GIS算法基础（八）基于距离变换的栅格骨架提取算法

一、为什么需要骨架提取

简单来说就是用于细化栅格，便于栅格数据转换为矢量数据

栅格格式向矢量格式转换是提取相同编号的栅格集合表示的边界，栅格点转换成矢量点，很简单，在坐标系确定的情况下通过解析式可以直接转换。而线与面在转换成矢量的时候，本质上都是在提取边界或中轴线，因此在栅格中提取中轴线就与栅格的细化的关系密不可分，这是因为线状栅格数据一般具有粗度且线条本身往往呈现粗细。栅格数据需要细化，以提取中轴线。这是因为：

①中轴线是栅格数据曲线的标准化存储形式

②实现细化是将栅格曲线矢量化的前提

③在有些算法中可以提高计算精度

二、距离变换法提取骨架

距离变换图

距离变换图也是一种栅格图像，其中，每个像元值存储了它到栅格图上相邻物体的最近距离。这个距离的量度：可以是曼哈顿距离，棋盘距离，或者欧式距离。这三个距离关系在GIS中很常用。算法实现如下：

		/**
		 * 
		 * @param disType 距离类型
		 * @param s1 像元1
		 * @param s2 像元2
		 * @return
		 */
		private double calculateDis(DisType disType,Pixel s1,Pixel s2) {
			double dis = 0;
			switch (disType) {
			case Euclidean:
				dis = Math.sqrt(Math.pow(s1.getRow()-s2.getRow(), 2)+Math.pow(s1.getColumn()-s2.getColumn(), 2))*size;
				break;
			case CityBlock:
				dis = Math.abs(s1.getRow()-s2.getRow())+Math.abs(s1.getColumn()-s2.getColumn())*size;
				break;
			case ChessBoard:
				dis = Math.max(Math.abs(s1.getRow()-s2.getRow()), Math.abs(s1.getColumn()-s2.getColumn()))*size;
				break;
			default:
				dis = Math.sqrt(Math.pow(s1.getRow()-s2.getRow(), 2)+Math.pow(s1.getColumn()-s2.getColumn(), 2))*size;
				break;
			}
			return dis;
		}

 

 

基于距离变换法提取骨架算法思想：

对内部点集i到非内部点集e（孤立点与边界点）求最小距离，实际上就是求目标点到最近背景点的距离（背景点-值为0的像元  目标点-值为1的像元），求出距离后 对距离进行分类即可得骨架图

 

基于距离变换法提取骨架算法步骤：

①将栅格图像进行初始二值化（背景点设为0，目标点设为1）

②将栅格图像进行分类，把栅格分为内部点，边界点，孤立点。

③求每一个内部点到非内部点的距离，距离值赋给栅格值

④对栅格图像进行二值化（距离大于1的栅格值设为1，小于等于1的设为0）

③重复②③④，终止条件为“若下一次栅格图像二值化结果全部为0”

 

如何分类：

在步骤②中，如何把栅格分为内部点，边界点，孤立点？

以中心像素的四邻域为例，

1、如果中心像素为目标像素(值为1)且四邻域都为目标像素(值为1)，则该点为内部点。

2、如果该中心像素为目标像素，四邻域为背景像素(值为0)，则该中心点为孤立点。

3、其他情况则为边界点

分类代码实现

		//判断是边界点，内部点，孤立点
		//前提：栅格已经二值化
		public void setNeighbourhood() {
			internalPoints = new ArrayList<>();
			borderPoints = new ArrayList<>();
			for(int i=0;i<ROW;i++) {
				for(int j=0;j<COLUMN;j++) {
					//假-0 真-1
					boolean up=true,down=true,right=true,left=true;
					//判断点的上部是否为0
					try {
						
						if(data[i-1][j].getValue()==0) {
							up=false;
						}
					} catch (Exception e) {
						// TODO: handle exception
						up=false;
					}
					
					//判断点的下部是否为0
					try {
						if(data[i+1][j].getValue()==0) {
							down=false;
						}
					} catch (Exception e) {
						// TODO: handle exception
						down=false;
					}
					
					
					//判断点的左边是否为0
					try {
						
						if(data[i][j-1].getValue()==0) {
							left=false;
						}
					} catch (Exception e) {
						// TODO: handle exception
						left=false;
					}
					
					//判断点的右边是否为0
					try {
						
						if(data[i][j+1].getValue()==0) {
							right=false;
						}
					} catch (Exception e) {
						// TODO: handle exception
						right=false;
					}
					
					if(!up && !down && !left && !right) {
						data[i][j].setType(type.isolated);
						
					}else if(up && down && left && right) {
						data[i][j].setType(type.internal);
						internalPoints.add(data[i][j]);
					}else {
						data[i][j].setType(type.boundary);
						borderPoints.add(data[i][j]);
					}
					
					
				}
			}
			
		}

测试结果：

B代表边界点，I代表内部点，孤立点未进行渲染

 

基于距离变换法提取骨架算法实现

我使用了3*3模板的快速距离变换。

按照从上到下，从左到右的顺序，遍历3x3的栅格图像

但是有个问题是：如果在遍历过程中，碰到了栅格的边界怎么办，所以我写了对应的解决办法，即先确定快速距离变换遍历的范围，在开始遍历快速距离变换。

代码如下：

		/**
		 * 骨架图算法（距离变换法搜索中轴线）
		 * 对内部点集i到边界点集e求最小距离
		 * 实际上就是求目标点到最近背景点的距离
		 * 背景点-值为0的像元  目标点-值为1的像元
		 * 求出距离后 对距离进行分类即可得骨架图
		 */
		public void getMinDis(DisType disType) {
			//快速距离模板计算
			//从左至右，从上到下，顺时针寻找周围是否有边界点
			//如果有，则加入计算
			//如果没有，则扩大搜寻范围,最大范围到数组越界
			//最后得出最小距离
			//当前圈层数
			if(borderPoints==null && internalPoints==null) {
				setNeighbourhood();
			}
			for(Pixel i:internalPoints) {
				List<Double> disList = new ArrayList<>();
				//搜索范围
				int cicleNum = 1;
				//上下左右搜寻边界
				int up,down,left,right;
				int upLimit,downLimt,leftLimit,rightLimit;
				upLimit = 1;
				downLimt = ROW;
				leftLimit = 1;
				rightLimit = COLUMN;
				//确定遍历范围，防止边界溢出
				for(int curCir=0;curCir<cicleNum;curCir++) {
					try {	
						up = i.getRow()-cicleNum;
						if(up<upLimit) {
							up=upLimit;
						}
					} catch (Exception e) {
						// TODO: handle exception
						up = i.getRow();
					}
					
					try {
						down = i.getRow()+cicleNum;
						if(down>downLimt) {
							down = downLimt;
						}
					} catch (Exception e) {
						// TODO: handle exception
						down = i.getRow();
					}
					
					try {
						left = i.getColumn()-cicleNum;
						if(left<leftLimit) {
							left = leftLimit;
						}
					} catch (Exception e) {
						// TODO: handle exception
						left = i.getColumn();
					}
					
					try {
						right = i.getColumn()+cicleNum;
						if(right>rightLimit) {
							right=rightLimit;
						}
					} catch (Exception e) {
						// TODO: handle exception
						right = i.getColumn();
					}
					//记录栅格周边是否有非内部点，没有的话则圈数+1
					boolean flag = false;
					//从最左最上开始遍历,遍历顺序从左至右，从上到下
					for(int row=up;row<down;row++) {
						for(int col=left;col<right;col++) {
							//判断是否为中心点,即i点,是就跳过
							if(row==i.getRow() && col==i.getColumn()) {
								continue;
							}
							//判断是否是内部点，如果是内部点就直接跳过
							if(data[row][col].getType()!=type.internal) {
								flag = true;
								//计算最小距离
								double dis = calculateDis(disType, i, data[row][col]);
								disList.add(dis);
							}
						}
					}
					//当前圈数内未发现非内部点
					if(!flag) {
						cicleNum++;
					}else {
						//已经发现了非内部点，循环结束
						break;
					}
					
					
				}
				//当前栅格搜索完毕,获取到最近非内部点的距离
				if(!disList.isEmpty()) {
					double min = Collections.min(disList);
					i.setNearDis(min);
				}
			}
		}

测试结果： 

原始数据：

距离变换细化一次：

距离变换细化2次

。。。

n次