圖像細化（Image Thinning），一般指二值圖像的骨架化（Image Skeletonization） 的一種操作運算。
所謂的細化就是經過一層層的剝離，從原來的圖中去掉一些點，但仍要保持原來的形狀，直到得到圖像的骨架。骨架，可以了解為圖象的中軸。
好的細化算法一定要滿足：
- 收斂性；
- 保證細化後細線的連通性
- 保持原圖的基本形狀
- 減少筆畫相交處的畸變
- 細化結果是原圖像的中心線
- 細化的快速性和疊代次數少
依據是否使用疊代運算可以分為兩類：
- 非疊代算法
- 一次即産生骨架，如基于距離變換的方法。遊程長度編碼細化等。
- 疊代算法
即重複删除圖像邊緣滿足一定條件的像素，最終得到單像素寬帶骨架。
疊代方法依據其檢查像素的方法又可以再分成
- 串行算法
是否删除像素在每次疊代的執行中是固定順序的，它不僅取決于前次疊代的結果，也取決于本次疊代中已處理過像素點分布情況.
- 并行算法
像素點删除與否與像素值圖像中的順序無關，僅取決于前次疊代的結果
細化算法:
- Burning Algorithm
使用疊代的方法去除圖像的邊界, 可使用掃描線法來擷取邊界
- Zhang并行快速細化算法
模闆:
| p3 p2 p9 p4 p1 p8 p5 p6 p7 |
第一步，（其中p1為前景點，如果以下四個條件同時滿足，則删除p1，即令p1=0）
| 1. 2<=N(p1)<=6 // 中心為黑點 2. Z0(p1)=1 // Nz為八鄰域中黑點的數目 3. p2*p8*p6=0 // 避免圖像被打斷( 其反條件時不可删) 4. p4*p8*p6=0 其中，Z0(p1)是以p2,p3,...p8,p9為序時，這些點的值從0->1變化的次數 N(p1)是p1的非0鄰近點的個數 |
被判定為删除的點暫不删除，但要加以記錄。
等所有邊界點都被判斷完後，再一起将所有标記了的點删除，接下來進入第二階段的删除步驟。
第二步，按照如下條件進行第二階段的删除，條件為
| 1. 2<=N(p1)<=6 // 中心為黑點 2. Z0(p1)=1 // Nz為八鄰域中黑點的數目 3. p2*p4*p6=0 // 避免圖像被打斷( 其反條件時不可删) 4. p2*p4*p8=0 |
同第一步一樣，判定要删除的點隻是加以記錄而暫不删除，等待最後同時删除
對一副圖像反複執行第一步與第二步的算法步驟，知道都沒有可删除的點為止
我的zhang細化代碼如下：
// p3 p2 p1
//**********使用zhang并行快速算法進行細化 p4 p p0
// p5 p6 p7
void ZhangThinning(int w,int h,BYTE *imgBuf)
{
int neighbor[8];
BYTE *mark=new BYTE[w*h];
memset(mark,0,w*h);
BOOL loop=TRUE;
int x,y,k;
int markNum=0;
while(loop)
{
loop=FALSE;
//第一步
markNum=0;
for(y=1;y<h-1;y++)
{
for(x=1;x<w-1;x++)
{
//條件1：p必須是前景點
if(imgBuf[y*w+x]==0 ) continue;
neighbor[0]= imgBuf[y*w+x+1] ;
neighbor[1]= imgBuf[(y-1)*w+x+1];
neighbor[2]= imgBuf[(y-1)*w+x];
neighbor[3]= imgBuf[(y-1)*w+x-1];
neighbor[4]= imgBuf[y*w+x-1];
neighbor[5]= imgBuf[(y+1)*w+x-1];
neighbor[6]= imgBuf[(y+1)*w+x];
neighbor[7]= imgBuf[(y+1)*w+x+1];
//條件2：2<=N(p）<=6
int np=(neighbor[0]+neighbor[1]+neighbor[2]+neighbor[3]+neighbor[4]+neighbor[5]+neighbor[6]+neighbor[7])/255;
if(np<2 || np>6) continue;
//條件3：S(p）=1
int sp=0;
for(int i=1;i<8;i++)
{
if(neighbor[i]-neighbor[i-1]==255)
sp++;
}
if(neighbor[0]-neighbor[7]==255)
sp++;
if(sp!=1) continue;
//條件4：p2*p0*p6=0
if(neighbor[2]&neighbor[0]&neighbor[6]!=0)
continue;
//條件5：p0*p6*p4=0
if(neighbor[0]&neighbor[6]&neighbor[4]!=0)
continue;
//标記删除
mark[w*y+x]=1;
markNum++;
loop=TRUE;
}
}
//将标記删除的點置為背景色
if(markNum>0)
{
for(y=0;y<h;y++)
{
for(x=0;x<w;x++)
{
k=y*w+x;
if(mark[k]==1)
{
imgBuf[k]=0;
}
}
}
}
//第二步
markNum=0;
for(y=1;y<h-1;y++)
{
for(x=1;x<w-1;x++)
{
//條件1：p必須是前景點
if(imgBuf[y*w+x]==0 ) continue;
neighbor[0]= imgBuf[y*w+x+1] ;
neighbor[1]= imgBuf[(y-1)*w+x+1];
neighbor[2]= imgBuf[(y-1)*w+x];
neighbor[3]= imgBuf[(y-1)*w+x-1];
neighbor[4]= imgBuf[y*w+x-1];
neighbor[5]= imgBuf[(y+1)*w+x-1];
neighbor[6]= imgBuf[(y+1)*w+x];
neighbor[7]= imgBuf[(y+1)*w+x+1];
//條件2：<=N(p)<=6
int np=(neighbor[0]+neighbor[1]+neighbor[2]+neighbor[3]+neighbor[4]+neighbor[5]+neighbor[6]+neighbor[7])/255;
if(np<2 || np>6) continue;
//條件3：S(p)=1
int sp=0;
for(int i=1;i<8;i++)
{
if(neighbor[i]-neighbor[i-1]==255)
sp++;
}
if(neighbor[0]-neighbor[7]==255)
sp++;
if(sp!=1) continue;
//條件4：p2*p0*p4==0
if(neighbor[2]&neighbor[0]&neighbor[4]!=0)
continue;
//條件5：p2*p6*p4==0
if(neighbor[2]&neighbor[6]&neighbor[4]!=0)
continue;
//标記删除
mark[w*y+x]=1;
markNum++;
loop=TRUE;
}
}
//将标記删除的點置為背景色
for(y=0;y<h;y++)
{
for(x=0;x<w;x++)
{
k=y*w+x;
if(mark[k]==1)
{
imgBuf[k]=0;
}
}
}
}
}
判斷一個點是否能去掉, 要根據它的八個相鄰點的情況來判斷。(中間的點)
(1)不能删，因為它是個内部點，我們要求的是骨架，如果連内部點也删了，骨架也會被掏空的；
(2)不能删，和(1)是同樣的道理；
(3)可以删，這樣的點不是骨架；
(4)不能删，因為删掉後，原來相連的部分斷開了；
(5)可以删，這樣的點不是骨架；
(6)不能删，因為它是直線的端點，如果這樣的點删了，那麼最後整個直線也被删了，剩不下什麼；
總結：
(1)内部點不能删除；
(2)孤立點不能删除；
(3)直線端點不能删除；
(4)如果P是邊界點，去掉P後，如果連通分量不增加，則P可以删除。
- Hilditch、Pavlidis、Rosenfeld細化算法
這類算法則是在程式中直接運算，根據運算結果來判定是否可以删除點的算法，差别在于不同算法的判定條件不同。
Hilditch算法使用于二值圖像，比較普通，是一般的算法；
Pavlidis算法通過并行和串行混合處理來實作，用位運算進行特定模式的比對，所得的骨架是8連接配接的，使用于0－1二值圖像；
Rosenfeld算法是一種并行細化算法，所得的骨架形态是8－連接配接的，使用于0－1二值圖像。
(後兩種算法的效果要更好一些，但是處理某些圖像時效果一般，第一種算法使用性強些。)
- 索引表細化算法
經過預處理後得到待細化的圖像是0、1二值圖像。像素值為1的是需要細化的部分，像素值為0的是背景區域。基于索引表的算法就是依據一定的判斷依據，所做出的一張表，然後根據魔鬼要細化的點的八個鄰域的情況查詢，若表中元素是1，若表中元素是1，則删除該點（改為背景），若是0則保留。因為一個像素的8個鄰域共有256中可能情況，是以，索引表的大小一般為256。
查找表為二值圖像處理提供了簡潔而有效的方法。考慮一個像素的３乘３鄰域。由于在這個鄰域範圍有９個像素，每個像素有兩個狀态（二值圖像，取０，１），那麼整個鄰域不同狀态的總數量為２^9=512 .這樣，我們可以相對不同的情況（５１２種），來安排對應的輸出值，而這５１２種可能是事先預知的，給每一個單元（一共９個單元）分别安排不同的權值，
１ ８ 6４
２ １６ １２８
４ ３２ ２５６
也就是２的不同幂次，０，１，２，３。。。 ８次幂
那麼，某種狀态數值就是權重值的和。
比如，
下面一種鄰域組合：
０ １ ０
１ １ ０
０ ０ １
它的值＝２＋８＋１６＋２５６＝２８２
這樣的話，我們通過一個數值，就可以表達一種３乘３鄰域的一種空間分布狀态。
