本發(fā)明涉及一種提取圖像主骨架拓撲信息的方法及裝置。

背景技術(shù)：

1、在圖像處理和計算機視覺領(lǐng)域，形狀特征的提取是一個至關(guān)重要的研究方向。形狀特征不僅可以幫助理解圖像中的物體，還能為后續(xù)的分類、識別和分析任務(wù)提供有力支持。骨架化技術(shù)是形狀特征提取的關(guān)鍵技術(shù)之一，在多種應(yīng)用場景中得到了廣泛應(yīng)用。具體地說，骨架化技術(shù)是從二值圖像中提取出形狀的中心軸線，這條軸線不僅代表了形狀的主要輪廓，還保留了原始形狀的關(guān)鍵拓撲信息，這使得骨架在圖像處理任務(wù)中扮演著重要角色，特別是在形狀分析、特征提取等任務(wù)中尤為重要。

2、骨架化技術(shù)的核心在于通過簡化圖像的形狀信息，減少數(shù)據(jù)冗余，同時保留形狀的拓撲結(jié)構(gòu)。這種技術(shù)能夠有效地提高圖像處理的效率，特別是在需要處理大量圖像數(shù)據(jù)的場景下，將圖像骨架化能顯著降低計算復雜度。此外，骨架化生成的中心軸線還具有較好的不變性，能夠在一定程度上抵抗噪聲和形狀變形的影響，為后續(xù)的圖像分析和識別提供穩(wěn)定的特征基礎(chǔ)。正因如此，骨架化技術(shù)在醫(yī)療影像分析、物體識別、機器人導航等領(lǐng)域得到了廣泛應(yīng)用和深入研究。

技術(shù)實現(xiàn)思路

1、為了更好的提取圖像主骨架，本發(fā)明實施例中提供了一種提取圖像主骨架拓撲信息的方法及裝置。

2、第一方面，本發(fā)明實施例提供了一種提取圖像主骨架拓撲信息的方法，可以包括：

3、基于獲取的目標圖像使用預設(shè)骨架提取算法，提取得到初始骨架圖；

4、基于所述初始骨架圖中的每一骨架點的鄰域，判別得到每一骨架點的類型；所述骨架點的類型包括交叉點、孤立點、端點和內(nèi)點；

5、根據(jù)所述初始骨架圖中的所有所述交叉點，區(qū)分出多個骨架分支；

6、從所述多個骨架分支中確定非主干分支；

7、將所述初始骨架圖中的非主干分支刪除，得到更新骨架圖；

8、基于所述預設(shè)骨架提取算法對所述更新骨架圖重新進行骨架提取，得到新的初始骨架圖，并判別所述新的初始骨架圖中是否存在交叉點：

9、若是，則根據(jù)所述新的初始骨架圖中的所有所述交叉點，重新確定非主干分支，得到新的更新骨架圖，并執(zhí)行上述骨架提取和判別的步驟；

10、若否，則將所述新的初始骨架圖作為主骨架圖；

11、在所述主骨架圖中進行定向搜索，得到所述主骨架圖的拓撲信息。

12、本技術(shù)實施例的一個或一些可選的實施方式中，所述基于所述初始骨架圖中的每一骨架點的鄰域，判別得到每一骨架點的類型，包括：

13、針對所述初始骨架圖中的每一骨架點，采用8鄰域算法，確定所述骨架點的8個鄰域的值；

14、基于所述骨架點的8個鄰域的值按照預設(shè)順序作差，更新所述骨架點的每一鄰域的值；

15、基于所述骨架點的8個鄰域的值中的正值總數(shù)，確定所述骨架點的類型。

16、本技術(shù)實施例的一個或一些可選的實施方式中，所述基于所述骨架點的8個鄰域的值按照預設(shè)順序作差，更新所述骨架點的每一鄰域的值，包括：

17、將所述骨架點的8個鄰域按照所述預設(shè)旋轉(zhuǎn)方向排序；

18、針對所述骨架點的每一鄰域，計算所述鄰域與下一鄰域的差值；

19、將所述鄰域的值更新為所述鄰域與下一鄰域的差值。

20、本技術(shù)實施例的一個或一些可選的實施方式中，所述基于所述骨架點的8個鄰域中的正值總數(shù)，確定所述骨架點的類型，包括：

21、若所述骨架點的8個鄰域的值中的正值總數(shù)為0，則所述骨架點為孤立點；

22、若所述骨架點的8個鄰域的值中的正值總數(shù)為1，則所述骨架點為端點；

23、若所述骨架點的8個鄰域的值中的正值總數(shù)為2，則所述骨架點為內(nèi)點；

24、若所述骨架點的8個鄰域的值中的正值總數(shù)大于等于3，則所述骨架點為交叉點。

25、本技術(shù)實施例的一個或一些可選的實施方式中，在所述基于所述初始骨架圖中的每一骨架點的鄰域，判別得到每一骨架點的類型之后，還包括：

26、刪除所述初始骨架圖中所有孤立點。

27、本技術(shù)實施例的一個或一些可選的實施方式中，所述根據(jù)所述初始骨架圖中的所有所述交叉點，區(qū)分出多個骨架分支，包括：

28、剔除所述初始骨架圖中的所有交叉點及其鄰域，得到分段骨架圖；

29、檢測所述分段骨架圖中的多個連通域，將每一連通域作為一個骨架分支。

30、本技術(shù)實施例的一個或一些可選的實施方式中，所述從所述多個骨架分支中確定非主干分支，包括：

31、基于每一所述骨架分支的骨架點總數(shù)，計算得到分支骨架點均值；

32、基于所述分支骨架點均值確定主干閾值；

33、將骨架點總數(shù)小于所述主干閾值的骨架分支作為非主干分支。

34、第二方面，本發(fā)明實施例提供了一種提取圖像主骨架拓撲信息的裝置，可以包括：

35、第一提取模塊，用于基于獲取的目標圖像使用預設(shè)骨架提取算法，提取得到初始骨架圖；

36、第一判別模塊，用于基于所述初始骨架圖中的每一骨架點的鄰域，判別得到每一骨架點的類型；所述骨架點的類型包括交叉點、孤立點、端點和內(nèi)點；

37、第二提取模塊，用于根據(jù)所述初始骨架圖中的所有所述交叉點，區(qū)分出多個骨架分支；

38、第三提取模塊，用于從所述多個骨架分支中確定非主干分支；

39、第一刪除模塊，用于將所述初始骨架圖中的非主干分支刪除，得到更新骨架圖；

40、第一判斷模塊，用于基于所述更新骨架圖重新執(zhí)行第一提取模塊和第一判別模塊，得到新的初始骨架圖中每一骨架點的類型，判斷新的初始骨架圖中是否存在交叉點：若是，則基于所述新的初始骨架圖，由第二提取模塊、第三提取模塊、第一刪除模塊重新得到新的更新骨架圖，并由第一判斷模塊重新進行判斷；若否，將所述新的初始骨架圖作為主骨架圖；

41、第一搜索模塊，用于在所述主骨架圖中進行定向搜索，得到所述主骨架圖的拓撲信息。

42、第三方面，本發(fā)明實施例提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序/指令，該計算機程序/指令被處理器執(zhí)行時實現(xiàn)如上述的提取圖像主骨架拓撲信息的方法。

43、第四方面，本發(fā)明實施例提供一種計算機程序產(chǎn)品，包括計算機程序/指令，該計算機程序/指令被處理器執(zhí)行時實現(xiàn)如上述的提取圖像主骨架拓撲信息的方法。

44、第五方面，本發(fā)明實施例提供一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上的計算機程序，該處理器執(zhí)行所述計算機程序時實現(xiàn)如上述的提取圖像主骨架拓撲信息的方法。

45、本發(fā)明實施例提供的上述技術(shù)方案的有益效果至少包括：

46、本發(fā)明實施例提供了一種提取圖像主骨架拓撲信息的方法，該方法基于預設(shè)骨架提取算法提取目標圖像的骨架，得到初始骨架圖，并根據(jù)初始骨架圖中每一骨架點的鄰域，找出初始骨架圖中的交叉點，基于交叉點，得到多個骨架分支，進一步確定多個骨架分支中的非主干分支，將初始骨架圖中的非主干分支刪除，得到更新骨架圖，接下來，基于預設(shè)骨架提取算法對更新骨架圖重新進行骨架提取，得到新的初始骨架圖，判斷其中是否還存在交叉點：若是，重新確定非主干分支，得到新的更新骨架圖；若否，則將新的初始骨架圖作為主骨架圖，最后基于主骨架圖確定拓撲信息。該方法的計算復雜度較低，提取的主骨架圖相較于完整的骨架圖，保留了圖像形狀的主要拓撲結(jié)構(gòu)，有效簡化了數(shù)據(jù)，減少計算復雜度，從而提升了數(shù)據(jù)處理速度，更加適用于大型圖像數(shù)據(jù)和實時應(yīng)用。同時，主骨架圖忽略了完整骨架圖中微小的分支和噪聲，專注于捕捉全局形狀信息，使得提取的主骨架圖魯棒性更強，能夠更好地應(yīng)對數(shù)據(jù)噪聲，在后續(xù)的分類、識別等任務(wù)中能表現(xiàn)出更高的準確性和穩(wěn)定性，且能有效降低后續(xù)處理的復雜度。

47、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

48、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。