OpenCV学习(18) 细化算法(6)
本章我们在学习一下基于索引表的细化算法。
假设要处理的图像为二值图，前景值为1，背景值为0。
索引表细化算法使用下面的8邻域表示法：
一个像素的8邻域，我们可以用8位二进制表示，比如下面的8邻域，表示为00111000=0x38=56
我们可以枚举出各种情况下，当前像素能否删除的表，该表大小为256。它的索引即为8邻域表示的值，表中存的值为0或1，0表示当前像素不能删除，1表示可以删除。deletemark[256]
比如下图第一个表示，索引值为0，它表示孤立点，不能删除，所以deletemark[0]=0,第二个表示索引值为17，它表示端点，也不能删除，所以deletemark[17]=0，第三个表示索引为21，删除的话会改变连通域数量，所以deletemark[21]=0，第四个表示索引值为96，此时可以删除，所以deletemark[96]=1。
最终我们会定义一张完整的表来表示当前像素能否删除。
索引表细化算法描述很简单。
1.找到轮廓，其值用4表示
2.查找值为4的轮廓，查找索引表判断能否删除，能删除的话把它置为0。
循环迭代1，2直到再也没有可以删除的点为止。
下面的算法的代码：
void gThin::cvidxThin1(cv::Mat& src, cv::Mat& dst)
{ if(src.type()!=CV_8UC1)
{
printf("只能处理二值或灰度图像\n");
return;
}
//非原地操作时候，copy src到dst
if(dst.data!=src.data)
{
src.copyTo(dst);
} // P0 P1 P2
// P7 P3
// P6 P5 P4
unsigned char deletemark[256] = {
0,0,0,0,0,0,0,1, 0,0,1,1,0,0,1,1,
0,0,0,0,0,0,0,0, 0,0,1,1,1,0,1,1,
0,0,0,0,0,0,0,0, 1,0,0,0,1,0,1,1,
0,0,0,0,0,0,0,0, 1,0,1,1,1,0,1,1,
0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,0, 1,0,0,0,1,0,1,1,
1,0,0,0,0,0,0,0, 1,0,1,1,1,0,1,1,
0,0,1,1,0,0,1,1, 0,0,0,1,0,0,1,1,
0,0,0,0,0,0,0,0, 0,0,0,1,0,0,1,1,
1,1,0,1,0,0,0,1, 0,0,0,0,0,0,0,0,
1,1,0,1,0,0,0,1, 1,1,0,0,1,0,0,0,
0,1,1,1,0,0,1,1, 0,0,0,1,0,0,1,1,
0,0,0,0,0,0,0,0, 0,0,0,0,0,1,1,1,
1,1,1,1,0,0,1,1, 1,1,0,0,1,1,0,0,
1,1,1,1,0,0,1,1, 1,1,0,0,1,1,0,0
};//索引
int i, j;
int width, height;
//之所以减1，是方便处理8邻域，防止越界
width = src.cols -1;
height = src.rows -1;
int step = src.step;
int p0, p1, p2,p3,p4,p5,p6,p7;
uchar* img;
bool ifEnd;
bool border = false; //交换删除的次序，防止从一边细化
while(1)
{ border = !border;
img = dst.data;
for(i = 1; i < height; i++)
{
img += step;
for(j =1; j<width; j++)
{
uchar* p = img + j;
//如果p点是背景点,继续循环
if(p[0]==0) continue;
p0 = p[-step-1]>0?1:0;
p1 = p[-step]>0?1:0;
p2 = p[-step+1]>0?1:0;
p3 = p[1]>0?1:0;
p4 = p[step+1]>0?1:0;
p5 = p[step]>0?1:0;
p6 = p[step-1]>0?1:0;
p7 = p[-1]>0?1:0; //如果sum等于0，则不是内部点，是轮廓点，设置其像素值为2
int sum;
sum = p0 & p1 & p2 & p3 & p4 & p5 & p6 & p7; //判断是否是邻接点或孤立点,0,1分别对于那个孤立点和端点
if(sum==0)
{
dst.at<uchar>(i,j) = 4; //满足删除条件，设置当前像素为0
} }
}
//printf("\n");
//PrintMat(dst);
//执行删除操作
ifEnd = false; img = dst.data;
for(i = 1; i < height; i++)
{
img += step;
for(j =1; j<width; j++)
{
uchar* p = img + j;
//如果p点是背景点,继续循环
if(p[0]!=4) continue;
p0 = p[-step-1]>0?1:0;
p1 = p[-step]>0?1:0;
p2 = p[-step+1]>0?1:0;
p3 = p[1]>0?1:0;
p4 = p[step+1]>0?1:0;
p5 = p[step]>0?1:0;
p6 = p[step-1]>0?1:0;
p7 = p[-1]>0?1:0; p1 = p1<<1;
p2 = p2<<2;
p3 = p3 <<3;
p4 = p4<<4;
p5 = p5<<5;
p6 = p6 <<6;
p7 = p7 << 7; //求的8邻域在索引表中的索引
int sum;
sum = p0 | p1 | p2 | p3 | p4 | p5 | p6 | p7; //判断是否是邻接点或孤立点,0,1分别对于那个孤立点和端点
if(deletemark[sum] == 1)
{
dst.at<uchar>(i,j) = 0; //满足删除条件，设置当前像素为0
ifEnd = true;
} }
} //printf("\n");
//PrintMat(dst);
//printf("\n"); //已经没有可以细化的像素了，则退出迭代
if(!ifEnd) break;
}
上面的算法可以看到细化后的轮廓偏右了，我们可以更改删除的循环条件，把循环拆分成三个，修改后的代码如下：
void gThin::cvidxThin(cv::Mat& src, cv::Mat& dst)
{ if(src.type()!=CV_8UC1)
{
printf("只能处理二值或灰度图像\n");
return;
}
//非原地操作时候，copy src到dst
if(dst.data!=src.data)
{
src.copyTo(dst);
} // P0 P1 P2
// P7 P3
// P6 P5 P4
unsigned char deletemark[256] = {
0,0,0,0,0,0,0,1, 0,0,1,1,0,0,1,1,
0,0,0,0,0,0,0,0, 0,0,1,1,1,0,1,1,
0,0,0,0,0,0,0,0, 1,0,0,0,1,0,1,1,
0,0,0,0,0,0,0,0, 1,0,1,1,1,0,1,1,
0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,0, 1,0,0,0,1,0,1,1,
1,0,0,0,0,0,0,0, 1,0,1,1,1,0,1,1,
0,0,1,1,0,0,1,1, 0,0,0,1,0,0,1,1,
0,0,0,0,0,0,0,0, 0,0,0,1,0,0,1,1,
1,1,0,1,0,0,0,1, 0,0,0,0,0,0,0,0,
1,1,0,1,0,0,0,1, 1,1,0,0,1,0,0,0,
0,1,1,1,0,0,1,1, 0,0,0,1,0,0,1,1,
0,0,0,0,0,0,0,0, 0,0,0,0,0,1,1,1,
1,1,1,1,0,0,1,1, 1,1,0,0,1,1,0,0,
1,1,1,1,0,0,1,1, 1,1,0,0,1,1,0,0
};//索引
int i, j;
int width, height;
//之所以减1，是方便处理8邻域，防止越界
width = src.cols -1;
height = src.rows -1;
int step = src.step;
int p0, p1, p2,p3,p4,p5,p6,p7;
uchar* img;
bool ifEnd;
bool border = false; //交换删除的次序，防止从一边细化
while(1)
{ border = !border;
img = dst.data;
for(i = 1; i < height; i++)
{
img += step;
for(j =1; j<width; j++)
{
uchar* p = img + j;
//如果p点是背景点,继续循环
if(p[0]==0) continue;
p0 = p[-step-1]>0?1:0;
p1 = p[-step]>0?1:0;
p2 = p[-step+1]>0?1:0;
p3 = p[1]>0?1:0;
p4 = p[step+1]>0?1:0;
p5 = p[step]>0?1:0;
p6 = p[step-1]>0?1:0;
p7 = p[-1]>0?1:0; //如果sum等于0，则不是内部点，是轮廓点，设置其像素值为2
int sum;
sum = p0 & p1 & p2 & p3 & p4 & p5 & p6 & p7; //判断是否是邻接点或孤立点,0,1分别对于那个孤立点和端点
if(sum==0)
{
dst.at<uchar>(i,j) = 4; //满足删除条件，设置当前像素为0
} }
}
//printf("\n");
//PrintMat(dst);
//执行删除操作
ifEnd = false; img = dst.data;
for(i = 1; i < height; i++)
{
img += step;
for(j =1; j<width; j+=3)
{
uchar* p = img + j;
//如果p点是背景点,继续循环
if(p[0]!=4) continue;
p0 = p[-step-1]>0?1:0;
p1 = p[-step]>0?1:0;
p2 = p[-step+1]>0?1:0;
p3 = p[1]>0?1:0;
p4 = p[step+1]>0?1:0;
p5 = p[step]>0?1:0;
p6 = p[step-1]>0?1:0;
p7 = p[-1]>0?1:0; p1 = p1<<1;
p2 = p2<<2;
p3 = p3 <<3;
p4 = p4<<4;
p5 = p5<<5;
p6 = p6 <<6;
p7 = p7 << 7; //求的8邻域在索引表中的索引
int sum;
sum = p0 | p1 | p2 | p3 | p4 | p5 | p6 | p7; //判断是否是邻接点或孤立点,0,1分别对于那个孤立点和端点
if(deletemark[sum] == 1)
{
dst.at<uchar>(i,j) = 0; //满足删除条件，设置当前像素为0
ifEnd = true;
} }
} img = dst.data;
for(i = 1; i < height; i++)
{
img += step;
for(j =2; j<width; j+=3)
{
uchar* p = img + j;
//如果p点是背景点,继续循环
if(p[0]!=4) continue;
p0 = p[-step-1]>0?1:0;
p1 = p[-step]>0?1:0;
p2 = p[-step+1]>0?1:0;
p3 = p[1]>0?1:0;
p4 = p[step+1]>0?1:0;
p5 = p[step]>0?1:0;
p6 = p[step-1]>0?1:0;
p7 = p[-1]>0?1:0; p1 = p1<<1;
p2 = p2<<2;
p3 = p3 <<3;
p4 = p4<<4;
p5 = p5<<5;
p6 = p6 <<6;
p7 = p7 << 7; //求的8邻域在索引表中的索引
int sum;
sum = p0 | p1 | p2 | p3 | p4 | p5 | p6 | p7; //判断是否是邻接点或孤立点,0,1分别对于那个孤立点和端点
if(deletemark[sum] == 1)
{
dst.at<uchar>(i,j) = 0; //满足删除条件，设置当前像素为0
ifEnd = true;
} }
} img = dst.data;
for(i = 1; i < height; i++)
{
img += step;
for(j =3; j<width; j+=3)
{
uchar* p = img + j;
//如果p点是背景点,继续循环
if(p[0]!=4) continue;
p0 = p[-step-1]>0?1:0;
p1 = p[-step]>0?1:0;
p2 = p[-step+1]>0?1:0;
p3 = p[1]>0?1:0;
p4 = p[step+1]>0?1:0;
p5 = p[step]>0?1:0;
p6 = p[step-1]>0?1:0;
p7 = p[-1]>0?1:0; p1 = p1<<1;
p2 = p2<<2;
p3 = p3 <<3;
p4 = p4<<4;
p5 = p5<<5;
p6 = p6 <<6;
p7 = p7 << 7; //求的8邻域在索引表中的索引
int sum;
sum = p0 | p1 | p2 | p3 | p4 | p5 | p6 | p7; //判断是否是邻接点或孤立点,0,1分别对于那个孤立点和端点
if(deletemark[sum] == 1)
{
dst.at<uchar>(i,j) = 0; //满足删除条件，设置当前像素为0
ifEnd = true;
} }
} //printf("\n");
//PrintMat(dst);
//printf("\n"); //已经没有可以细化的像素了，则退出迭代
if(!ifEnd) break;
} }
修改后的结果：
程序源代码：工程FirstOpenCV11
OpenCV学习(18) 细化算法(6)的更多相关文章
- OpenCV学习(16) 细化算法(4)
本章我们学习Rosenfeld细化算法,参考资料:http://yunpan.cn/QGRjHbkLBzCrn 在开始学习算法之前,我们先看下连通分量,以及4连通性,8连通性的概念: http://w ...
- OpenCV学习(15) 细化算法(3)
本章我们学习一下Hilditch算法的基本原理,从网上找资料的时候,竟然发现两个有很大差别的算法描述,而且都叫Hilditch算法.不知道那一个才是正宗的,两个算法实现的效果接近,第一种算 ...
- OpenCV学习(17) 细化算法(5)
本章我们看下Pavlidis细化算法,参考资料http://www.imageprocessingplace.com/downloads_V3/root_downloads/tutorials/con ...
- OpenCV学习(14) 细化算法(2)
前面一篇教程中,我们实现了Zhang的快速并行细化算法,从算法原理上,我们可以知道,算法是基于像素8邻域的形状来决定是否删除当前像素.还有很多与此算法相似的细化算法,只是判断的条件不一样. ...
- OpenCV学习(13) 细化算法(1)
程序编码参考经典的细化或者骨架算法文章: T. Y. Zhang and C. Y. Suen, "A fast parallel algorithm for thinning digita ...
- OpenCV学习(19) 细化算法(7)
最后再来看一种通过形态学腐蚀和开操作得到骨架的方法.http://felix.abecassis.me/2011/09/opencv-morphological-skeleton/ 代码非常简单: v ...
- c++opencv中线条细化算法
要达到的效果就是将线条尽量细化成单像素,按照论文上的Hilditch算法试了一下,发现效果不好,于是自己尝试着写了一下细化的算法,基本原理就是从上下左右四个方向向内收缩. 1.先是根据图片中的原则确定 ...
- OpenCV学习(9) 分水岭算法(3)
本教程我学习一下opencv中分水岭算法的具体实现方式. 原始图像和Mark图像,它们的大小都是32*32,分水岭算法的结果是得到两个连通域的轮廓图. 原始图像:(原始图像必须是3通道图像) Mark ...
- OpenCV学习(21) Grabcut算法详解
grab cut算法是graph cut算法的改进.在理解grab cut算之前,应该学习一下graph cut算法的概念及实现方式. 我搜集了一些graph cut资料:http://yunpan. ...
随机推荐
- Git 简史
同生活中的许多伟大事件一样,Git 诞生于一个极富纷争大举创新的年代.Linux 内核开源项目有着为数众广的参与者.绝大多数的 Linux 内核维护工作都花在了提交补丁和保存归档的繁琐事务上(1991 ...
- CI框架的事务开启、提交和回滚
1.运行事务 $this->db->trans_start(); // 开启事务$this->db->query('一条SQL查询...');$this->db-> ...
- 洛谷——P2083 找人
P2083 找人 题目背景 无 题目描述 小明要到他的同学家玩,可他只知道他住在某一单元,却不知住在哪个房间.那个单元有N层(1,2……N),每层有M(1,2……M)个房间. 小明会从第一层的某个房间 ...
- JAVAEE——SSH项目实战06：统计信息管理、Spring注解开发和EasyUI
作者: kent鹏 转载请注明出处: http://www.cnblogs.com/xieyupeng/p/7190925.html 一.统计信息管理 二.Spring注解开发 1.service ...
- sklearn六大板块
六大板块 分类 回归 聚类 数据降维 数据预处理 特征抽取 统一API estimator.fit(X_train,[y_train]) estimator.fit(X_train,[y_train] ...
- HDU 5517 【二维树状数组///三维偏序问题】
题目链接:[http://acm.split.hdu.edu.cn/showproblem.php?pid=5517] 题意:定义multi_set A<a , d>,B<c , d ...
- [BZOJ5317][JSOI2018]部落战争(闵可夫斯基和)
对于点集$A$,$B$,闵可夫斯基和$C=\{(x1+x2,y1+y2)|(x1,x2)\in A,(y1,y2)\in B\}$.由此可知,对于两个凸包$A$,$B$的闵可夫斯基和$C$满足,$C$ ...
- Alpha 冲刺报告5
组长:吴晓晖 今天完成了哪些任务: 将服务端程序基本部署在阿里云上,还未进行测试 完成了手写记录的代码实现 处理团队问题 为明天的编程任务做准备 展示GitHub当日代码/文档签入记录: 明日计划: ...
- Python编码规则
1. 命名规则 1.1 变量名.包名.模块名 变量名通常有字母.数字和下划线组成,且首字母必须是字母或下划线,并且不能使用python的保留字:包名.模块名通常用小写字母 1.2 类名.对象名 类名首 ...
- Ubntu 14.04 下 开源骨架跟踪-skeltrack
Skeltrack是个不错的开源骨架跟踪软件.跟踪起来还相对的稳定速度还不错.能满足基本的体感功能.下面来介绍下怎么安装. 1.运行环境配置 #need clutter 1.8 or greater ...