提取图像骨架后如何去除毛刺？

Question

我有一张二值图像，我使用Skimage库中的骨架方法来提取骨架线。但是两边边缘都有很多毛刺，我想把这些毛刺去除掉。

这是通过两种不同方法进行骨架化的图像

原图

我的Python脚本是：

import skimage as ski
import skimage.io as io
import matplotlib.pyplot as plt
import numpy as np
from skimage.morphology import skeletonize
import matplotlib
matplotlib.rc("font",family='Microsoft YaHei')
image_path=r"./1089_8.jpg"
image=io.imread(image_path,as_gray=True)
skeleton1=skeletonize(image,method='zhang')
skeleton2=skeletonize(image,method='lee')
fig,axes=plt.subplots(nrows=1,ncols=3,figsize=(8, 4), sharex=True, sharey=True)
ax=axes.ravel()
ax[0].imshow(image, cmap=plt.cm.gray)
ax[0].axis('off')
ax[0].set_title('original', fontsize=20)
ax[1].imshow(skeleton1, cmap=plt.cm.gray)
ax[1].axis('off')
ax[1].set_title('Zhang_method', fontsize=20)
ax[2].imshow(skeleton2,cmap=plt.cm.gray)
ax[2].axis('off')
ax[2].set_title('lee_method',fontsize=20)
fig.tight_layout()
plt.show()

我想去除并删除这些毛刺。然后计算二值图像的长度。

我想要的结果

结果应如图 (c) 所示。

Answer 1

输入图像的主要问题是您认为它是二进制，而实际上它只是“几乎二进制”：您正在使用 JPEG 图像，JPEG 通常使用有损压缩，因此会产生压缩伪影。您肉眼看不到这些压缩伪影，但它们仍然会干扰骨架化算法。

快速修复：使您的图像真正的二进制，例如通过替换

image=io.imread(image_path,as_gray=True)

与

# Threshold image: values > 127 become 1, values ≤ 127 become 0
image = (io.imread(image_path, as_gray=True) > 127).astype(np.uint8)

对我来说，这会产生张方法的以下骨架：

对于李的方法，我得到：

您仍然需要处理一些毛刺和第二个“臂”；然而，我不会认为这些是骨架化方法的失败，而是图像的实际内容。

这是重现上面结果的完整代码：

import skimage.io as io
from skimage.morphology import skeletonize
import numpy as np

# TODO: Adjust input and output paths as necessary
in_path = "stackoverflow/stackoverflow.jpg"
out_path_zhang = "stackoverflow/zhang.png"
out_path_lee = "stackoverflow/lee.png"

# Threshold image: values > 127 become 1, values ≤ 127 become 0
image = (io.imread(in_path, as_gray=True) > 127).astype(np.uint8)

skeleton_zhang = skeletonize(image, method="zhang").astype(np.uint8)
skeleton_lee = skeletonize(image, method="lee").astype(np.uint8)

io.imsave("stackoverflow/zhang.png", skeleton_zhang.astype(np.uint8) * 255)
io.imsave("stackoverflow/lee.png", skeleton_lee.astype(np.uint8) * 255)