网站 建设理由,搜狗引擎,差异基因做聚类分析网站,wordpress收不到网站二值图像骨架线提取HilditchThin算法Rosenfeld算法OpenCV_Contrib中的算法示例其他细化算法查表法HilditchThin的另一种算法参考二值图像骨架线提取算法#xff1a;HilditchThin算法、Rosenfeld算法、OpenCV_Contrib中的算法 HilditchThin算法
1、使用的8邻域标记为#xff…
二值图像骨架线提取HilditchThin算法Rosenfeld算法OpenCV_Contrib中的算法示例其他细化算法查表法HilditchThin的另一种算法参考二值图像骨架线提取算法HilditchThin算法、Rosenfeld算法、OpenCV_Contrib中的算法 HilditchThin算法
1、使用的8邻域标记为 2、下面看下它的算法描述 复制目地图像到临时图像对临时图像进行一次扫描对于不为0的点如果满足以下四个条件则在目地图像中删除该点(就是设置该像素为0)
条件一2p2p3p4p5p6p7p8p96 大于等于2会保证p1点不是端点或孤立点因为删除端点和孤立点是不合理的小于等于6保证p1点是一个边界点而不是一个内部点。等于0时候周围没有等于1的像素所以p1为孤立点等于1的时候周围只有1个灰度等于1的像素所以是端点注端点是周围有且只能有1个值为1的像素)。 条件二p2-p9的排列顺序中01模式的数量为1 比如下面的图中有p2p3 01, p6p701,所以该像素01模式的数量为2。 之所以要01模式数量为1是要保证删除当前像素点后的连通性。比如下面的图中01模式数量大于1如果删除当前点p1则连通性不能保证。 条件三p2.p4.p8 0 or A(p2)!1 A(p2)表示p2周围8邻域的01模式和。这个条件保证2个像素宽的垂直条不完全被腐蚀掉。 条件四p2.p4.p6 0 or A(p4)!1 A(p4)表示p4周围8邻域的01模式和。这个条件保证2个像素宽的水平条不完全被腐蚀掉。 如果图像中没有可以删除的点时结束循环。 算法代码如下(输入归一化二值图像)
void HilditchThin(cv::Mat src, cv::Mat dst) //传入归一化图像src
{if(src.type()!CV_8UC1){printf(只能处理二值或灰度图像\n);return;}//非原地操作时候copy src到dstif(dst.data!src.data)src.copyTo(dst);int i, j;int width, height;//之所以减2是方便处理8邻域防止越界width src.cols -2;height src.rows -2;int step src.step;int p2,p3,p4,p5,p6,p7,p8,p9;uchar* img;bool ifEnd;int A1;cv::Mat tmpimg;while(1){dst.copyTo(tmpimg);ifEnd false;img tmpimg.datastep;for(i 2; i height; i){img step;for(j 2; jwidth; j){uchar* p img j;A1 0;if( p[0] 0){if(p[-step]0p[-step1]0) //p2,p3 01模式{A1;}if(p[-step1]0p[1]0) //p3,p4 01模式{A1;}if(p[1]0p[step1]0) //p4,p5 01模式{A1;}if(p[step1]0p[step]0) //p5,p6 01模式{A1;}if(p[step]0p[step-1]0) //p6,p7 01模式{A1;}if(p[step-1]0p[-1]0) //p7,p8 01模式{A1;}if(p[-1]0p[-step-1]0) //p8,p9 01模式{A1;}if(p[-step-1]0p[-step]0) //p9,p2 01模式{A1;}p2 p[-step]0?1:0;p3 p[-step1]0?1:0;p4 p[1]0?1:0;p5 p[step1]0?1:0;p6 p[step]0?1:0;p7 p[step-1]0?1:0;p8 p[-1]0?1:0;p9 p[-step-1]0?1:0;//计算AP2,AP4int A2, A4;A2 0;//if(p[-step]0){if(p[-2*step]0p[-2*step1]0) A2;if(p[-2*step1]0p[-step1]0) A2;if(p[-step1]0p[1]0) A2;if(p[1]0p[0]0) A2;if(p[0]0p[-1]0) A2;if(p[-1]0p[-step-1]0) A2;if(p[-step-1]0p[-2*step-1]0) A2;if(p[-2*step-1]0p[-2*step]0) A2;}A4 0;//if(p[1]0){if(p[-step1]0p[-step2]0) A4;if(p[-step2]0p[2]0) A4;if(p[2]0p[step2]0) A4;if(p[step2]0p[step1]0) A4;if(p[step1]0p[step]0) A4;if(p[step]0p[0]0) A4;if(p[0]0p[-step]0) A4;if(p[-step]0p[-step1]0) A4;}//printf(p2%d p3%d p4%d p5%d p6%d p7%d p8%d p9%d\n, p2, p3, p4, p5, p6,p7, p8, p9);//printf(A1%d A2%d A4%d\n, A1, A2, A4);if((p2p3p4p5p6p7p8p9)1 (p2p3p4p5p6p7p8p9)7 A11){if(((p20||p40||p80)||A2!1)((p20||p40||p60)||A4!1)) {dst.atuchar(i,j) 0; //满足删除条件设置当前像素为0ifEnd true;//printf(\n);//PrintMat(dst);}}}}}//printf(\n);//PrintMat(dst);//PrintMat(dst);//已经没有可以细化的像素了则退出迭代if(!ifEnd) break;}
}Rosenfeld算法
1、使用下面的八邻域表示法 2、对于前景点像素p1, 如果p20则p1 称作北部边界点。如果p60p1称作南部边界点p40p1称作东部边界点p80p1称作西部边界点。 p1周围8个像素的值都为0则p1为孤立点如果周围8个像素有且只有1个像素值为1则此时p1称作端点。 3、另外还要了解的一个概念就是8 simple。就是我们把p1的值设置为0后不会改变周围8个像素的8连通性。下面的三个图中如果p10后则会改变8连通性。 而下面的则不会改边8连通性此时可以称像素p1是8 simple 4、Rosenfeld细化算法描述如下
扫描所有像素如果像素是北部边界点且是8simple但不是孤立点和端点删除该像素。扫描所有像素如果像素是南部边界点且是8simple但不是孤立点和端点删除该像素。扫描所有像素如果像素是东部边界点且是8simple但不是孤立点和端点删除该像素。扫描所有像素如果像素是西部边界点且是8simple但不是孤立点和端点删除该像素。执行完上面4个步骤后就完成了一次迭代我们重复执行上面的迭代过程直到图像中再也没有可以删除的点后退出迭代循环。
5、算法代码如下(输入归一化二值图像)
void Rosenfeld(Mat src, Mat dst)//输入的目标像素为1背景像素为0
{if (src.type() ! CV_8UC1){printf(只能处理二值或灰度图像\n);return;}//非原地操作时候copy src到dstif (dst.data ! src.data){src.copyTo(dst);}int i, j, n;int width, height;//之所以减1是方便处理8邻域防止越界width src.cols - 1;height src.rows - 1;int step src.step;int p2, p3, p4, p5, p6, p7, p8, p9;uchar* img;bool ifEnd;Mat tmpimg;int dir[4] { -step, step, 1, -1 };while (1){//分四个子迭代过程分别对应北南东西四个边界点的情况ifEnd false;for (n 0; n 4; n){dst.copyTo(tmpimg);img tmpimg.data;for (i 1; i height; i){img step;for (j 1; j width; j){uchar* p img j;//如果p点是背景点或者且为方向边界点依次为北南东西继续循环if (p[0] 0 || p[dir[n]] 0) continue;p2 p[-step] 0 ? 1 : 0;p3 p[-step 1] 0 ? 1 : 0;p4 p[1] 0 ? 1 : 0;p5 p[step 1] 0 ? 1 : 0;p6 p[step] 0 ? 1 : 0;p7 p[step - 1] 0 ? 1 : 0;p8 p[-1] 0 ? 1 : 0;p9 p[-step - 1] 0 ? 1 : 0;//8 simple判定int is8simple 1;if (p2 0 p6 0){if ((p9 1 || p8 1 || p7 1) (p3 1 || p4 1 || p5 1))is8simple 0;}if (p4 0 p8 0){if ((p9 1 || p2 1 || p3 1) (p5 1 || p6 1 || p7 1))is8simple 0;}if (p8 0 p2 0){if (p9 1 (p3 1 || p4 1 || p5 1 || p6 1 || p7 1))is8simple 0;}if (p4 0 p2 0){if (p3 1 (p5 1 || p6 1 || p7 1 || p8 1 || p9 1))is8simple 0;}if (p8 0 p6 0){if (p7 1 (p9 1 || p2 1 || p3 1 || p4 1 || p5 1))is8simple 0;}if (p4 0 p6 0){if (p5 1 (p7 1 || p8 1 || p9 1 || p2 1 || p3 1))is8simple 0;}int adjsum;adjsum p2 p3 p4 p5 p6 p7 p8 p9;//判断是否是邻接点或孤立点,0,1分别对于那个孤立点和端点if (adjsum ! 1 adjsum ! 0 is8simple 1){dst.atuchar(i, j) 0; //满足删除条件设置当前像素为0ifEnd true;}}}}if (!ifEnd) break;}
}OpenCV_Contrib中的算法
OpenCV细化算法大致描述如下 1、复制源图进行一次全图扫描对于不为0的点如果满足以下四个条件
1保证当前点不是孤立点或端点2保证删除当前像素点后的连通性3上 * 右 * 下 04左 * 右 * 下 0在第一次子迭代中只是移去东南的边界点而不考虑西北的边界点。
2、把目地图像再次复制到临时图像接着对临时图像进行一次扫描如果不为0的点它的八邻域满足以下4个条件则在目地图像中删除该点(就是设置该像素为0)
1 周围8个点2 p2p3p4p5p6p7p8p962 p2-p9的排列顺序中01模式的数量(这里假设二值图非零值为1)为1。3 左 * 右 * 上 04 左 * 下 * 上 0
执行完上面两个步骤后就完成了一次细化算法我们可以多次迭代执行上述过程得到最终的骨架图。 算法源代码(输入二值图无需归一化一般的thinningTypeZHANGSUEN)
// Apply the thinning procedure to a given image
void thinning(InputArray input, OutputArray output, int thinningType) {Mat processed input.getMat().clone();CV_CheckTypeEQ(processed.type(), CV_8UC1, );// Enforce the range of the input image to be in between 0 - 255processed / 255;Mat prev Mat::zeros(processed.size(), CV_8UC1);Mat diff;do {thinningIteration(processed, 0, thinningType);thinningIteration(processed, 1, thinningType);absdiff(processed, prev, diff);processed.copyTo(prev);} while (countNonZero(diff) 0);processed * 255;output.assign(processed);
}// Applies a thinning iteration to a binary image
void thinningIteration(Mat img, int iter, int thinningType) {Mat marker Mat::zeros(img.size(), CV_8UC1);if (thinningType THINNING_ZHANGSUEN) {for (int i 1; i img.rows - 1; i){for (int j 1; j img.cols - 1; j){uchar p2 img.atuchar(i - 1, j);uchar p3 img.atuchar(i - 1, j 1);uchar p4 img.atuchar(i, j 1);uchar p5 img.atuchar(i 1, j 1);uchar p6 img.atuchar(i 1, j);uchar p7 img.atuchar(i 1, j - 1);uchar p8 img.atuchar(i, j - 1);uchar p9 img.atuchar(i - 1, j - 1);int A (p2 0 p3 1) (p3 0 p4 1) (p4 0 p5 1) (p5 0 p6 1) (p6 0 p7 1) (p7 0 p8 1) (p8 0 p9 1) (p9 0 p2 1);int B p2 p3 p4 p5 p6 p7 p8 p9;int m1 iter 0 ? (p2 * p4 * p6) : (p2 * p4 * p8);int m2 iter 0 ? (p4 * p6 * p8) : (p2 * p6 * p8);if (A 1 (B 2 B 6) m1 0 m2 0)marker.atuchar(i, j) 1;}}}if (thinningType THINNING_GUOHALL) {for (int i 1; i img.rows - 1; i){for (int j 1; j img.cols - 1; j){uchar p2 img.atuchar(i - 1, j);uchar p3 img.atuchar(i - 1, j 1);uchar p4 img.atuchar(i, j 1);uchar p5 img.atuchar(i 1, j 1);uchar p6 img.atuchar(i 1, j);uchar p7 img.atuchar(i 1, j - 1);uchar p8 img.atuchar(i, j - 1);uchar p9 img.atuchar(i - 1, j - 1);int C ((!p2) (p3 | p4)) ((!p4) (p5 | p6)) ((!p6) (p7 | p8)) ((!p8) (p9 | p2));int N1 (p9 | p2) (p3 | p4) (p5 | p6) (p7 | p8);int N2 (p2 | p3) (p4 | p5) (p6 | p7) (p8 | p9);int N N1 N2 ? N1 : N2;int m iter 0 ? ((p6 | p7 | (!p9)) p8) : ((p2 | p3 | (!p5)) p4);if ((C 1) ((N 2) ((N 3)) (m 0)))marker.atuchar(i, j) 1;}}}img ~marker;
}示例
总结其实几种算法的效果都差不多但第一种算法在细化时会忽略4行4列图像数据如果目标在边缘位置最好使用后两种算法。 原图 细化图 直接使用细化算法可能有很多毛刺你可以先删除突出部分然后再细化会好很多。
其他细化算法
查表法
//查表法//
Mat lookUpTable(Mat mat, int lut[])
{Mat mat_in;mat.convertTo(mat_in, CV_16UC1); //8 转 16int MatX mat_in.rows;int MatY mat_in.cols;int num 512;//表的维数和卷积核中的数据有关,小矩阵初始化按行赋值Mat kern (Mat_int(3, 3) 1, 8, 64, 2, 16, 128, 4, 32, 256); //卷积核Mat mat_out Mat::zeros(MatX, MatY, CV_16UC1);Mat mat_expend Mat::zeros(MatX 2, MatY 2, CV_16UC1);Rect Roi(1, 1, MatY, MatX); //列行列行Mat mat_expend_Roi(mat_expend, Roi); //确定扩展矩阵的Roi区域mat_in.copyTo(mat_expend_Roi); //将传入矩阵赋给Roi区域Mat Mat_conv;//实用卷积核和和每一个八邻域进行点乘再相加其结果为表的索引对应值为0能去掉为1则不能去掉filter2D(mat_expend, Mat_conv, mat_expend.depth(), kern); //卷积Mat mat_index Mat_conv(Rect(1, 1, MatY, MatX));for (int i 0; i MatX; i){for (int j 0; j MatY; j){int matindex mat_index.atshort(i, j);if ((matindex num) (matindex 0)){mat_out.atshort(i, j) lut[matindex];}else if (matindex num){mat_out.atshort(i, j) lut[num - 1];}}}return mat_out;
}//细化查表法//
Mat img_bone(Mat mat)
{// mat 为细化后的图像Mat mat_in mat;//在数字图像处理时只有单通道、三通道 8bit 和 16bit 无符号(即CV_16U)的 mat 才能被保存为图像mat.convertTo(mat_in, CV_16UC1);int lut_1[] { 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 0, 1, 1, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 1, 1, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 1, 0, 0, 0, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1 };int lut_2[] { 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 1, 1,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1 };Mat mat_bool;threshold(mat_in, mat_bool, 0, 1, THRESH_BINARY); //二值图像归一化Mat mat_out;Mat image_iters;while (true){mat_out mat_bool;//查表水平、垂直image_iters lookUpTable(mat_bool, lut_1);mat_bool lookUpTable(image_iters, lut_2);Mat diff mat_out ! mat_bool;//countNonZero函数返回灰度值不为0的像素数bool mat_equal countNonZero(diff) 0; //判断图像是否全黑if (mat_equal){break;}}Mat Matout;mat_bool.convertTo(Matout, CV_8UC1);return Matout;
}HilditchThin的另一种算法
void cvHilditchThin(cv::Mat src, cv::Mat dst)
{if (src.type() ! CV_8UC1){printf(只能处理二值或灰度图像\n);return;}//非原地操作时候copy src到dstif (dst.data ! src.data){src.copyTo(dst);}//8邻域的偏移量int offset[9][2] { {0,0},{1,0},{1,-1},{0,-1},{-1,-1},{-1,0},{-1,1},{0,1},{1,1} };//四邻域的偏移量int n_odd[4] { 1, 3, 5, 7 };int px, py;int b[9]; //3*3格子的灰度信息int condition[6]; //1-6个条件是否满足int counter; //移去像素的数量int i, x, y, copy, sum;uchar* img;int width, height;width dst.cols;height dst.rows;img dst.data;int step dst.step;do{counter 0;for (y 0; y height; y){for (x 0; x width; x){//前面标记为删除的像素我们置其相应邻域值为-1for (i 0; i 9; i){b[i] 0;px x offset[i][0];py y offset[i][1];if (px 0 px width py 0 py height){// printf(%d\n, img[py*steppx]);if (img[py*step px] WHITE){b[i] 1;}else if (img[py*step px] GRAY){b[i] -1;}}}for (i 0; i 6; i){condition[i] 0;}//条件1是前景点if (b[0] 1) condition[0] 1;//条件2是边界点sum 0;for (i 0; i 4; i){sum sum 1 - abs(b[n_odd[i]]);}if (sum 1) condition[1] 1;//条件3 端点不能删除sum 0;for (i 1; i 8; i){sum sum abs(b[i]);}if (sum 2) condition[2] 1;//条件4 孤立点不能删除sum 0;for (i 1; i 8; i){if (b[i] 1) sum;}if (sum 1) condition[3] 1;//条件5 连通性检测if (func_nc8(b) 1) condition[4] 1;//条件6宽度为2的骨架只能删除1边sum 0;for (i 1; i 8; i){if (b[i] ! -1){sum;}else{copy b[i];b[i] 0;if (func_nc8(b) 1) sum;b[i] copy;}}if (sum 8) condition[5] 1;if (condition[0] condition[1] condition[2] condition[3] condition[4] condition[5]){img[y*step x] GRAY; //可以删除置位GRAYGRAY是删除标记但该信息对后面像素的判断有用counter;//printf(----------------------------------------------\n);//PrintMat(dst);}}}if (counter ! 0){for (y 0; y height; y){for (x 0; x width; x){if (img[y*step x] GRAY)img[y*step x] BLACK;}}}} while (counter ! 0);
}参考
https://www.cnblogs.com/mikewolf2002/p/3321732.html
