我正在实现二值图像中像素级宽轮廓的轮廓查找算法。它需要对单个像素的删除(即像素宽的间隙)具有鲁棒性。
膨胀的各种尝试&侵蚀核还没有产生可靠的解决方案。
相反，我想实现的可靠解决方案是在图像上传递一个模式匹配内核，它可以直接根据周围的像素填充空白。例如，当在某个位置观察到左侧的确切模式时，将其替换为右侧的模式(其中*表示通配符):
[1 * *] [1 * *]
[* 0 *] ==> [* 1 *]
[* * 1] [* * 1]
[1 0 *] [1 0 *]
[* 0 1] ==> [* 1 1]
[* * *] [* * *]
[* 1 *] [* 1 *]
[* 0 *] ==> [* 1 *]
[* 1 *] [* 1 *]
并定义约14个必要的替换来填充每个3x3窗口的可能空隙。
它可以在原始Python中实现，但如果没有低级向量化操作，可能会非常慢。
这可以通过OpenCV或其他一些快速操作完成吗?
感谢@beaker上面的评论，我实现了一个解决方案。设计一个内核，其中感兴趣的相邻像素为0.5，中心为1，如果中心缺失，它将用1填充，尽管其他一些像素将为2。然后将值裁剪为1，您将得到所需的结果。
它需要独立应用于每个方向的间隙，这不是理想的，但仍然有效。
img_with_gap = np.array(
[[1,0,0,0,0],
[0,1,0,0,0],
[0,0,0,0,0],
[0,0,0,1,0],
[0,0,0,0,1]], dtype=np.uint8)
kernel = np.array(
[[0.5, 0, 0],
[0 , 1, 0],
[0 , 0, 0.5]])
connected_img = np.minimum(cv2.filter2D(img_with_gap, -1, kernel), 1)
connected_img
一个更严格的实现是做一个精确的模式匹配，惩罚0个1，裁剪到{0,1}，并确保没有从原始图像中删除:
kernel = np.array([[0.5, -10.0, -10.0],
[-10.0 , 1, -10.0],
[-10.0 , -10.0, 0.5]])
connected_img = np.maximum(img, np.clip(cv2.filter2D(img, -1, kernel), 0, 1))