图像处理------图像细化
算法流程参考自：图像处理细化算法
参考博文中没有细化算法的代码实现，只有算法的具体流程，在本文中，使用python实现图像细化的代码实现，但其运行效率没有考虑，只为理解算法原理：
算法原理步骤
对二值图像进行细化，就是骨架提取，删除不需要的轮廓点，保留其骨架点。假设一个像素点，该点为p1，八邻域为p2->p9,通过考虑P1邻域的实际情况，以便决定是否删除P1点。假设处理的图像为二值图形，背景为黑色0，细化的前景为1.
算法流程，分为两步，每步判断四个条件，然后决定像素点的去留。
第一步
1.条件1： 2<=P2+P3+P3+P4+P5+P6+P7+P8+P9 <=6
大于2保证P1不是断电和孤立点，小于6保证P1是一个边界点，等于0时周围没有等于1的像素，P1为孤立点，等于1时周围只有一个等于1的像素，多以P1为端点。(是端点的条件，周围有且只能有一个值为1的像素)
2.P2->P9的排列顺序，如上图的排列顺序，01模式的数量为1，如下图P2P3，P6P7所以改像素的01模式数量为2.
保证01模式数量为1，是要保证删除当前像素点后的连通性。
3.P2P4P6 = 0
4.P4P6P8=0
第一步之后会如果四条全部满足则令P1=0，否则保持不变。第一步之后会删除右下角的边界点。
第二步
对第一步操作后的图像，执行第二步操作：
1.条件1： 2<=P2+P3+P3+P4+P5+P6+P7+P8+P9 <=6
2.P2->P9的排列顺序，如上图的排列顺序，01模式的数量为1，如下图P2P3，P6P7所以改像素的01模式数量为2.
保证01模式数量为1，是要保证删除当前像素点后的连通性。
3.P2P4P8 = 0
4.P2P6P8=0
第二步执行之后会删除左上的边界点。
执行完上述的两个步骤，就完成了一次细化操作，可以通过多次迭代执行，得到最终的骨架图
算法代码实现
主要使用python实现上述的细化流程，封装成为一个函数。
在代码中主要按照第一步的实现来说，第二步和第一步的实现几乎完全相同
for row in range(h-1):
for col in range(w-1):
if img[row][col] == 1:
flag = 0
#条件1
t = img[row-1][col-1] + img[row-1][col] + img[row-1][col+1] + img[row][col-1] + img[row][col+1]
+ img[row+1][col-1] + img[row+1][col] + img[row+1][col+1]
if t >= 2 and t <= 6:
flag += 1
#条件2
t = 0
lis = [img[row-1][col],img[row-1][col+1],img[row][col+1],img[row+1][col+1],img[row+1][col],img[row+1][col-1],img[row][col-1],img[row-1][col-1],img[row-1][col]]
for i in range(len(lis)-1):
if lis[i] == 0 and lis[i+1] ==1:
t += 1
if t == 1:
flag += 1
#条件3
s = img[row-1][col] * img[row][col+1] * img[row+1][col]
if s == 0:
flag += 1
#条件4
s = img[row][col+1] * img[row+1][col] * img[row][col-1]
if s == 0:
flag += 1
if flag == 4:
dst[row][col] = 0
首先，我们判断当前像素值是否为1，如果是再进行以下的四个条件判断，如果不是这直接跳过。
在之前，没有进行这行代码，我迭代6次花费的时间是现在的很多倍
判断成立后设立一个flag用来记录条件成立的个数。
下面就是四个条件的分别判断了，
第一个条件，相对来说比较简单，看一下代码都会懂的。
t = img[row-1][col-1] + img[row-1][col] + img[row-1][col+1] + img[row][col-1] + img[row][col+1]
+ img[row+1][col-1] + img[row+1][col] + img[row+1][col+1]
if t >= 2 and t <= 6:
flag += 1
第二个条件是四个条件中比较有难度的
编写思路：将P2->P9放置在列表中，通过遍历列表来发现01模式，需要注意的是不要忽略在P9P2可能存在的01模式，所以在列表的最后又加了P2点，
#条件2
t = 0
lis = [img[row-1][col],img[row-1][col+1],img[row][col+1],img[row+1][col+1],img[row+1][col],img[row+1] [col-1],img[row][col-1],img[row-1][col-1],img[row-1][col]]
for i in range(len(lis)-1):
if lis[i] == 0 and lis[i+1] ==1:
t += 1
if t == 1:
flag += 1
对于条件三和四，就不需要赘述了。
下面是细化函数的完整形式：
def xihua(img):
h,w = img.shape
dst = img.copy()
for row in range(h-1):
for col in range(w-1):
if img[row][col] == 1:
flag = 0
#条件1
t = img[row-1][col-1] + img[row-1][col] + img[row-1][col+1] + img[row][col-1] + img[row][col+1]
+ img[row+1][col-1] + img[row+1][col] + img[row+1][col+1]
if t >= 2 and t <= 6:
flag += 1
#条件2
t = 0
lis = [img[row-1][col],img[row-1][col+1],img[row][col+1],img[row+1][col+1],img[row+1][col],img[row+1][col-1],img[row][col-1],img[row-1][col-1],img[row-1][col]]
for i in range(len(lis)-1):
if lis[i] == 0 and lis[i+1] ==1:
t += 1
if t == 1:
flag += 1
#条件3
s = img[row-1][col] * img[row][col+1] * img[row+1][col]
if s == 0:
flag += 1
#条件4
s = img[row][col+1] * img[row+1][col] * img[row][col-1]
if s == 0:
flag += 1
if flag == 4:
dst[row][col] = 0
temp = dst.copy()
for row in range(h-1):
for col in range(w-1):
if dst[row][col] == 1:
flag = 0
# 条件1
t = dst[row - 1][col - 1] + dst[row - 1][col] + dst[row - 1][col + 1] + dst[row][col - 1] + dst[row][col + 1]
+ dst[row + 1][col - 1] + dst[row + 1][col] + dst[row + 1][col + 1]
if t >= 2 and t <= 6:
flag += 1
# 条件2
t = 0
lis = [dst[row - 1][col], dst[row - 1][col + 1], dst[row][col + 1], dst[row + 1][col + 1],
dst[row + 1][col], dst[row + 1][col - 1], dst[row][col - 1], dst[row - 1][col - 1],
dst[row - 1][col]]
for i in range(len(lis) - 1):
if lis[i] == 0 and lis[i + 1] == 1:
t += 1
if t == 1:
flag += 1
# 条件3
s = dst[row - 1][col] * dst[row][col + 1] * dst[row + 1][col]
if s == 0:
flag += 1
# 条件4
s = dst[row][col + 1] * dst[row + 1][col] * dst[row][col - 1]
if s == 0:
flag += 1
if flag == 4:
temp[row][col] = 0
return temp
在最后我对添加优化和未优化的时间做了一下对比：
t = time.time()
xihua_low(imgb)
print('未优化：',time.time()-t)
t = time.time()
xihua(imgb)
print('优化后：',time.time()-t)
输出的结果为：
