OpenCV学习(17) 细化算法(5)

简介: 本章我们看下Pavlidis细化算法,参考资料http://www.imageprocessingplace.com/downloads_V3/root_downloads/tutorials/contour_tracing_Abeer_George_Ghuneim/theo.html Computer VisiAlgorithms in Image Algebra,second edition 该算法最初是做前景轮廓跟踪的。

本章我们看下Pavlidis细化算法,参考资料http://www.imageprocessingplace.com/downloads_V3/root_downloads/tutorials/contour_tracing_Abeer_George_Ghuneim/theo.html

Computer VisiAlgorithms in Image Algebra,second edition

该算法最初是做前景轮廓跟踪的。

假设使用下面的8邻域,且前景像素值为1,背景像素值为0。

image

下面是该算法的描述:

1. 求出前景像素的轮廓,并用2表示,如果轮廓点是孤立点,端点或者其它不可删除的点,标记其为3。

2. 在第1步求出的轮廓中判断那些是可以删除的,那些是不可删除的,不可删除的点标记为4。

3. 再次扫描值为2的轮廓点,标记可以删除的点为5。

4. 对值为2和5的点执行删除操作。

重复上述步骤,直到图像中没有可以删除的像素为止。结果如想就是我们要的骨架结构

      第一步是求轮廓的过程,对于一个值为1的像素点。如果它的p0,p2,p4,p6四个点都为1,则该点是内部点,继续循环,判断其它像素。

image

 如果该像素是孤立点或端点,则其像素值标记为3。

image

     如果像素是其它可能改变8连通性的点。比如以下的情况: p3, p7为0,但p4,p5,p6和p0,p1,p2中有非零值,如果删除p点,则连通性会改变。此时都标记当前像素值为3。

image

第一步后,我们会得到轮廓

imageimage

第2步对不等于0的像素进行处理

如果像素周围全是2,则标记其为4(不删除)。

image

还有对于其它不可删除情况,比如下面这种情况,置当前像素为4。

image

第三步对于值为2的轮廓点再次进行判断,对于可删除的点,标记为5。

第四步删除值为2和5的点。

最终值为4的点为细化后的轮廓点。

算法实现的代码:

void gThin::cvPavlidis(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);
}

char erase, n[8];
unsigned char bdr1,bdr2,bdr4,bdr5;
short k,b;
unsigned long i,j;


int width, height;
width=dst.cols;
height= dst.rows;

//把不能于0的值转化为1,便于后面处理
for(i=0; i< height; i++)
{
for(j=0; j<width; j++)
{
if(dst.at<uchar>(i,j)!=0)
{
dst.at<uchar>(i,j) = 1;
}
//图像边框像素值为0
if(i==0||i==(height-1)||j==0||j==(width-1))
dst.at<uchar>(i,j) = 0;
}
}

erase =1;
width = width - 1;
height = height - 1;
uchar* img;
int step = dst.step;
while(erase)
{

img = dst.data;
//第一个循环,取得前景轮廓,轮廓用2表示
for(i=1; i< height; i++)
{
img += step;
for(j=1; j < width; j++)
{
uchar* p= img+j;


if(p[0]!= 1)
continue;

n[0]=p[1];
n[1]=p[-step+1];
n[2]=p[-step];
n[3]=p[-step-1];
n[4]=p[-1];
n[5]=p[step-1];
n[6]=p[step];
n[7]=p[step+1];

//bdr1是2进制表示的p0...p6p7排列,10000011,p0=1,p6=p7=1
bdr1 =0;
for(k=0; k<8; k++)
{
if(n[k]>=1)
bdr1|=0x80>>k;
}
//内部点,p0, p2, p4, p6都是为1, 非边界点,所以继续循环
//0xaa 10101010
// 0 1 0
// 1 1
// 0 1 0

if((bdr1&0xaa)== 0xaa)
continue;
//不是内部点,则是边界点,对于边界点,我们标记为2,是轮廓
p[0] = 2;

b=0;

for(k=0; k<=7; k++)
{
b+=bdr1&(0x80>>k);
}
//在边界点中,等于1,则是端点,等于0,则是孤立点,此时标记3
if(b<=1 )
p[0] = 3;

//此条件说明p点是中间点,如果移去会引起断裂
// 0x70 0x7 0x88 0xc1 0x1c 0x22 0x82 0x1 0xa0 0x40 0x28 0x10 0xa 0x4
// 0 0 0 0 1 1 1 0 0 0 0 0 1 1 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 1 0 1 0
// 1 0 0 1 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0
// 1 1 0 0 0 0 0 0 1 0 1 1 0 0 0 1 0 1 0 0 1 0 0 0 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0
if((bdr1&0x70)!=0&&(bdr1&0x7)!=0&&(bdr1&0x88)==0)
p[0] = 3;
else if((bdr1&&0xc1)!=0&&(bdr1&0x1c)!=0&&(bdr1&0x22)==0)
p[0] = 3;
else if((bdr1&0x82)==0 && (bdr1&0x1)!=0)
p[0] = 3;
else if((bdr1&0xa0)==0 && (bdr1&0x40)!=0)
p[0] = 3;
else if((bdr1&0x28)==0 && (bdr1&0x10)!=0)
p[0] = 3;
else if((bdr1&0xa)==0 && (bdr1&0x4)!=0)
p[0] = 3;

}
}
//printf("------------------------------\n");
//PrintMat(dst);
img = dst.data;
for(i=1; i<height; i++)
{
img += step;
for(j=1; j<width; j++)
{
uchar* p= img+j;

if(p[0]== 0)
continue;

n[0]=p[1];
n[1]=p[-step+1];
n[2]=p[-step];
n[3]=p[-step-1];
n[4]=p[-1];
n[5]=p[step-1];
n[6]=p[step];
n[7]=p[step+1];

bdr1 = bdr2 =0;

//bdr1是2进制表示的当前点p的8邻域连通情况,hdr2是当前点周围轮廓点的连接情况
for(k=0; k<=7; k++)
{
if(n[k]>=1)
bdr1|=0x80>>k;
if(n[k]>=2)
bdr2|=0x80>>k;
}

//相等,就是周围全是值为2的像素,继续
if(bdr1==bdr2)
{
p[0] = 4;
continue;
}

//p0不为2,继续
if(p[0]!=2) continue;
//=4都是不可删除的轮廓点
// 0x80 0xa 0x40 0x1 0x30 0x6
// 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 1 1
// 0 0 0 0 0 0 0 1 1 0 0 0
// 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0

if(
(bdr2&0x80)!=0 && (bdr1&0xa)==0 &&
// ((bdr1&0x40)!=0 &&(bdr1&0x1)!=0 || ((bdr1&0x40)!=0 ||(bdr1 & 0x1)!=0) &&(bdr1&0x30)!=0 &&(bdr1&0x6)!=0 )
( ((bdr1&0x40)!=0 ||(bdr1 & 0x1)!=0) &&(bdr1&0x30)!=0 &&(bdr1&0x6)!=0 )
)
{
p[0]= 4;
}
//
else if((bdr2&0x20)!=0 && (bdr1&0x2)==0 &&
//((bdr1&0x10)!=0 && (bdr1&0x40)!=0 || ((bdr1&0x10)!=0 || (bdr1&0x40)!=0) && (bdr1&0xc)!=0 && (bdr1&0x81)!=0)
( ((bdr1&0x10)!=0 || (bdr1&0x40)!=0) && (bdr1&0xc)!=0 && (bdr1&0x81)!=0)
)
{
p[0]= 4;
}

else if((bdr2&0x8)!=0 && (bdr1&0x80)==0 &&
//((bdr1&0x4)!=0 && (bdr1&0x10)!=0 || ((bdr1&0x4)!=0 || (bdr1&0x10)!=0) &&(bdr1&0x3)!=0 && (bdr1&0x60)!=0)
( ((bdr1&0x4)!=0 || (bdr1&0x10)!=0) &&(bdr1&0x3)!=0 && (bdr1&0x60)!=0)
)
{
p[0]= 4;
}

else if((bdr2&0x2)!=0 && (bdr1&0x20)==0 &&
//((bdr1&0x1)!=0 && (bdr1&0x4)!=0 ||((bdr1&0x1)!=0 || (bdr1&0x4)!=0) &&(bdr1&0xc0)!=0 && (bdr1&0x18)!=0)
(((bdr1&0x1)!=0 || (bdr1&0x4)!=0) &&(bdr1&0xc0)!=0 && (bdr1&0x18)!=0)
)
{
p[0]= 4;
}
}
}
//printf("------------------------------\n");
//PrintMat(dst);
img = dst.data;
for(i=1; i<height; i++)
{
img += step;
for(j=1; j<width; j++)
{
uchar* p= img+j;

if(p[0]!= 2)
continue;


n[0]=p[1];
n[1]=p[-step+1];
n[2]=p[-step];
n[3]=p[-step-1];
n[4]=p[-1];
n[5]=p[step-1];
n[6]=p[step];
n[7]=p[step+1];

bdr4 = bdr5 =0;
for(k=0; k<=7; k++)
{
if(n[k]>=4)
bdr4|=0x80>>k;
if(n[k]>=5)
bdr5|=0x80>>k;
}
//值为4和5的像素
if((bdr4&0x8) == 0)
{
p[0]=5;
continue;
}
if((bdr4&0x20) == 0 && bdr5 ==0)
{
p[0]=5;
continue;
}

}
}
erase = 0;
//printf("------------------------------\n");
//PrintMat(dst);
img = dst.data;
for(i=1; i<height; i++)
{
img += step;
for(j=1; j<width; j++)
{
uchar* p= img+j;
if(p[0]==2||p[0]==5)
{
erase = 1;
p[0] = 0;
}
}
}
//printf("------------------------------\n");
//PrintMat(dst);
//printf("------------------------\n");
}

}

image

 

imageimage

程序源代码:参加工程FirstOpenCV11

相关文章
|
1月前
|
存储 算法 安全
2024重生之回溯数据结构与算法系列学习之串(12)【无论是王道考研人还是IKUN都能包会的;不然别给我家鸽鸽丟脸好嘛?】
数据结构与算法系列学习之串的定义和基本操作、串的储存结构、基本操作的实现、朴素模式匹配算法、KMP算法等代码举例及图解说明;【含常见的报错问题及其对应的解决方法】你个小黑子;这都学不会;能不能不要给我家鸽鸽丢脸啊~除了会黑我家鸽鸽还会干嘛?!!!
2024重生之回溯数据结构与算法系列学习之串(12)【无论是王道考研人还是IKUN都能包会的;不然别给我家鸽鸽丟脸好嘛?】
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
【EMNLP2024】基于多轮课程学习的大语言模型蒸馏算法 TAPIR
阿里云人工智能平台 PAI 与复旦大学王鹏教授团队合作,在自然语言处理顶级会议 EMNLP 2024 上发表论文《Distilling Instruction-following Abilities of Large Language Models with Task-aware Curriculum Planning》。
|
1月前
|
算法 安全 搜索推荐
2024重生之回溯数据结构与算法系列学习(8)【无论是王道考研人还是IKUN都能包会的;不然别给我家鸽鸽丢脸好嘛?】
数据结构王道第2.3章之IKUN和I原达人之数据结构与算法系列学习x单双链表精题详解、数据结构、C++、排序算法、java、动态规划你个小黑子;这都学不会;能不能不要给我家鸽鸽丢脸啊~除了会黑我家鸽鸽还会干嘛?!!!
|
1月前
|
算法 安全 搜索推荐
2024重生之回溯数据结构与算法系列学习之单双链表精题详解(9)【无论是王道考研人还是IKUN都能包会的;不然别给我家鸽鸽丢脸好嘛?】
数据结构王道第2.3章之IKUN和I原达人之数据结构与算法系列学习x单双链表精题详解、数据结构、C++、排序算法、java、动态规划你个小黑子;这都学不会;能不能不要给我家鸽鸽丢脸啊~除了会黑我家鸽鸽还会干嘛?!!!
|
1月前
|
算法 安全 NoSQL
2024重生之回溯数据结构与算法系列学习之栈和队列精题汇总(10)【无论是王道考研人还是IKUN都能包会的;不然别给我家鸽鸽丢脸好嘛?】
数据结构王道第3章之IKUN和I原达人之数据结构与算法系列学习栈与队列精题详解、数据结构、C++、排序算法、java、动态规划你个小黑子;这都学不会;能不能不要给我家鸽鸽丢脸啊~除了会黑我家鸽鸽还会干嘛?!!!
|
7天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。
|
13天前
|
机器学习/深度学习 算法 Serverless
基于WOA-SVM的乳腺癌数据分类识别算法matlab仿真,对比BP神经网络和SVM
本项目利用鲸鱼优化算法(WOA)优化支持向量机(SVM)参数,针对乳腺癌早期诊断问题,通过MATLAB 2022a实现。核心代码包括参数初始化、目标函数计算、位置更新等步骤,并附有详细中文注释及操作视频。实验结果显示,WOA-SVM在提高分类精度和泛化能力方面表现出色,为乳腺癌的早期诊断提供了有效的技术支持。
|
9天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
6天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
10天前
|
算法
通过matlab分别对比PSO,反向学习PSO,多策略改进反向学习PSO三种优化算法
本项目使用MATLAB2022A版本,对比分析了PSO、反向学习PSO及多策略改进反向学习PSO三种优化算法的性能,主要通过优化收敛曲线进行直观展示。核心代码实现了标准PSO算法流程,加入反向学习机制及多种改进策略,以提升算法跳出局部最优的能力,增强全局搜索效率。