Прореживание и скелетизация
thin(M, b) — возвращает прореженную версию матрицы M, бинаризированную с порогом b.
skeleton(B,[b]) — возвращает бинарную матрицу B в эродированном до предельного уровня виде.
Эти функции преобразуют объекты изображения в набор линий, которые проходят через центр каждого объекта.
Функции thin и skeleton в первую очередь делают изображение бинарным, затем прореженным или каркасным. Это полезно для анализа изображения в распознавании образов, например для оптического распознавания символов.
Прореживание и скелетизация являются формами морфологической обработки и используются, только если форма объекта на изображении представляет интерес. В отличие от операции прореживания, каркас сохраняет размер входного объекта. Конечные точки каркаса удлиняются на всем протяжении до кромок входного объекта.
Прореживание преобразует объекты на бинарном изображении в набор простых цифровых линий (или дуг), которые приблизительно лежат вдоль срединной оси объектов (линии центров). Полученная структура не испытывает влияния малых перегибов на объекте изображения. Алгоритм рекурсивно удаляет простые точки границ, у которых более одного соседа. С помощью этого алгоритма конечные точки тонких дуг не удаляются.
* 
Если дополнительный аргумент b не предоставлен, функция skeleton выполняет простое скелетирование — эрозию кромок бинарного изображения — до тех пор, пока останутся только центральные линии. Функция скелетирования лучше всего работает на белом изображении с черным фоном.
Если дополнительный аргумент b не предоставлен, функция skeleton использует более усовершенствованный алгоритм скелетизации, где каркас объекта определен как набор точек, расстояние от которых до самой ближайшей границы является локальным максимумом. Исходное бинарное изображение можно восстановить при заданном каркасе и расстоянии каждой точки каркаса до его контура, объединив круговые близлежащие области, расположенные по центру точек каркаса, с радиусами, равными связанному расстоянию контура. Каркас в данном случае является регенеративным представлением объекта изображения.
Аргументы
M является матрицей изображения в оттенках серого.
B является бинарной матрицей изображения.
b является вещественным числом, представляющим бинарное пороговое значение интенсивности.
b является дополнительной для функции skeleton.
Было ли это полезно?