台湾大陆最新军事消息深圳网站优化推广
morphology子模块提供了两个函数用于骨架提取，分别是skeletonize()函数和medial_axis()函数。
skeletonize()
我们先来看Skeletonize()函数。格式为：skimage.morphology.skeletonize(image)
输入和输出都是一幅二值图像。from skimage import morphology,drawimport numpy as npimport matplotlib.pyplot as plt#创建一个二值图像用于测试image = np.zeros((400, 400))#生成目标对象1(白色U型)image[10:-10, 10:100] = 1image[-100:-10, 10:-10] = 1image[10:-10, -100:-10] = 1#生成目标对象2(X型)rs, cs = draw.line(250, 150, 10, 280)for i in range(10):image[rs + i, cs] = 1rs, cs = draw.line(10, 150, 250, 280)for i in range(20):image[rs + i, cs] = 1#生成目标对象3(O型)ir, ic = np.indices(image.shape)circle1 = (ic - 135)**2 + (ir - 150)**2 < 30**2circle2 = (ic - 135)**2 + (ir - 150)**2 < 20**2image[circle1] = 1image[circle2] = 0#实施骨架算法skeleton =morphology.skeletonize(image)#显示结果fig, (ax1, ax2) = plt.subplots(nrows=1, ncols=2, figsize=(8, 4))ax1.imshow(image, cmap=plt.cm.gray)ax1.axis("off")ax1.set_title("original", fontsize=20)ax2.imshow(skeleton, cmap=plt.cm.gray)ax2.axis("off")ax2.set_title("skeleton", fontsize=20)fig.tight_layout()plt.show()
生成一幅测试图像，上面有三个目标对象，分别进行骨架提取，结果如下：

medial_axis()
medial_axis就是中轴的意思，利用中轴变换方法计算前景(1值)目标对象的宽度，格式为：skimage.morphology.medial_axis(image,mask=None,return_distance=False)
mask: 掩模。默认为None, 如果给定一个掩模，则在掩模内的像素值才执行骨架算法。
return_distance: bool型值，默认为False. 如果为True, 则除了返回骨架，还将距离变换值也同时返回。这里的距离指的是中轴线上的所有点与背景点的距离。import numpy as npimport scipy.ndimage as ndifrom skimage import morphologyimport matplotlib.pyplot as plt#编写一个函数，生成测试图像def microstructure(l=256):n = 5x, y = np.ogrid[0:l, 0:l]mask = np.zeros((l, l))generator = np.random.RandomState(1)points = l * generator.rand(2, n**2)mask[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1mask = ndi.gaussian_filter(mask, sigma=l/(4.*n))return mask > mask.mean()data = microstructure(l=64) #生成测试图像#计算中轴和距离变换值skel, distance =morphology.medial_axis(data, return_distance=True)#中轴上的点到背景像素点的距离dist_on_skel = distance * skelfig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4))ax1.imshow(data, cmap=plt.cm.gray, interpolation="nearest")#用光谱色显示中轴ax2.imshow(dist_on_skel, cmap=plt.cm.spectral, interpolation="nearest")ax2.contour(data, [0.5], colors="w") #显示轮廓线fig.tight_layout()plt.show()
END