尊重网格的 Skimage 骨架化或 OpenCV 实现？答案

【问题标题】：Skimage skeletonize or OpenCV implementation that respects a grid?尊重网格的 Skimage 骨架化或 OpenCV 实现？
【发布时间】：2021-07-03 20:22:23
【问题描述】：

假设有一条线以直角相交。

并且您希望将其骨架化以获得（您希望）十字形。相反，使用sklearn.morphology.skeletonize 会获得以下图像：

我们称它为“有洞的十字架”。

另一方面，您有 OpenCV 和 OpenCV 骨架化功能，该功能在互联网上的几个博客和答案中流传：

def skeletonize(bin: numpy.ndarray, erosion_shape=cv2.MORPH_RECT, kernel_sz: Union[int, Tuple[int, int]] = 3):
    kernel_sz = fix_kernel(kernel_sz)
    kernel = cv2.getStructuringElement(erosion_shape, kernel_sz)

    thresh = bin.copy()
    skeleton = numpy.zeros_like(bin)
    eroded = numpy.zeros_like(bin)
    carry = numpy.zeros_like(bin)

    while (True):
        cv2.erode(thresh, kernel, dst=eroded)
        cv2.dilate(eroded, kernel, dst=carry)
        cv2.subtract(thresh, carry, dst=carry)
        cv2.bitwise_or(skeleton, carry, dst=skeleton)
        thresh, eroded = eroded, thresh

        if cv2.countNonZero(thresh) == 0:
            return skeleton

这会产生以下结果：

因此，浮动的基本 OpenCV 骨架化功能有问题或不正确，并且 Skimage 骨架化无法使用结构化形状进行修改。

有没有办法在python中获得骨架化的十字/加号形状？

【问题讨论】：

看起来 sn-p 通过morphology 近似于skeleton。您是否尝试过 OpenCV 的扩展图像处理模块上的“细化”功能？你可以这样称呼它：skeleton = cv2.ximgproc.thinning(inputImage, None, algorithmCode) 其中algorithmCode 是0 或1。有关the docs 的更多信息。
@eldesgraciado 谢谢，我明天试试
scikit-image 也有多种方法，它们在这样的图像上给出截然不同的结果（拥有源图像会有所帮助）。试试morphology.skeletonize(image, method='lee')、morphology.medial_axis(image) 或morphology.thin(image)。在我的尝试中，虽然没有一个完美的十字架。但是我的测试图像和你的有点不同。
在骨架化时很难正确进行交叉，因为您希望该方法考虑一些相当非本地的特征。值得注意的是，在您的示例中，您的中心框高 8 像素，因此中间像素的选择不明确。对我们人类来说，这种选择是显而易见的，因为纤细的手臂向外延伸。骨架化后，我通常会通过fitting hough lines 解决此类问题。
@Juan thinned 成功了

标签： python opencv scikit-image mathematical-morphology

【解决方案1】：

当我注意到CMET中时，您可以通过拟合Hough线清理骨架图像中的交叉点：

#!/usr/bin/env python
"""
https://stackoverflow.com/q/66995948/2912349
"""
import numpy as np
import matplotlib.pyplot as plt

from skimage.morphology import skeletonize
from skimage.transform import probabilistic_hough_line
from skimage.draw import line as get_line_pixels

img = np.zeros((20, 20))
img[4:16, 6:14] = 1
img[:, 10] = 1
img[10, :] = 1

skel = skeletonize(img)

lines = probabilistic_hough_line(skel, line_length=10)

# hough_line() returns the start and endpoint of the fitted lines;
# we need all pixels covered by that line;
cleaned = np.zeros_like(img)
for ((r0, c0), (r1, c1)) in lines:
    rr, cc = get_line_pixels(r0, c0, r1, c1)
    cleaned[rr, cc] = 1

fig, axes = plt.subplots(1, 3, sharex=True, sharey=True)
axes[0].imshow(img, cmap='gray')
axes[0].set_title('Raw')
axes[1].imshow(skel, cmap='gray')
axes[1].set_title('Skeleton')
axes[2].imshow(cleaned, cmap='gray')
axes[2].set_title('Hough lines')
plt.show()

如果要强制水平或垂直适合，则可以术语lines @可以缩短筛选以排除非水平和非垂直线：

for ((r0, c0), (r1, c1)) in lines:
    if (r0 == r1) or (c0 == c1):
        ...

【讨论】：