骨架是一种保留了物体原始的形状特征和拓扑特性的抽象描述方法,可用于对物体进行形状分析和识别,在农业、军事、医学等领域有着较为突出的应用前景,例如食物质检、电路检测、细胞检测、形态检索、目标辨别、脊髓骨癌图像处理等领域。骨架提取中一个亟需解决的问题就是骨架的不稳定性,目标物体边界范围内即使只是微小干扰也会产生不必要的骨架分枝,由此提取出的骨架在几何拓扑的准确度上也会随之降低。这些分枝通常会以单独的悬挂着的线段或者细长三角形的形式出现在骨架提取的主体部分的附近,通常被称为骨架的“毛刺”。在多数场景中,研究者都希望去除骨架化中的毛刺使骨架结构更加简单,获得一个能表达目标物体原始形状特征的骨架有着重大的研究意义和实际应用价值。常见去毛刺方法之一是基于区域重建,以骨架显著性指标对骨架进行阈值处理。但是算法存在参数难以直观设置,去毛刺效果不易控制,运行速度慢等问题。在论文中,针对如何解决获得二维形状的理想且稳定的骨架的问题,提出了一种连续切除骨架分支的去毛刺方法。将骨架的突出部分的长度作为有效指标,并且最低有效部分每次都被切除。为了提高算法的速度,使用游程森林结构来加速区域重建操作,并提出了一种重构触发策略来减少重构次数。在实际的植物叶片图像集上的实验结果表明,该方法正确的骨架分支的召回率比对比算法高13%,准确率高近3%。使用重建触发策略的算法的平均运行时间未采用,约占策略算法的56%。实验结果表明了该方法的有效性。此外,为了使提取的骨架更加贴近原始图像的中轴,论文引入了GVF B-Snake模型,在此基础上改进成基于距离梯度场下的GVF B-Snake模型。方法核心是将像素的距离变换图转成距离梯度场,当曲线演化的能量到达最小且稳定时,即能量最不活跃,此时的曲线就是我们最终的区域中轴。为了验证改进后的模型,论文选取多种尺寸、多种形状的植物叶片图像作为样本进行测试。实验结果表明,所提方法能够获得更加贴近人类视觉所感知的区域中轴的骨架,由此获得的叶片中轴长度也更为准确。