HALCON从入门到入门-提取图像中的线条

测试效果

算法简介

Skeleton算法，也称为骨架化算法，主要用于图像处理和计算机视觉领域，其目标是提取图像中物体的骨架。以下是关于Skeleton算法的主要步骤和特点的详细解释：

1. 算法原理：

• • Skeleton算法基于形态学操作和图像处理技术，通过一系列变换和运算，最终得到物体的骨架。骨架是物体边界的中轴线，能够描述物体的形状、结构和拓扑关系。
  • 算法的核心思想是通过迭代腐蚀边界来逐步细化物体，同时保留满足一定条件的点，以确保在燃烧结束后剩下的最后一像素宽的图像即为图像的骨架。

1. 主要步骤：

• • 图像预处理：对原始图像进行去噪、平滑和二值化等操作，以便提取物体边界。
  • 边界提取：利用边缘检测算法（如Canny算法）提取物体的边界。
  • 边界细化：对提取出的边界进行细化处理，去除不必要的像素点，得到物体的最细边界。
  • 骨架提取：根据细化后的边界，运用骨架化算法提取物体的骨架。
  • 骨架修正与优化：对提取出的骨架进行修正，消除噪声和孤立点，并通过优化算法使骨架更符合物体的形状和结构。
  • 骨架显示：将提取出的骨架进行可视化显示，以便观察和分析。

1. 算法特点：

• • 并行性：Skeleton算法可以并行实现，提高计算效率。
  • 抽象性：算法骨架作为高层次的并行程序设计语言构件，隐藏了运行环境内部的实现细节，从而简化了并行程序的开发。
  • 优化性：在特定的体系结构上，算法骨架能够充分利用优化技术，有效提高并行程序的性能。
  • 可重用性和可移植性：由于skeleton的实现细节对用户透明，提高了其可重用性和可移植性。

1. 算法实现：

• • Skeleton算法的实现涉及到多个条件和规则，如像素点是否要被删除的规则，这些规则可能基于像素点的邻域状态、非零值像素的数量等。
  • 具体实现中，可以采用数据结构（如Descriptor）来描述像素点的属性，包括邻域状态、模式计数、非零邻居数量、删除状态等。
  • 算法的实现还包括对迭代过程中要删除的点位的记录和处理，以及迭代完成后对剩余点位的重新初始化等步骤。

1. 应用领域：

• • Skeleton算法在图像处理和计算机视觉领域有广泛的应用，包括物体识别和分类、道路检测和跟踪、医学图像分析、模式识别和机器学习、动画和游戏开发等。

通过上述步骤和特点的介绍，可以看出Skeleton算法是一个复杂但功能强大的图像处理算法，对于提取图像中物体的骨架具有重要的应用价值。

代码解析

首先读取一张图片

read_image (Bk45, 'bk45')

执行bandpass滤波

bandpass_image (Bk45, Lines, 'lines')

对上述图像进行二值化

threshold (Lines, Region, 128, 255)

使用skeleton 算子提取区域骨干

skeleton (Region, Skeleton)

基于上述区域生成XLD线条（也是基于骨干生成）

gen_contours_skeleton_xld (Skeleton, Contours, 5, 'filter')