python 图像的细化（骨架抽取）
图像的细化主要是针对二值图而言
所谓骨架，可以理解为图像的中轴，，一个长方形的骨架，是它的长方向上的中轴线，
圆的骨架是它的圆心，直线的骨架是它自身，孤立点的骨架也是自身。
骨架的获取主要有两种方法：
（1）基于烈火模拟
设想在同一时刻，将目标的边缘线都点燃，火的前沿以匀速向内部蔓延，当前沿相交时火焰熄灭，
火焰熄灭点的结合就是骨架。
（2）基于最大圆盘
目标的骨架是由目标内所有内切圆盘的圆心组成
我们来看看典型的图形的骨架（用粗线表示）
细化的算法有很多种，但比较常用的算法是查表法
细化是从原来的图中去掉一些点，但仍要保持原来的形状。
实际上是保持原图的骨架。
判断一个点是否能去掉是以8个相邻点（八连通）的情况来作为判据的，具体判据为：
1，内部点不能删除
2，鼓励点不能删除
3，直线端点不能删除
4，如果P是边界点，去掉P后，如果连通分量不增加，则P可删除
看看上面那些点。
第一个点不能去除，因为它是内部点
第二个点不能去除，它也是内部点
第三个点不能去除，删除后会使原来相连的部分断开
第四个点可以去除，这个点不是骨架
第五个点不可以去除，它是直线的端点
第六个点不可以去除，它是直线的端点
对于所有的这样的点，我们可以做出一张表，来判断这样的点能不能删除
我们对于黑色的像素点，对于它周围的8个点，我们赋予不同的价值，
若周围某黑色，我们认为其价值为0，为白色则取九宫格中对应的价值
对于前面那幅图中第一个点，也就是内部点，它周围的点都是黑色，所以他的总价值是0，对应于索引表的第一项
前面那幅图中第二点，它周围有三个白色点，它的总价值为1+4+32=37，对应于索引表中第三十八项
我们用这种方法，把所有点的情况映射到0～255的索引表中
我们扫描原图，对于黑色的像素点，根据周围八点的情况计算它的价值，然后查看索引表中对应项来决定是否要保留这一点
我们很容易写出程序
import cv
def Thin(image,array):
h = image.height
w = image.width
iThin = cv.CreateImage(cv.GetSize(image),8,1)
cv.Copy(image,iThin)
for i in range(h):
for j in range(w):
if image[i,j] == 0:
a = [1]*9
for k in range(3):
for l in range(3):
if -1<(i-1+k)我们来看看运行效果：
按照前面的分析，我们应该得到一条竖着的线，但实际上我们得到了一条横线
我们在从上到下，从左到右扫描的时候，遇到第一个点，我们查表可以删除，遇到第二个点，我们查表也可以删除，整个第一行都可以删除
于是我们查看第二行时，和第一行一样，它也被整个删除了。这样一直到最后一行，于是我们得到最后的结果是一行直线
解决的办法是：
在每行水平扫描的过程中，先判断每一点的左右邻居，如果都是黑点，则该点不做处理。另外，如果某个黑店被删除了，则跳过它的右邻居，处理下一点。对矩形这样做完一遍，水平方向会减少两像素。
然后我们再改垂直方向扫描，方法一样。
这样做一次水平扫描和垂直扫描，原图会“瘦”一圈
多次重复上面的步骤，知道图形不在变化为止
这一改进让算法的复杂度的运行时间增大一个数量级
我们来看看改进后的算法：
import cv
def VThin(image,array):
h = image.height
w = image.width
NEXT = 1
for i in range(h):
for j in range(w):
if NEXT == 0:
NEXT = 1
else:
M = image[i,j-1]+image[i,j]+image[i,j+1] if 0
效果确实比刚才好多了