条件 (但不 满足图 4 模板) 时, 会删去所有的外围点, 导致笔 划与笔划的断裂, 如图 5 所示.
提出一种简单易行的二值图像并行细化算法pab该算法通过模板匹配的方式层层剥离原始图像的边缘像素使具有像素点宽度为偶数的笔划保留双像素的中心骨架使像素点宽度为奇数的笔划只保留单像素的中心骨架线最终在此准骨架的基础上通过进一步处理得到最后的笔划宽度为1的细化图案
第 28 卷 第 2 期 2004 年 4 月
© 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.
第 2 期
陈庆虎等: 一种简单高效的二值图像并行细化算法 PAB IT
·271·
个像素称为 P 的八邻域.
P3 P2 P1 P4 P P0
合图 4 中任何一模板, 则该点属于应被删除的边 缘点, 将其标记为 2; 如果是边缘点, 且图 4 中有 至少一个模板与之匹配, 则该点属于图形的端点
5) 若 P 为黑点且 P 0, P 2, P 4, P 6 中仅有一白 点, 称 P 为边缘点或轮廓点.
6) 若删除黑点 P 会破坏图形的连续性, 则称
图 4 保留模板
用数学语言描述上述思想如下: 设 f (P 0) f (P 7) 分 别 代 表 P 点 的 八 邻 域 的 像 素 值, 且
1 当像素为前景点时 f (P i) = 0 当像素为背景点时 (其中 i = 0, …, 7)
一种新的快速图像细化算法研究与实现
ｌ细化方 法的分 类
近二 十年 来 ， 们 提 出 了许 多 细 化 算 法 ， ｕ ｎ等 人 调 查 了 不 下 １ ０种 细 化方 法 ， 将 其 分 为 两 类 ： 类 是 以 象 素 迭 代 删 除 为 基 人 Ｓｅ Ｏ 并 一 础 的方 法 ； 一 类 是 以 非象 素 为 基 础 的方 法 。前 者 又 叫 窗 口法 ， 利 用 一 个 窗 口算 子 依 次 从 左 到 右 ， 上 到 下 移 动 ， 另 是 从 根据 某 种 准 则 ， 确定 中心 象 素 的保 留或 删 除 ． 又 进 一 步分 为 串行 和 行 两 种 方 法 。串 行细 化 即是 一 边 榆 测满 足细 化 条 件 的 点一 边 删 除 细化 点 ， 它 并 行 细 化 即 是检 测 细 化 点 的 时候 不 进 行 点 的 删 除 只进 行 标 记 ， 在 检测 完 整 幅 图像 后 … 次性 去 除要 细 化 的点 。后 者 是 利 用 汉 字 或 图 而 一 像 结 构 特 征 的细 化 方 法 ， 获 得 高质 量 的细 化 效果 ， 算 法 复杂 ， 算 量 大 。 能 但 计
●
关 键 词 ： 字识 别 ； 化 算 法 ； 汉 细 特征 提 取 ； 图像 处理 中图 分 类号 ： Ｐ １ Ｔ ３１ 文献 标 识 码 ： Ａ 文 章编 号 ： ０ ９ ３ ４ （０ ０ １ — ４ ２ ０ １ ０ — ０ ４２ １ ） ６ ４ ８ — ３
Ａ ห้องสมุดไป่ตู้ ｓ ｍ ａ ｅ Ｔｈｉ ｎｇ Ａ ｌ ｒ ｔ Ｎｅ Ｆａ ｔＩ ｇ ｎｎｉ ｇｏ ｉｈｍ ａｎｄ Ｉ ｐｌｍ ｅｎ ａｔｏ ｍ ｅ ｔ ｉ ｎ
２模 板 匹 配 的 Ｒ ｓｎ细 化 算 法 ｏｅ
一种基于分区标记的快速细化方法
免逐层剥离法的局限性， 但方法采用 了系列优化措施。实例表 明 ， 方法极 大地提高 了细化效 率， 该 为线 自动、 快速 矢量化奠定 了基
础 ， 有推广意义。 具 关 键 词 逐层 剥离法 分 区标 记 快 速 细 化
Ａ ＱＵ Ｃ Ｔ ＮＮ ＮＧ ＧｏＲ Ｔ Ｉ Ｋ ＨＩ Ｉ ＡＬ Ｉ ＨＭ Ａ Ｅ Ｎ Ａ Ｅ Ｌ ＮＧ Ｉ ＧＩ ＮＳ Ｂ Ｓ Ｄ ｏ Ｌ Ｂ Ｌ Ｉ ｏ
连通性 的原则建立连通性判别 准则 ， 并将 图形 点分为 可删去点 和不可删去点两类 ， 后逐步删除可删除点 ， 然 这个过程一般需要 多次反复才能将 图形点全部 分类 出来 ， 最终 得到的不 可删去点 的集合就是所求 图形 、 笔划 的骨架。逐层剥 离法又 可细 分为 串 行算法 、 并行算法 、 串行和并行 混合算法 。串行算法是一种早期 的 方 法 ， 这 种 方 法 中 ， 像 素 考 察 的 顺 序 是 固 定 的 ， 每 一 个 在 对 对 像素的操作 ， 包括删除和保 留都需依靠 上次迭 代 以及对前 一个
ｔｏ ｇ ｈ ｈ ｒ ｏ ｎ ｆｇ ａ ｕ ｌ ｒ ｓｏ ｔ ｏ ａ ｎ ｔ ｅ ａ ｏ ｄ ｄ，ｏ ｍｐ ｏ ｅ ａ ｕ ｅ ａ ｅｂ ｅ ｒ ｐ ｓ ｄ ｔ ｋ ｐ ｆｒｉ Ｅ ｐ ｒ ｈ ｕ ｈ ｔ ｅｓ ｏ ｔ ｍｉ ｇ ｏ ｄ ａ ｙ ｅ ｉｎ ｍｅ ｈ ｄ ｃ ｎ ｏ ｖ ｉ ｅ ｓ ｍｅ ｉ ｒ ｖ ｄ ｍｅ ｓ ｒ ｓｈ ｖ ｅ ｎ ｐ ｏ ｏ ｅ ｏ ｍａ ｅ ｕ ． ｘ ｅ ｉ ｃ ｒ ｌ ｏ ｂ ｏ ｔ — ｍｅ ｔ ｅ ｕｔｓ ｏ ｓ ｔａ ｈ ｌ ｏｉ ｍ ｓｅ ｅ ｔ ｅ ａ ｄ ｉ ｌ ｙ ｏ ｉ ｏ ｎ ａｉ ｎ ｆｒ ｑ ｉｋ ａ ｄ ａ ｔｍａ ｉ ｉｅ ｖ ｃｏ ｉａｉｎ ｎａ ｒ ｓ ｌ ｈ ｗ ｈ ｔｔ ｅ ａｇ ｒｔ ｉ ｆ ｃｉ ， ｎ ｔ ａ ｓａ ｓ ｌ ｆ ｕ ｄ ｔ ｕ ｃ ｎ ｕｏ ｔ ｌ ｅ ｔｒ ｔ ． ｌ ｈ ｖ ｄ ｏ ｏ ｃ ｎ ｚ ｏ
一种有效的指纹图像细化算法
一种有效的指纹图像细化算法何晶;范九伦【摘要】OPTA方法是一个经典的指纹图像细化方法,针对OPTA法的不足提出改进的OPTA方法能够得到完全细化的指纹图像,细化后图像纹线扭曲小.但是改进的OPTA方法还存在细化后的图像容易产生毛刺的不足,为此提出一组改进模板,即在改进的OPTA模板的基础上增加一组去除毛刺的模板.实验表明,通过该算法得到的细化指纹图像在保持连通性的基础上光滑无毛刺,取得了更为理想的细化结果.【期刊名称】《现代电子技术》【年(卷),期】2008(031)018【总页数】4页(P143-145,148)【关键词】图像处理;细化;模板;毛刺【作者】何晶;范九伦【作者单位】西安邮电学院,陕西,西安,710061;西安邮电学院,陕西,西安,710061【正文语种】中文【中图分类】TP391.41 引言迄今为止，生物特征识别技术已经成为最为方便与安全的识别技术[1]。
由于指纹具有惟一性、稳定性、可采集性、与主体永不分离性等优点，指纹识别成为生物特征识别中关注度很高，应用较多的主要技术[2,3]。
自动指纹识别系统(AFIS)是个人身份认定的一种重要手段。
一个完整的指纹识别系统主要包括：指纹图像采集、滤除图像噪声、对图像进行二值化处理、细化图像、特征点提取和特征点比对等几个部分。
其中，细化是指纹图像预处理中耗时最长、要求最高的一部分。
指纹细化又称骨架化，是自动指纹识别系统中重要的预处理组成部分，细化结果的好坏直接影响特征点提取的有效性。
研究人员已经提出了很多细化方法，按迭代方式可分为串行算法、并行算法和串并行混合算法。
串行细化算法是指每次迭代的结果依赖于像素处理的先后顺序，因而某一像素点的删除或保留与处理顺序有关。
并行细化算法进行细化时可以把相同的判定条件应用于所有的像素点，与处理顺序无关，所以从原理上将优于串行细化算法。
而串并行混合算法就是串行和并行混合的方法。
已经提出的并行细化方法有很多：OPTA细化算法、Hall细化算法、Rosedfeld细化算法、ZR细化算法等[4-7]。
hilditch 细化算法 python
Hilditch细化算法是一种用于二值图像细化（或骨架化）的算法。
以下是一个简单的Python实现：
def hilditch(image):
# 获取图像的宽度和高度
width, height = image.shape
# 创建一个与原图大小相同的掩模，所有值初始化为1
mask = image.copy()
# 遍历原图像
for y in range(height):
for x in range(width):
# 如果当前像素是1，则进行细化操作
if image[x][y] == 1:
# 判断上下左右四个方向是否为0
if (x > 0 and image[x-1][y] == 0) or (x < width-1 and image[x+1][y] == 0):
mask[x][y] = 0
if (y > 0 and image[x][y-1] == 0) or (y < height-1 and image[x][y+1] == 0):
mask[x][y] = 0
# 返回细化后的图像
return mask
这个函数接受一个二值图像作为输入，并返回一个细化后的图像。
在函数中，我们首先创建一个与原图大小相同的掩模，并将所有值初始化为1。
然后，我们遍历原图像中的每个像素，如果当前像素是1，则检查其上下左右四个方向是否为0。
如果是，则将当前像素的值设置为0，表示该像素应该被细化掉。
最后，我们返回细化后的图像。
hilditch细化算法python
Hilditch细化算法是一种用于图像处理的算法，旨在对二值化图像进行细化处理，以消除图像中不必要的细节，从而得到更加清晰的边缘轮廓。
该算法在数字图像处理领域具有广泛的应用，可以帮助我们提取出图像中的有效信息，并且在计算机视觉、模式识别等领域有着重要的作用。
Hilditch细化算法的原理比较复杂，主要包括以下几个步骤：1. 定义细化算法的结构元素：Hilditch细化算法中使用了一个3x3的结构元素，该结构元素用于检测图像中的特定模式，并对其进行处理。
2. 识别图像中的特征点：在细化算法中，首先需要识别图像中的特征点，这些特征点通常指的是图像中的边缘像素点，通过对这些特征点进行分析和处理，可以实现对图像的细化处理。
3. 进行细化处理：一旦特征点被识别出来，就可以开始对图像进行细化处理。
这通常包括对结构元素进行滑动操作，利用结构元素与图像进行匹配，并根据预先设定的条件对结构元素进行处理，以使得图像的边缘轮廓更加清晰。
4. 迭代处理：细化算法通常需要进行多次迭代处理，直到图像中的所有特征点都被处理完毕，并且不再发生变化为止。
Hilditch细化算法虽然在图像处理中有着重要的作用，但是在实际应用中也存在一些问题和挑战。
算法本身的复杂性较高，需要较高的计算和存储资源；另外在处理过程中可能会出现一些误差和不确定性，这也需要我们在实际应用中做出一些改进和调整。
在Python中，我们可以利用一些开源的图像处理库来实现Hilditch 细化算法的功能，比如OpenCV、Pillow等。
这些库提供了丰富的API和功能，可以帮助我们实现图像的二值化处理、特征点的识别以及细化处理等操作。
Python本身具有简洁清晰的语法结构，也使得我们可以比较方便地编写和调试相关的算法代码。
以OpenCV为例，我们可以通过以下步骤来实现Hilditch细化算法：1. 导入OpenCV库：首先需要导入OpenCV库，并读取需要处理的图像数据。
一种改进的指纹快速细化算法
目前 有 很多 种 对 二 值 图像 的细 化 方法 ， 比较 常
用 的算 法一 般都 是通 过考 察像 素 点 的四邻域 点 或八
邻 域 点像 素来 制 订 判 断 规则 ， 而删 除 边 界点 达 到 从 细化 的 目的 。 文献 ［ ］ １ 的方 法是 基 于 四邻 域 的细 化算 法 ， 汉 字 和字 母 的细 化 效 果显 著 ； 献 ［ ］ 对 文 ２ 的方 法
ｖ ｌｅ ｎ ｅｅ ｒ ｈｎ ｈ ｅａｉｎ ｈ ｐ ｂ ｔ ｅ ｈ ｄ ａｅ ｔｅｇ ｔｎ ｉｈ ｏ ｉｅｓ ａ ｍｐ ｏ ｅ ａｕ ｓａ ｄ ｒｓａ ｃ ｉｇ ｔ ｅｒ ｌｔ ｓ ｉ ｅｗｅ ｎ ｔ ｅ ａ ｊｃ ｎ ｉｈ — ｅｇ ｂ ｒｐｘ ｌ ， ｎ ｉ ｒ ｖ ｄ ｏ
一
种 改进 的指纹快 速细化算法
Ａｎ Ｉ ｒ ｖｄ Ｑｕｃ ｈｎ ｉｇＡｌｏ ｉ ｍ ｏ ｍｐ ｏ ｅ ｉ Ｔ ｉｎｎ ｒｔ ｆ ｒ ｋ ｇ ｈ
上ｉ ｅ ｐｒ ｇ ｒ。 ｇ ｒ ｉ ｔ 一 ａ ｅ Ｉ ’ ‘ ｎ － Ｉ ｎ ｍ
张显全 ， 唐 莹 ， 明 明 郭
细化 处 理是 指 在 性 的基础 上 ， 删除 纹线 的边 缘像 素 ， 到 直
性 、 扑性 ， 且 细 化速 度 非 常快 ， 由 于该 算 法对 拓 并 但 指纹 图像 细化 后 有很 多都 是 双 像 素 宽 ， 后 续 处理 对 影 响较大 ， 在指 纹 的特征 提取 中 ， 造成 许 多虚假 如 会 特征 。文献 ［ ］ ３ 对快 速 细化 算 法进 行 了改进 ， 虽在保 持 指 纹 纹线 的细 节性 方 面取 得 较 好 的效 果 ， 仍有 但 部分 断点 的情 况 出现 ； 文献 ［ ，］ 提 出 的算 法都是 ４ ５所 在 经 典 图像 模 板 算 法 的基 础 上 将 检 测 模 板 加 以改
细化算法 (1)
SPTA细化算法步骤
对右边界的点，就是符合图3（a）模板的p点，即 n4· p· n0=1的p点，若式（a）为0，则为安全点。 布尔表达式中相应像素为黑且未被标记的点的布 尔量为1，否则为0. 同理，对左、上、下边界点的表达式分别如上面 的式（2）、（3）、（4）。
n3
n2
n1
n4
p
n0
n5
Hilditch细化算法的优缺点 优点：细化算法效果好
缺点：运算量大，有一些分支、处理速度慢，在实际应用中难以满足实时处理 的要求。
SPTA细化算法
SPTA细化算法一般需要经过数轮相同的检查过程，每一轮都由2次扫描组 成，每次扫描检查图像的每个像素。扫描过程可以是逐行的，也可以是 逐列的。第一次扫描检查所有的左、右边缘点，如果是非安全点则被标 记；第二次扫描检查所有的上、下边缘点，如果是非安全点则被标记。 当结束一轮扫描后，没有一点被标记，则删除所有被标记的点，算法结 束，否则进入下一轮扫描。 算法： S0=n4(n5+n6+n2+n3)(n0+n1')(n4+n3') S4=n0(n1+n2+n6+n7)(n2+n3')(n6+n5') S2=n6(n7+n0+n4+n5)(n0+n1')(n4+n3') S6=n2(n3+n4+n0+n1)(n4+n5')(n0+n7')其中’‘'’=‘ ▔’
n6
n7
SPTA细化算法优缺点
SPTA细化算法 优点：它代表了笔划的中轴线且保持了连续性 缺点：它需要分四次扫描进行，速度较慢，而且SPTA也难于克服45度 交叉畸变的问题
快速并行细化算法
快速并行细化算法
严玉龙;王厚枢
【期刊名称】《南京航空学院学报》
【年(卷),期】1991(023)001
【摘要】本文提出一种快速并行细化算法。
细化过程是一个迭代过程。
每次迭代分成两个子迭代。
算法收敛速度快,细化连续性好,几何畸变小,对二值纹理图像无特殊要求,具有通用性。
算法实现巧妙,独特,占用内存少,特别适合小型计算机图像处理系统。
该算法在PCvision图像处理系统上实现的效果良好。
【总页数】6页(P135-140)
【作者】严玉龙;王厚枢
【作者单位】不详;不详
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于模板保留的快速并行细化算法 [J], 贺继刚;杨晓伟;吴广潮;郝志峰
2.快速并行细化算法在焊缝识别中的实现 [J], 崔宣;丁杨;高文;金世林
3.Zhang快速并行细化算法检测地震反射同相轴 [J], 程金浪
4.一种改进的快速并行细化算法 [J], 牟少敏;杜海洋;苏平;查绪恒;陈光艺
5.基于CUDA的图像快速并行细化算法的研究与实现 [J], 金汉均;梅洪洋
因版权原因，仅展示原文概要，查看原文内容请购买。
一种快速准确的细化算法
收稿日期:2002206208 基金项目:国家“九五”重中之重科技攻关资助项目(962B02203) 作者简介:吴丹(19802),女,江西南昌人,中国地质大学(武汉)信息工程学院硕士研究生,研究方向:GIS ,图像处理。
文章编号:100622475(2003)0120006202一种快速准确的细化算法吴 丹(中国地质大学信息工程学院,湖北武汉 430074)摘要:细化广泛应用于图像处理与模式识别。
从细化得到的骨架不但保持了原图像的几何和拓扑特征,而且更重要的是减少了图像的冗余。
细化算法多种多样,本文介绍了一种简单但却具备其它算法优势的细化算法。
本算法仅使用几条简单的规则来决定是否删除像素点,以达到细化的目的。
经计算机模拟该算法对汉字的处理过程,证实其快速且易于实现。
关键词:细化;骨架;相邻像素点;0～1模式数中图分类号:TP391 文献标识码:AA F ast and Accurate Thinning AlgorithmW U Dan(In formation Engineering Faculty ,China University of G eosciences ,Wuhan 430074,China )Abstract :Thinning is widely used in image processing and pattern recognition.The skeleton obtained from thinning not only maintains the geometric and topologic features of the original image ,but als o substantially reduces its redundancy.There are all kinds of thinning alg orithms.This paper introduces a thinning alg orithm ,which is simple yet can maintain the same advantages of other key alg orithms.This alg orithm only uses a very small set of rules of criteria for deleting pixels ,it is faster and easier to implement.K eyw ords :thinning ;skeleton ;neighbor pixel ;0～1pattern number0 引 言细化,也被称之为骨架化,是广泛应用于图像处理与模式识别的一个重要的图像预处理过程。
图像编码论文资料
在美术制作中，对扫描稿的线条细化的问题，业界内尚未有效的解决，主要是以日本动漫制作行业中为代表用地图矢量化的相通思路和方法，采用快速模板（适配）的骨骼线提取方法，产生单像素线条（矢量化的基础），对线型进行修整，来对该问题做了针对性的应用研究采用美术制作流程截图表示主要改进：增大了模板库最终效果，由美术人员专业评测附部分模板代码图像文件在计算机中存储的方式有两种，一种是位图文件格式，即栅格方式，另一种是矢量图文件格式。
1、栅格数据结构（1）定义地图通过扫描仪输入计算机时首先是以栅格格式进行存储的。
栅格数据结构是指将地图分为大小均匀紧密相邻的网格阵列，每个网格作为一个像元或像素，由行、列号标识，每个网格相对应的值为该象素的灰度值。
因此，栅格结构是以规则的行列阵来表示空间地物和现象分布的数据组织，组织中的每个数据表示地物或现象的非几何属性特征。
在栅格结构中，点用一个栅格单元即一个象素表示，线状地物用沿线走向的一组相邻栅格单元表示，每个栅格单元最多只有两个相邻单元在线上，面或区域用记有区域属性的相邻栅格单元的集合表示，每个栅格单元可有多于两个的相邻单元同属一个区域。
（2）特点栅格数据结构具有“属性明显、位置隐含”的特点，易于表达面状的地理实体，经常在图像处理过程中使用。
用栅格数据表示的地表是不连续的，是量化和近似离散的数据，这就意味着地表一定面积内(像元地面分辨率范围内)地理数据的近似性。
在进行栅格数据处理时，一般认为，量化表面是连续的，以便能使用某些函数进行计算。
在计算面积、长度、距离等空间指标时，如果栅格较大，则会造成较大的误差。
因为在一个栅格的地表范围内，可能多于一种地物，而在栅格单元中只能由一个代码表示。
因此，在栅格模型中要想精确地刻画点、线、多边形等图形要素，需要高分辨率的像元，这样会占用很大的存储空间。
2、矢量数据结构（l）定义矢量数据结构是用方向和大小来综合描述一个图形对象，一个矢量点在二维空间可以用(Dx，Dy)表示，矢量表达形式是将空间实体从形态上分为点、线、多边形三种基本形体，并通过记录坐标，尽可能的将点、线、面的地理实体表现的精确无误。
基于模板保留的快速并行细化算法
基 于模 板 保 留的快 速 并行 细 化 算 法
贺继冈 １ 杨晓伟 吴广潮 郝志峰
（ 华南 理 工 大 学 数 学科 学 学 院 广 东 广州 ５ ０ ４ ） １６ ０
摘 要 Biblioteka 快速 并行算法（ Ｐ 是经典算法 中比较好 的一种细化算 法， 其存在 固有 缺 陷， Ｆ Ａ） 但 可能 产生信息丢失。 为 了克服这个缺
ｈ ｒ ｎ ｈ ｒａ ｅ ｎｄ ｍａ ｅ ｅ ａ ｅｉ ｆｒ ｔｏ ｓ ｉ ． ｖ ｒｏ ｅｔ ｉ ｒ ｗｂａ ｋ， ｒ ｔ ＦＰＡ ｐｐ ｎ ｌｏ ｉｈ ｉ ｅｉ ｅ Ｂａ ｅ ｎ ｔ ｉ ， ｅ ｅ ｔｓ ｏ ｔｇ ｓａ ｙ ｇ ｎ ｒ ｔ ｎ ｏ ｍａｉｎ ｍｉｓｎｇ Ｔｏ ｏ ｅ ｃ ｍ ｈ ｓｄ ａ ｃ ｆ ｓｌ ｉ ｙ， ｍａ ｉ ｇ ａｇ ｒｔ ｍ ｓ ｖ ｒｆ ｄ． ｓ ｄ ｏ ｈ ｓ ｉ Ｆ ＰＡ ｕｐ ｒ ｏ ｉｉｎ ａｇ ｒｔ ｓ ｅ ｐ ｓｔｏ ｌ ｏｉｈｍ ｓｇｖ ｎ． ｎ ｌ ａｆｓ ｒ ｌｅ ｈｉｎ ｎ ｌｏ ｉｈ ｂ ｓ ｄ ｏ ｅ ｅ ｖ ｄ ｔｍｐ ａｅ ｓｐｒｐｏ ｅ ｏ ｒｄｕ ｅｔ ｅｃ ｍｐｕａ ｉ ｉｅ Ｆｉ ａｌ ａ ｔｐａａ ｌｌｔ ｎ ｉ ｇ ａｇ ｒｔ ｍ ａ ｅ ｎ ｒ ｓ ｒ ｅ ｅ ｌ ｔｓｉ ｏ ｓ ｄ ｔ ｅ ｃ ｈ ｏ ｙ， ｔ— ｔｏ ａ ｉ ｎ ｅ ｕｎ ａ ｔｉｆ ｒ ｔｏ ． ｉｎ ｌｔｍｅａ ｄ ｒ ｄ ｄ ｎ ｎ ｏ ｍａｉ ｎ Ｔｈｅｅ ｐ ｒｍｅｎａ ｅ ｕｌ ｈ ｗ ｈａ ｈ ｏ ｅ ｌｏ ｔ ｍ ｓｆ ｓ． ｔｃ ｎ ｇ ｔｔ ｅ ｃ ｎ ｒ ｌｓ ｅｅ ｏ ｔ ｏ ｔｄ ｓ ｘ ｅｉ ｔｌｒ ｓ ｔ ｓ ｏ ｔ ｔｔｅ ｎ ｖ ｌａｇ ｒ ｈ ｉ ａ ｔ Ｉ ａ ｅ ｈ ｅ ｔａ ｋ ｌｔ ｎ ｗｉｈ ｕ ｉ— ｓ ｉ
二值图像的快速细化算法
舞嚣精舟蔫簿辩。 ｌｌ ｌ ａ ｌ 秭Ｏ ５
ｔ ０１ 。 ，， ． ， ０ 赢
瓤 ０１ ， ０，
ｏ１１Ｌ ， ， Ｏ氍
鼙裔
０ ， １ ０１ ， ０ ， ， ０， ０ ，
氍 赫静缸
ｌ ， ０ ｔ ， １ ， １ ０ ，
ｏ ￣Ｏ ｌｌ１ ｈ， Ａ ，
有效 的提高 了处理效率 ， 减少数据冗余 。
１ 像 的细化 分析
图像 的细化 主要是针对二值 图而 言 。 图像 的细化 过程 对 实际上是求该 图像骨架 的过程 。所谓 的骨架 ， 以理解为 图 可 像 的中轴 ： 长方形 的骨架 ， 是长方 向的中线 ； 圆形的骨架 ， 是
圆心 这 一 点 。
常用 的逐层剥取 细化算 法有 Ｈ ｌｉｈ ｉ ｔ ，该算法通 过判断 ｄｃ 图像 中属于边界点 而不是连通 点 ． 可以去掉 此点 ． 就 这是 一 种反复扫描的过程 。 如果对于一个矩形 区域 （ ３ ， 图 ）从左上角
一种有效的混合式指纹快速细化算法
定义 １ 目标点 和背景点 。目标点指像素值为 １的点 ， 与 此对应 ， 背景点像 素值 为 ０ 。 定义 ２ － ８邻点和 ４邻点 。如 图 １ 一 所示 ， 设有任 意像素点 Ｐ， Ｐ的 ８邻点 即为 以 Ｐ为 中心 的 ３× 一 ３区域中除 了 Ｐ点以外
的 ８个 点 Ｐ 、２ Ｐ 、 ４Ｐ 、 Ｐ 、 ８ ｌＰ 、 Ｐ 、 ５Ｐ 、 ， Ｐ 。其 中 Ｐ 、 Ｐ 、 为 Ｐ 、 ６ 其 ４邻 点 。 一
杨 凡， 赵顺 东
（ 江师范 大学 数理 与信 息 工程 学院 ，浙 江 金 华 ３ １０ ） 浙 ２ ０４
摘
要 ：针 对现有指 纹细化算 法存在 的模 板 匹配次数过 多、 迭代 频繁 、 细化 不完全 等现 象， 在深入 分析 了快 速 细
化 算法和 串并混合 式细化算 法特点 的基 础上 ， 出 了一种 新的 混合 式指 纹细化 算 法 ， 提 有效 地提 高 了细 化速 度和
快速细化算 法 和改进 Ｏ Ｔ Ｐ Ａ算 法的混 合式算 法…ｔ 比较 ”相
细 化 更 为完 全 ， 细化 速 度 明显 加快 。 且
１ 两种 细化算 法简介
为 了方 便 描 述 ， 这 里 先 给 出几 个 定 义 ： 在
行细化算法ｕ 。其 中 ， 串行细 化算法 的处理 结果依 赖于 对像
ＹＡＮＧ ｎ，ＺＨＡＯ ｕ ｄ ｎ Ｆａ Ｓｈ ｎ— ｏ ｇ
（ ｏｅｅｏ ｔ ｍａｉ ｈｓｓ Ｉ ｏｍ ｔ ｎＥ ｇｎｅｉ Ｚ ｑａ ｇＮ ｒ ｌ ｎｖｒｔ，Ｊ ｈ ａＺ ｅａ ｇ３ １０ Ｃ ｉａ Ｃ ｌｇ ｌ ｆＭａｈ ｔｓＰ ｙｉ ＆ ｎ ｒ ａｉ ｎ ｉ ｒｇ， ｈ ｉｎ ｏｍ ｉ ｓｙ ｉ ｕ ｈ ｉｎ ２０ ４， ｈｎ ） ｅ ｃ ｃ ｆ ｏ ｅ ｎ ａ Ｕ ｅｉ ｎ ｊ
一种适用于工程图的快速细化算法
一种适用于工程图的快速细化算法
谭柏珠;叶邦彦
【期刊名称】《微型机与应用》
【年(卷),期】1999(018)010
【摘要】依轮廓象素点是否可被剥离图像，设计了一种简明的图形细化算法。
用该算法对工程图进行细化，能得到交叉点畸变较小的柘朴骨架。
文中给出了该算法和另一细化算法的比较实验结果。
【总页数】2页(P11-12)
【作者】谭柏珠;叶邦彦
【作者单位】广州华南理工大学机电工程系;广州华南理工大学机电工程系
【正文语种】中文
【中图分类】TB21
【相关文献】
1.一种新的快速图像细化算法研究与实现 [J], 姚瑶;王伟;王爱菊
2.一种新的指纹图像快速细化算法 [J], 廖开阳;张学东;章明珠
3.一种快速的手写体汉字细化算法 [J], 张学东;张仁秋;关云虎;王亭
4.一种基于重心的快速细化算法 [J], 陈若珠;田守军;李战明;吕强
5.一种改进的快速并行细化算法 [J], 牟少敏;杜海洋;苏平;查绪恒;陈光艺
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
收稿日期:2002206208 基金项目:国家“九五”重中之重科技攻关资助项目(962B02203) 作者简介:吴丹(19802),女,江西南昌人,中国地质大学(武汉)信息工程学院硕士研究生,研究方向:GIS ,图像处理。
文章编号:100622475(2003)0120006202一种快速准确的细化算法吴 丹(中国地质大学信息工程学院,湖北武汉 430074)摘要:细化广泛应用于图像处理与模式识别。
从细化得到的骨架不但保持了原图像的几何和拓扑特征,而且更重要的是减少了图像的冗余。
细化算法多种多样,本文介绍了一种简单但却具备其它算法优势的细化算法。
本算法仅使用几条简单的规则来决定是否删除像素点,以达到细化的目的。
经计算机模拟该算法对汉字的处理过程,证实其快速且易于实现。
关键词:细化;骨架;相邻像素点;0～1模式数中图分类号:TP391 文献标识码:AA F ast and Accurate Thinning AlgorithmW U Dan(In formation Engineering Faculty ,China University of G eosciences ,Wuhan 430074,China )Abstract :Thinning is widely used in image processing and pattern recognition.The skeleton obtained from thinning not only maintains the geometric and topologic features of the original image ,but als o substantially reduces its redundancy.There are all kinds of thinning alg orithms.This paper introduces a thinning alg orithm ,which is simple yet can maintain the same advantages of other key alg orithms.This alg orithm only uses a very small set of rules of criteria for deleting pixels ,it is faster and easier to implement.K eyw ords :thinning ;skeleton ;neighbor pixel ;0～1pattern number0 引 言细化,也被称之为骨架化,是广泛应用于图像处理与模式识别的一个重要的图像预处理过程。
寻找图像的细化结构是图像处理的一个基本问题,对不同形状的图像目标,如何快速地获得其非畸变骨架,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。
例如在文字识别、地质构造识别、工业零件形状识别或理解中,先要对被处理的图像做细化处理,这样有助于突出形状特点并减少冗余的信息量。
细化算法许许多多,目前依据是否使用迭代运算将其分成两类:第一类是非迭代算法,一次即产生骨架,如基于距离变换的方法、游程长度编码细化等。
第二类是迭代算法,即重复删除图像边缘满足一定条件的像素,最终得到单像素宽骨架。
这类方法依据其检查像素的方法又可再分成串行算法和并行算法,在串行算法中,是否删除像素在每次迭代的执行中是顺序固定的,它不仅仅取决于前次迭代的结果,也取决于本次迭代中已处理过像素的分布情况,而在并行算法中,像素的删除与否与像素在图像中的顺序无关,仅取决于前次迭代的结果。
在经典图像细化算法发展的同时,起源于图像集合运算的形态学细化算法也相应得到发展。
1 骨架的定义一个图像的骨架,是指图像目标中央的骨骼部分,正如动物的骨骼决定了动物的外形一样,图像的骨架描述了图像目标几何及拓扑性质等重要特征。
骨架有以下几种定义方法:定义1:骨架可以用中轴来表示。
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(即骨架)。
定义2:在欧氏二值图像的内部任意给定一点,以该点为圆心存在一个最大的圆盘,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,所有最大圆盘的圆心构成了图像的骨架(中轴)。
定义3:影响区骨架(SKIZ )。
2 像素点特征像素点是构成图像的基本单元,也是对图像实施各种运算的基本操作单元。
图像目标的形状特征在 2003年第1期计 算 机 与 现 代 化J IS UAN J I Y U XI ANDAIH UA 总第89期很大程度上要取决于其所包含的各像素点的特征以及像素点间的关系。
像素点的特征可由图像值和相邻像素来描述。
2.1 图像值在二值图像上,任一像素(i ,j )的图像值有以下两种可能的取值:{P (i ,j )=0P (i ,j )=1通常情况下,图像值为0表示该像素为背景点,图像值为1表示该像素为前景点。
2.2 非零相邻像素数图像上各像素均有如图1所示的八个相邻像素,各相邻像素及其自身在x 和y 方向上的坐标增量分别为:bi[]={0,0,21,21,21,0,1,1,1}bj[]={0,21,21,0,1,1,1,0,21}则像素(i ,j )的非零像素数为:u (i ,j )=∑8k =1P (i +bi[k ],j +bj[k ])P2P (i -1,j -1)P1P (i ,j -1)P8P (i +1,j -1)P3P (i 21,j )P0P (i ,j )P7P (i +1,j )P4P (i -1,j +1)P5P (i ,j +1)P6P (i +1,j +1)图1 相邻像素及其编号2.3 相邻像素0～1模式数相邻像素0～1模式数是指某像素的相邻像素中沿规定方向(不妨设为逆时针方向)运行一周其相邻像素的图像值从0变为1的次数。
求取相邻像素0～1模式数v (i ,j )的算法如下:v =0;for (k =0;k <9;k ++){a =P (i +bi[k %8],j +bj[k %8]);if (k ==0) a0=a ;if (a !=a0) {v ++;a0=a ;}}v =v Π2;2.4 边界点图像区域的边界点在二值图像的分析和处理中有着特别重要的作用,它是图像区域与背景的分界点。
边界点应满足如下两个条件:{P (i ,j )=1P (i +1,j )=0或{P (i ,j )=1;P (i -1,j )=0或{P (i ,j)=1P (i ,j +1)=0或{P (i ,j )=1;P (i ,j -1)=03 算法对于连通目标来说,细化后最终所剩的骨架应满足以下几个条件:(1)不改变图像中各分量的拓扑邻接关系;(2)保证骨架连通性及单像素宽度;(3)基于“棋盘”或“街区”距离测度;(4)基于(3)的距离关系逼近图像的中轴线。
简而言之,细化就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。
那么怎样判断一个点是否能去掉呢?显然,要根据它的八个相邻点的情况来判断,下面我们举几个例子。
图2 根据某点的八个相邻点的情况来判断该点是否能删除如图2所示,①不能删,因为它是个内部点,我们要求的是骨架,如果连内部点也删了,骨架也会被掏空的;②不能删,和①是同样的道理;③不能删;④不能删,因为删掉后,原来相连的部分断开了;⑤不能删,这样的点是直线的相交点,删掉后会改变原图像拓扑结构;⑥不能删,因为它是直线的端点,如果这样的点删了,那么最后整个直线也被删了,剩不下什么;⑦不能删,因为孤立点的骨架就是它自身。
总结一下,为保证细化图像不改变原图像的几何和拓扑特征,满足以上所列骨架的条件,具备以下特征的前景像素点不删除:(1)填充区域内部点 u (i ,j )Ε7;(2)孤立点 u (i ,j )=0;(3)直线端点 u (i ,j )=1 并且 v (i ,j )=1;(4)直线中间点 u (i ,j )Ε2 并且 v (i ,j )Ε2;(5)填充区域边界点 u (i ,j )Ε2 并且 u (i ,j )Φ8 并且 v (i ,j )=1;(6)填充区域边界交叉点 u (i ,j )>2 并且 v (i ,j )=2。
因此具体算法如下:一幅图像中的一个333区域,如果像素点q =1,下面四个条件如果同时满足,则删除q 。
(1)2Φu (i ,j )Φ6;(2)v (i ,j )=1;(3)v (i -1,j )≠1或者P13P33P7=0;(4)v (i ,j -1)≠1或者P13P33P5=0。
对图像中的每一个点重复这一步骤,直到所有的点都不可删除为止。
即得到目标图像细化骨架。
4 实验结果和结论利用计算机编程实现该算法,对一幅由不同字体组成的汉字图像进行细化处理。
如图3所示,(a )为原图像,(b )为细化后图像。
(下转第10页)72003年第1期 吴丹:一种快速准确的细化算法假设我们要实现这样的功能:在MapCaf é上新加了一个按钮,当用户单击该按钮后,弹出一对话框,允许用户输入街道地址,ArcView 将在图上定位该地址并能亮显它,那么我们就需要编写Avenue 脚本来实现该功能:’获得Web Link 对象wlink =Web Link.The …’检查所需的信息for each i in 0…(self.count 21)key =self.get (i ).get (0).ucase val =self.G et (i ).G et (1)…’检查调色板SafetyOn =truefor each t in viwTheView.G etActiveThemes …’准备地图并将结果传给Map Caf étheFN =viwTheView.ExportT oG if (vr ,xsize ,ysize ,nil ,Safe 2tyOn )Ftype =av.Run (″AVI NET MP.ReturnImageT ype ″,theFN )av.run (″AVI NET MP.K illT oc ″,nil )av.run (″AVI NET MP.MakeT oc ″,viwTheView )Fname =″Map.″+Ftype C onT ype =″image Π″+FtypemapScale =msmx =vr.G etLeft.AsS tring +″,″+vr.G et 2Bottom.AsS tring +″,″+vr.G etRight.AsS tring +″,″+vr.G et 2T op.AsS tringCacheUrl =av.run (″AVI NET MP.WriteCache ″,{theFN ,Fname ,C onT ype})if (CacheUrl <>nil )then scaleS tr =av.run (″AVI NET MP.FloatS tring ″,{mapScale ,15}) wlink.WriteS tring (″Map Load ″++CacheUrl ++mx.quote ++scaleS tr.Quote ++CR +N L )endfile.delete (theFN )viwTheView.G etG raphics.Rem oveG raphic (g )viwTheView.G etG raphics.Rem oveG raphic (brg )viwTheView.G etG raphics.Rem oveG raphic (gt )return true可以根据实际需要按同样的方法添加更多的按钮和功能。