距离变换

距离变换是二值图像处理的常用手段，在骨架提取、图像窄化中经常用到。

距离变换后得到的是与输入图像类似的灰度图，越远离背景边缘灰度值越大（越亮）。

常用的算法有：欧几里得距离（L2 norm）、曼哈顿距离（L1 norm）、棋盘格距离（L1 ∞）

算法的具体实现略。

 

介绍一个api ：

cv.distanceTransform(dst,cv.DIST_L1,5,dstType=cv.CV_8U)

cv.DIST_L1 要与 CV_8U 相配

cv.DIST_L2 要与 CV_32F 相配，如果直接用L2可能由于数值太大而没有效果，需要加上：

cv.normalize(dist,dist,0,1,cv.NORM_MINMAX)

代码如下：

def distance_demo():
    src = cv.imread("D:/pythonTest/img/1.jpg")
    cv.imshow("input", src)
    src = cv.GaussianBlur(src, (3, 3), 0)
    grey = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
    ret, dst = cv.threshold(grey, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow("output", dst)
    dist = cv.distanceTransform(dst,cv.DIST_L1,5,dstType=cv.CV_8U)
    #cv.normalize(dist,dist,0,1,cv.NORM_MINMAX)
    cv.imshow("distance_transform",dist)

效果如下：