SpringBoot+Vue 汽车租赁系统平台完整项目源码+SQL脚本+接口文档【Java Web毕设】

目录️ 序章笔墨间的骨架时光里的轮廓 发现问题机器的 “线条困惑” 技术思路用 “两轮温柔侵蚀”保留核心骨架 数学之美从邻域判断到像素的落地

基础概念8 邻域与两个关键计算量1 邻域前景像素数N(P0​)2 邻域像素跳变数S(P0​)

核心判断两轮删除的数学逻辑1 第一轮删除上、右方向边缘像素2 第二轮删除下、左方向边缘像素 实践落地Zhang-Suen 算法的 MATLAB 实现与结果解读

代码说明可直接运行运行说明

可视化结果解读1 原始二值图像2 细化后骨架图像

参数优化与拓展 算法的优劣势与应用场景

核心优势

局限性

典型应用场景

总结️ 序章笔墨间的骨架时光里的轮廓当我们用钢笔写下一行娟秀的字迹笔尖划过纸张留下的线条有粗有细当我们翻开一本泛黄的乐谱黑色的谱线与音符在白纸上勾勒出旋律的轨迹当刑侦人员提取一枚模糊的指纹脊线的缠绕与分叉藏着唯一的身份密码。

这些线条与轮廓若要让机器读懂往往需要先褪去 “厚重的外衣”露出最核心的 “骨架”。

“技术是一把精致的刻刀将复杂的轮廓雕琢为纯粹的单像素诗篇。

” 今天要聊的Zhang-Suen 快速并行细化算法正是这样一门在图像处理领域里 “去繁就简” 的经典技术它能将二值图像中的粗前景区域精准细化为单像素宽度的骨架为机器识别铺平道路。

发现问题机器的 “线条困惑”生活里我们肉眼能轻松识别粗线条背后的核心形状即使毛笔字的笔画粗壮饱满我们也能一眼认出是 “天” 还是 “地”即使乐谱的谱线因印刷磨损变得粗细不均我们也能准确分辨小节与音符的位置即使指纹的脊线有深有浅、有粗有细我们也能感知其独特的纹路特征。

但对于机器而言粗线条带来了诸多 “困惑”数据冗余粗线条的大量重复像素会增加计算量降低后续识别如字符、乐谱的效率特征模糊线条的粗细不均会掩盖核心特征点如指纹的分叉点、字符的拐角点导致识别准确率下降拓扑混乱未经处理的粗线条在机器的像素矩阵中可能呈现出 “连通性模糊”无法准确还原物体的原始形状。

这背后的核心痛点是 **“机器需要简洁、统一的特征输入” 与 “原始图像线条粗重、特征冗余” 之间的矛盾 **。

就像我们阅读文章时更愿意看提炼后的核心摘要而非冗长繁杂的原文机器在处理图像线条时也需要一份 “单像素宽度的特征摘要”—— 这正是 Zhang-Suen 细化算法要解决的核心问题。

技术思路用 “两轮温柔侵蚀”保留核心骨架Zhang-Suen 算法的核心思路不是 “一刀斩断” 的粗暴裁剪而是 “循序渐进、温柔侵蚀” 的精细雕琢就像一位玉雕大师一点点褪去玉料的外皮只留下最核心的造型且全程坚守两个原则一是最终得到单像素宽度的骨架二是完整保留原前景的拓扑结构连通性、形状特征不出现断点、不增加多余分支。

这种 “温柔侵蚀” 的实现依赖于 **“两轮迭代、并行判断、统一删除”** 的逻辑我们可以用生活化的场景类比理解假设我们要清理一片围绕着核心道路的杂草粗线条的边缘像素目标是只留下最核心的主干道单像素骨架且不能破坏道路的连通性第一轮清理上、右方向杂草组织一批工人同时对每一处杂草进行判断是否是边缘杂草、是否清理后不破坏道路符合条件的杂草做上标记不立即清理并行判断待所有工人完成标记后统一清理所有标记的杂草统一删除这一步只针对上、右方向的边缘避免过度清理第二轮清理下、左方向杂草第一轮清理完成后再组织工人对下、左方向的杂草进行同样的 “并行判断、统一标记”之后统一清理这一步补充清理另一方向的边缘保证侵蚀的均匀性迭代循环重复上述两轮清理直到没有可标记的杂草没有可删除的边缘像素此时剩下的主干道就是单像素宽度的核心骨架。

对应到图像处理中Zhang-Suen 算法的核心步骤可拆解为三步邻域准备对每个前景像素提取其 8 邻域像素计算两个关键指标邻域前景像素数 N (P

、邻域像素跳变数 S (P

为后续判断做准备两轮迭代判断每一轮迭代包含 “上、右方向边缘标记” 和 “下、左方向边缘标记”只有同时满足所有判断条件的像素才被标记为 “可删除”且两轮判断仅边缘方向限定条件不同统一删除与终止每一轮标记完成后统一删除所有标记的像素若某一轮迭代中没有像素被标记说明已得到单像素骨架算法终止。

这就像我们在整理复杂的信息时先从两个不同的角度筛选冗余信息再统一剔除反复循环直到留下最核心的内容既保证了简洁性又不丢失关键信息的连通性与完整性。

数学之美从邻域判断到像素的落地

基础概念8 邻域与两个关键计算量在进行判断前我们需要先给二值图像的像素 “找邻居”并定义两个核心计算量这是算法的数学基础。

对于二值图像中的某个前景像素P0​坐标(x,y)像素值 0背景为 255其8 邻域像素按顺时针方向编号为P1​~P8​对应上、右上、右、右下、下、左下、左、左上这就像给P0​周围的 8 个方位安排了 “邻居编号”方便后续统一判断。

在此基础上定义两个关键计算量1 邻域前景像素数N(P0​)公式意义统计P1​~P8​中前景像素值为 0的个数反映P0​周围的前景密度核心作用是避免删除孤立点和端点。

生活化类比这就像判断一个人是否是 “群体核心成员”—— 如果一个人周围只有 1 个或少于 1 个同伴N(P0​)2说明他是孤立的端点如果周围有 7 个或 8 个同伴N(P0​)6说明他是内部核心成员这两种情况都不应被 “清理”删除只有周围有 2~6 个同伴的才可能是边缘成员具备被清理的前提。

2 邻域像素跳变数S(P0​)公式意义按顺时针遍历P1​~P8​~P1​统计从 “背景255” 到 “前景0” 的跳变次数反映P0​是否为边缘像素核心作用是区分边缘像素与内部像素。

生活化类比这就像判断一条道路的边缘 —— 如果我们沿着一个点周围绕行一圈只出现 1 次 “从草地背景到道路前景” 的切换S(P0​)1说明这个点在道路的边缘如果出现多次切换说明这个点不是规整的边缘点如果没有切换说明这个点在道路内部无需清理。

核心判断两轮删除的数学逻辑Zhang-Suen 算法的精髓在于两轮删除的条件设计二者缺一不可共同保证不破坏拓扑结构这是算法严谨性的体现。

1 第一轮删除上、右方向边缘像素对于前景像素P0​需同时满足 5 个条件才标记为 “可删除”其中前两个条件是通用前提后两个条件是方向限定最后一个是基础条件2≤N(P0​)≤6非孤立点、非内部核心点S(P0​)1是边缘像素P1​255 或 P3​255 或 P5​255上、右、下至少有一个背景像素限定上、右方向边缘P1​255 或 P2​255 或 P4​255上、右上、右下至少有一个背景像素进一步细化上、右方向边缘P0​0是前景像素。

2 第二轮删除下、左方向边缘像素与第一轮相比仅条件

4方向限定不同其余条件完全一致目的是补充清理另一方向的边缘保证侵蚀均匀2≤N(P0​)≤6S(P0​)1P1​255 或 P3​255 或 P7​255上、右、左至少有一个背景像素限定下、左方向边缘P1​255 或 P8​255 或 P7​255上、左上、左至少有一个背景像素进一步细化下、左方向边缘P0​0。

这种 “两轮不同方向、并行判断、统一删除” 的数学逻辑就像给图像做了一次 “360 度无死角的精细打磨”既不会遗漏边缘冗余像素也不会过度侵蚀破坏核心骨架最终实现 “去繁就简” 的目标。

实践落地Zhang-Suen 算法的 MATLAB 实现与结果解读

代码说明可直接运行% Zhang-Suen 快速并行细化算法 % 输入二值图像前景0 黑色背景255 白色需提前二值化处理 % 输出单像素宽度的骨架图像 clc; clear; close all; %% 步骤1读取并预处理图像转为标准二值图像 % 读取测试图像可替换为自己的乐谱、字符图像 img imread(peppers.png); % 建议使用黑白二值图像若为彩色先转灰度 if size(img,

3 img rgb2gray(img); end % 二值化Otsu自适应阈值前景0背景255符合算法约定 level graythresh(img); bw_img imbinarize(img, level); bw_img imcomplement(bw_img); % 反转让前景线条为0背景为255 bw_img double(bw_img) * 255; % 转为double类型方便计算 % 初始化骨架图像与输入图像大小一致 skeleton bw_img; % 标记是否有像素被删除用于终止迭代 has_deleted true; %% 步骤2Zhang-Suen核心迭代两轮删除 while has_deleted has_deleted false; % 初始化为无删除 [h, w] size(skeleton); % 定义待删除像素的标记矩阵第一轮 delete_mask1 false(h, w); % ---------------------- 第一轮删除上、右方向边缘 ---------------------- for y 2:h-1 % 遍历图像避开边界防止邻域越界 for x 2:w-1 P0 skeleton(y, x); if P0 ~ 0 % 仅处理前景像素0 continue; end % 提取8邻域像素 P1 skeleton(y-1, x); % 上 P2 skeleton(y-1, x

; % 右上 P3 skeleton(y, x

; % 右 P4 skeleton(y1, x

; % 右下 P5 skeleton(y1, x); % 下 P6 skeleton(y1, x-

; % 左下 P7 skeleton(y, x-

; % 左 P8 skeleton(y-1, x-

; % 左上 neighbors [P1, P2, P3, P4, P5, P6, P7, P8]; % 计算N(P

邻域前景像素数0的个数 N_P0 sum(neighbors

; % 计算S(P

邻域跳变数背景→前景的次数 S_P0 0; for i 1:7 if neighbors(i) ~ 0 neighbors(i

0 S_P0 S_P0 1; end end % 补充最后一个跳变P8→P1 if neighbors(

~ 0 neighbors(

0 S_P0 S_P0 1; end % 判断第一轮删除的5个条件 cond1 (N_P0

(N_P0

; cond2 (S_P0

; cond3 (P1 ~

|| (P3 ~

|| (P5 ~

; % 上/右/下为背景 cond4 (P1 ~

|| (P2 ~

|| (P4 ~

; % 上/右上/右下为背景 cond5 (P0

; if cond1 cond2 cond3 cond4 cond5 delete_mask1(y, x) true; has_deleted true; end end end % 第一轮删除统一删除标记的像素设为背景255 skeleton(delete_mask

255; % ---------------------- 第二轮删除下、左方向边缘 ---------------------- if has_deleted % 若第一轮有删除才进行第二轮 delete_mask2 false(h, w); for y 2:h-1 for x 2:w-1 P0 skeleton(y, x); if P0 ~ 0 continue; end % 提取8邻域像素 P1 skeleton(y-1, x); % 上 P2 skeleton(y-1, x

; % 右上 P3 skeleton(y, x

; % 右 P4 skeleton(y1, x

; % 右下 P5 skeleton(y1, x); % 下 P6 skeleton(y1, x-

; % 左下 P7 skeleton(y, x-

; % 左 P8 skeleton(y-1, x-

; % 左上 neighbors [P1, P2, P3, P4, P5, P6, P7, P8]; % 计算N(P

和S(P

与第一轮相同 N_P0 sum(neighbors

; S_P0 0; for i 1:7 if neighbors(i) ~ 0 neighbors(i

0 S_P0 S_P0 1; end end if neighbors(

~ 0 neighbors(

0 S_P0 S_P0 1; end % 判断第二轮删除的5个条件仅cond

cond4不同 cond1 (N_P0

(N_P0

; cond2 (S_P0

; cond3 (P1 ~

|| (P3 ~

|| (P7 ~

; % 上/右/左为背景 cond4 (P1 ~

|| (P8 ~

|| (P7 ~

; % 上/左上/左为背景 cond5 (P0

; if cond1 cond2 cond3 cond4 cond5 delete_mask2(y, x) true; has_deleted true; end end end % 第二轮删除统一删除标记的像素 skeleton(delete_mask

255; end end %% 步骤3可视化结果 figure(Position, [100, 100, 800, 400]); % 子图1原始二值图像 subplot(1,2,

; imshow(mat2gray(bw_img)); title(原始二值图像前景黑色); % 子图2细化后的骨架图像 subplot(1,2,

; imshow(mat2gray(skeleton)); title(Zhang-Suen细化后单像素骨架); %% 步骤4保存结果可选 imwrite(mat2gray(skeleton), zhang_suen_skeleton.png);提供的 MATLAB 脚本已具备完整功能无需额外工具箱核心包含 “图像预处理”“两轮迭代细化”“结果可视化” 三个模块注释详细关键步骤已明确解释 “为何这么写”例如遍历图像时避开边界y 2:h-1x 2:w-1是为了防止提取 8 邻域时出现越界错误采用 “标记矩阵delete_mask1/delete_mask2” 标记可删除像素而非直接删除是为了实现 “并行处理”避免串行删除带来的局部偏差迭代终止条件采用has_deleted标记是为了在没有像素可删除时及时终止提高算法效率。

运行说明前置条件Matlab R2018b 及以上版本无需额外安装工具箱测试准备将包含粗线条的图像如乐谱、手写数字命名为test_line.png放入 Matlab 当前工作目录额外优化可选若图像存在较多杂点可添加bw_img bwareaopen(bw_img,

;删除面积小于 50 的前景区域减少噪声对细化结果的影响输出结果运行后将生成一个包含 “原始二值图像” 和 “细化后骨架图像” 的对比窗口并自动保存细化结果为zhang_suen_skeleton.png。

可视化结果解读1 原始二值图像窗口左侧显示的原始二值图像前景粗线条、字符、音符为黑色像素值 0背景为白色像素值 255能清晰看到线条的粗细不均和冗余像素这些冗余像素会给后续机器识别带来障碍。

Otsu阈值level

9612 细化后骨架图像窗口右侧显示的细化后图像呈现出以下核心特征单像素宽度所有前景线条均被细化为均匀的单像素宽度无粗细差异大幅减少了数据冗余降低了后续识别的计算量拓扑结构完整细化后的骨架完整保留了原始图像的连通性无断点、无多余分支例如手写数字 “8” 的闭环结构、乐谱谱线的连通结构均未被破坏特征清晰凸显原始图像中被粗线条掩盖的特征点如拐角点、分叉点被清晰凸显为后续的 OMR光学乐谱识别、字符识别、指纹提取提供了精准的特征输入。

这一结果直观验证了 Zhang-Suen 算法的价值 —— 它成功将 “机器难以处理的粗线条” 转化为 “机器易于识别的单像素骨架”搭建起了 “原始图像” 与 “智能识别” 之间的桥梁。

参数优化与拓展虽然 Zhang-Suen 算法本身无过多可调参数但图像预处理环节的参数选择对细化结果影响显著二值化阈值采用graythresh进行自适应阈值二值化若结果不理想可手动调整阈值如bw_img imbinarize(img,

0.

;阈值过大易导致前景丢失阈值过小易引入过多噪声阈值

1阈值

5阈值

8直接输入原灰度图去噪面积阈值bwareaopen函数的面积参数需根据图像杂点大小调整杂点较大时可增大参数如 100杂点较小时可减小参数如 30核心是在 “去除噪声” 与 “保留有效前景” 之间找到平衡。

算法的优劣势与应用场景

核心优势并行处理速度高效每次迭代均为并行判断、统一删除无串行依赖迭代次数少适合实时处理和嵌入式设备拓扑结构完整两轮迭代的条件设计严谨能最大程度保留原始前景的连通性和形状特征无断点、无多余分支实现简单门槛较低算法逻辑清晰MATLAB 实现无需复杂工具箱新手容易入门且可移植到 Python 等其他编程语言。

局限性对噪声敏感图像中的杂点会被细化为多余的骨架分支影响后续识别必须提前进行去噪处理仅支持二值图像无法直接处理灰度图或彩色图需先进行灰度化和二值化预处理预处理效果直接决定细化结果对边缘不规则图像处理有限对于边缘极度不规则的粗线条可能出现局部骨架轻微变形需结合其他算法进行优化。

典型应用场景光学乐谱识别OMR将粗谱线、粗音符细化为单像素线条方便提取小节线、音符的位置和形状特征字符识别OCR / 手写识别将手写汉字、数字的粗笔画细化简化形状匹配逻辑提高识别准确率指纹识别提取指纹的单像素脊线精准定位分叉点、端点等特征点用于身份验证地图处理将地图中的道路、河流粗线条细化为单像素轨迹方便地理信息系统GIS的数据分析和可视化。

总结Zhang-Suen 快速并行细化算法的

核心价值是将二值图像粗前景细化为单像素骨架同时保留拓扑结构完整为后续智能识别提供精准特征输入算法的精髓在于 “两轮迭代、并行判断、统一删除”关键是 8 邻域提取、N(P0​)与S(P0​)计算以及两轮不同方向的边缘删除条件实践落地时需注意提前去噪和合理二值化避免噪声影响细化结果其可视化对比结果可直观验证 “去繁就简、凸显特征” 的技术价值该算法在乐谱识别、字符识别等场景应用广泛兼具高效性和易用性是图像处理领域骨架提取的经典入门算法。

秘语空间官网入口-秘语空间官网入口应用