SSE图像算法优化系列三十二：Zhang\Guo图像细化算法的C语言以及SIMD指令优化

🚀 优质资源分享 🚀

学习路线指引（点击解锁）	知识定位	人群定位
🧡 Python实战微信订餐小程序 🧡	进阶级	本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。
💛Python量化交易实战💛	入门级	手把手带你打造一个易扩展、更安全、效率更高的量化交易系统

二值图像的细化算法也有很多种，比较有名的比如Hilditch细化、Rosenfeld细化、基于索引表的细化、还有Opencv自带的THINNING_ZHANGSUEN、THINNING_GUOHALL喜欢等等。这些都属于迭代的细化方式，当然还有一种是基于二值图像距离变换的细化方法，二值想比较，我个人认为是基于迭代的效果稳定、可靠，但是速度较慢，且速度和图片的内容有关，基于距离变换的版本，优点是速度稳定，但是效果差强人意。本文这里还是选择基于迭代的方式予以实现。

相关的参考文章有：http://cgm.cs.mcgill.ca/~godfried/teaching/projects97/azar/skeleton.html     Hilditch细化

https://blog.csdn.net/xiaotie/archive/2010/08/12/1797760.html    对Hilditch细化的改进版

http://cgm.cs.mcgill.ca/~godfried/teaching/projects97/azar/skeleton.html  Rosenfeld细化

https://github.com/opencv/opencv_contrib/blob/4.x/modules/ximgproc/src/thinning.cpp　　　　Opencv的Zhang\guo细化

我们尝试的看下了Hilditch细化以及改进版本的Hilditch细化算法，发现其在某一个行的计算过程中，有着严重的前后依赖，非常不利于SIMD指令的并行化，这里我们优化了Opencv的两个算子。

一、原始方案

在上述的Opencv代码的链接中，以Zhang细化算法为例，其核心代码如下所示：

 if(thinningType == THINNING\_ZHANGSUEN){
 for (int i = 1; i < img.rows-1; i++)
 {
 for (int j = 1; j < img.cols-1; j++)
 {
 uchar p2 = img.at(i-1, j);
 uchar p3 = img.at(i-1, j+1);
 uchar p4 = img.at(i, j+1);
 uchar p5 = img.at(i+1, j+1);
 uchar p6 = img.at(i+1, j);
 uchar p7 = img.at(i+1, j-1);
 uchar p8 = img.at(i, j-1);
 uchar p9 = img.at(i-1, j-1);

 int A = (p2 == 0 && p3 == 1) + (p3 == 0 && p4 == 1) +
 (p4 == 0 && p5 == 1) + (p5 == 0 && p6 == 1) +
 (p6 == 0 && p7 == 1) + (p7 == 0 && p8 == 1) +
 (p8 == 0 && p9 == 1) + (p9 == 0 && p2 == 1);
 int B = p2 + p3 + p4 + p5 + p6 + p7 + p8 + p9;
 int m1 = iter == 0 ? (p2 * p4 * p6) : (p2 * p4 * p8);
 int m2 = iter == 0 ? (p4 * p6 * p8) : (p2 * p6 * p8);

 if (A == 1 && (B >= 2 && B <= 6) && m1 == 0 && m2 == 0)
 marker.at(i,j) = 1;
 }
 }
 }

非常之简洁啊，简洁的没有朋友，也没有效率的。 这样的代码其实只适合于新手学习算法的原理。无法用于实际的项目的。

可以明显的看出，A\B\m1\m2的判断并不要放在一起，而是可以分开，分开的话在很多的情况下后续的计算就可以不用做了，要知道，这是一个迭代的算法，而且通常要迭代几百次，因此，每一个迭代里能少一次计算量，整体下来的时间是非常可观的。

二、稍微改进版本

我们稍微做一个脱离Opencv版本的代码版本：

int IM\_Thinning\_Zhangsuen\_PureC(unsigned char *Src, unsigned char *Dest, int Width, int Height, int Stride)
{
 int Channel = Stride / Width;
 if ((Src == NULL) || (Dest == NULL)) return IM\_STATUS\_NULLREFRENCE;
 if ((Width <= 0) || (Height <= 0)) return IM\_STATUS\_INVALIDPARAMETER;
 if (Channel != 1) return IM\_STATUS\_INVALIDPARAMETER;
 int Status = IM\_STATUS\_OK;
 const int MaxIter = 2000;

 unsigned char *Clone = (unsigned char *)calloc((Height + 2) * (Width + 2), sizeof(unsigned char));
 unsigned short *IndexX = (unsigned short *)malloc(Width * Height / 4 * sizeof(unsigned short));
 unsigned short