基于opencv2的骨架提取代码 python实现

基于opencv和python的骨架提取代码，利用击中不击中变化实现细化操作。切分以后，结合深度学习识别技术，可以对字符 数字等印刷体有一个比较理想的分割和识别效果。本人亲测 有生成结果图片和原图片对照实例，可以动态展示骨架提取过程，具体参照rar文件包。有问题随时沟通。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import cv2
from imutils import resize
from imutils.contours import sort_contours

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

img = cv2.imread（‘D:\job\img\kongquekaiping\\301\\301.jpg‘0）

#path = ‘D:\job\img\kongquekaiping\\301\\301.png‘
#path = ‘cat.jpg‘
#img = cv2.imread（path 0）
# Some smoothing to get rid of the noise
# img = cv2.bilateralFilter（img 5 35 10）
img = cv2.GaussianBlur（img （3 3） 3）
img = resize（img width=700）

# Preprocessing to get the shapes
th = cv2.adaptiveThreshold（img 255 cv2.ADAPTIVE_THRESH_GAUSSIAN_C
                           cv2.THRESH_BINARY 35 11）
# Invert to hightligth the shape
th = cv2.bitwise_not（th）

# Text has mostly vertical and right-inclined lines. This kernel seems to
# work quite well
kernel = np.array（[[0 1 1]
                  [0 1 0]
                  [1 1 0]] dtype=‘uint8‘）

th = cv2.morphologyEx（th cv2.MORPH_CLOSE kernel）

cv2.imshow（‘mask‘ th）
cv2.waitKey（0）


#def contour_sorter（contours）:
#    ‘‘‘Sort the contours by multiplying the y-coordinate and sorting first by
#    x then by y-coordinate.‘‘‘
#    boxes = [cv2.boundingRect（c） for c in contours]
#    cnt = [4*y x for y x  _ _ in ]

# Skeletonize the shapes
# Skimage function takes image with either True False or 01
# and returns and image with values 0 1.
th = th == 255
th = skl（th）
th = th.astype（np.uint8）*255

# Find contours of the skeletons
_ contours _ = cv2.findContours（th.copy（） cv2.RETR_EXTERNAL
                                  cv2.CHAIN_APPROX_NONE）
# Sort the contours left-to-rigth
contours _ = sort_contours（contours ）
#
# Sort them again top-to-bottom


def skeleton_endpoints（skel）:
    # Function source: https://stackoverflow.com/questions/26537313/
    # how-can-i-find-endpoints-of-binary-skeleton-image-in-opencv
    # make out input nice possibly necessary
    skel = skel.copy（）
    skel[skel != 0] = 1
    skel = np.uint8（skel）

    # apply the convolution
    kernel = np.uint8（[[1  1 1]
                       [1 10 1]
                       [1  1 1]]）
    src_depth = -1
    filtered = cv2.filter2D（skel src_depthkernel）

    # now look through to find the value of 11
    # this returns a mask of the endpoints but if you just want the
    # coordinates you could simply return np.where（filtered==11）
    out = np.zeros_like（skel）
    out[np.where（filtered == 11）] = 1
    rows cols = np.where（filtered == 11）
    coords = list（zip（cols rows））
    return coords

# List for endpoints
endpoints = []
# List for （x y） coordinates of the skeletons
skeletons = []



for contour in contours:
    if cv2.arcLength（contour True） > 100:
        # Initialize mask
        mask = np.zeros（img.shape np.uint8）
        # Bounding rect of the contour
        x y w h = cv2.boundingRect（contour）
        mask[y:y+h x:x+w] = 255
   

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件      42701  2018-04-12 10:37  ske618.png

     文件       3882  2018-04-11 19:15  skeleton.py

----------- ---------  ---------- -----  ----

                46583                    2