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。在综述文章， Thinning Methodologies-A Comprehensive Survey中描述了各种细化算法的实现原理，有兴趣可以阅读一下。

      下面看看图像细化的定义以及细化算法的分类：

图像细化（Image Thinning），一般指二值图像的骨架化（Image Skeletonization） 的一种操作运算。
     所谓的细化就是经过一层层的剥离，从原来的图中去掉一些点(通常是轮廓上的点)，但仍要保持原来的形状，直到得到图像的骨架。

     骨架，可以理解为图象的中轴，如下面的字母H，白色的线即为起中轴，该中轴也可以称作H的骨架。

好的细化算法一定要满足下面几个条件：

• 收敛性；保证细化后细线的连通性；保持原图的基本形状；减少笔画相交处的畸变；细化结果是原图像的中心线；
  细化的快速性和迭代次数少。

依据是否使用迭代运算可以分为两类：
非迭代算法：一次即产生骨架，如基于距离变换的方法，游程编码细化等。
迭代算法：即重复删除图像边缘满足一定条件的像素，最终得到单像素宽带骨架。

迭代方法依据其检查像素的方法又可以再分成两类：
串行算法：是否删除像素在每次迭代的执行中是固定顺序的，它不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点分布情况。
并行算法:像素点删除与否与像素值图像中的顺序无关，仅取决于前次迭代的结果。

 

常用的迭代算法包括：Hilditch、Pavlidis、Rosenfeld细化算法以及基于索引表查询的细化算法等等。

 

Hilditch算法使用于二值图像，该算法是并行串行结合的算法。
Pavlidis算法通过并行和串行混合处理来实现，用位运算进行特定模式的匹配，所得的骨架是8连接的，用于0－1二值图像。
Rosenfeld算法是一种并行细化算法，所得的骨架形态是8－连接的，使用于0－1二值图像。

索引表细化算法：经过预处理后得到待细化的图像是0、1二值图像。像素值为1的是需要细化的部分，像素值为0的是背景区域。基于索引表的算法就是依据一定的判断依据，所做出的一张表，然后根据要细化的点的八个邻域的情况查询，若表中元素是1，若表中元素是1，则删除该点（改为背景），若是0则保留。因为一个像素的8个邻域共有256中可能情况，因此，索引表的大小一般为256，索引表细化算法速度很快。