【正文】 [ 2 ] C. Arcelli, G. Sanniti di Baja： topolog iCal的算法為數(shù)字圖像處理 （甲羅森菲爾德 ） ，北荷蘭， （ 99 143 ， 1996） 。 j+ 1) = 0 in row i, counting from the left, with I(i。 j) = 1 ^ I(i。T（ p ）項）的轉(zhuǎn)變形象，這是不一定的連接。舉例來說，這個 D4的遠(yuǎn)程骨架，是不是不變根據(jù)輪換。 j ） = t_ （ i。 T___(i + 1。 j。 T__(i ? 1。 j。 j ） ＝G2（ i。 j ）條的 G1 = （ i。 j ） ，讓 t_ （ i。 j ） ] 2 t_ i_沒有四點為 A4 （ （ i。T（ i。 j ） + 1 。 i_ （ i。 i_ （ i。i（ i。 j 。 j 。我們這個圖像變換到一個新的代表在每屆點 P 2 hii D4類 距離像素具有的價值為零。 q ）的從點 P點 q ， p6 =q是最小的積極整數(shù) n ，如存在著一種序列具有鮮明的網(wǎng)格點， P值 p0 ， P2。 一套對稱點，每一個標(biāo)記半徑相關(guān)最大的光碟，構(gòu)成了骨架的一套。 在本節(jié)中，我們只用網(wǎng)格點模型。 3細(xì)胞是連接 在其 6接口 。 pn = q 近鄰 ，在此序列無論是在 M或全部在補(bǔ) M的一個子集 M_ C的形象承運(yùn)人是所謂的 _連接 i_M，是不是空洞和所有點，在 M都成對 設(shè)置 M 組成的一個子集 S的 C是一個極大 值 ,連接子 S的研究連通性數(shù)碼影像已 在 [ 15 ]介紹了。 基于鄰域的關(guān)系，我們連通如常： 2 點 p。 j是整數(shù)和 N 。 18。 1 。注意： 如果格點模型是用 這鄰接在二維或鄰接在三維。 有兩種選擇：使用網(wǎng)格細(xì)胞模型的二維像素位置， P是一個封閉的廣場（ 2 細(xì)胞）在歐氏平面和三維像素的位置是封閉立方體（ 3 細(xì)胞） ，在歐氏空間，那里邊的長度為 1和平行于坐標(biāo)軸，中心有整數(shù)坐標(biāo)。 gmaxg 與 gmax _ 1 。數(shù)字圖像 I是一個功能離散集 C ，即所謂的載體的形象。另一種序貫算法 pavlidis 使用的多點和收益由輪廓 下列的 的例子，并行算法在這第三類是減少 算子 ，其中變換輪廓點到背景點。qn= q等 ,pi是 pi 1的近鄰， ， 1 _ i _N和 P =q,數(shù)字曲線是所謂的簡單 元素 ，如果每點 pi 有準(zhǔn)確的兩個鄰域 在這曲線。拓?fù)渚S護(hù)骨架是一個特殊的案件細(xì)化，導(dǎo)致連接的一套數(shù)碼化的圓弧或曲線。目標(biāo)是計算特性的數(shù)字對象，其中不 相關(guān)的大小或數(shù)量。通常這樣的 算子 找到臨界點 ， 并計算出 特殊 路徑通過對象連接這些點。 一類形狀減少 算子 是基于距離變換 的 。mi(l)) of midpoints ， of the connected ponents in row i. The set of midpoints of all rows constitutes a critical point skeleton of an image I. This method is putationally e198。?1) = 0 ， oi(l) = _ j if this is the lth case I(i。 j) at all positions of T_ with nonzero values. Informally, the theorem says that the distance transform image is reconstructible from the distance skeleton, and it is the smallest data set needed for such a reconstruction. The used distance d4 di_ers from the Euclidean metric. For instance, this d4distance skeleton is not invariant under rotation. For an approximation of the Euclidean distance, some authors suggested the use of di_erent weights for grid point neighborhoods [4]. Montanari [11] introduced a quasiEuclidean distance. In general, the d4distance skeleton is a subset of pixels (p。 j)? 1。 T__(i。 j)? 1。 T_(i。 j。 j。 j)+1. For all remaining points (i。 j)。 j + 1) + 1g The resulting image T is the distance transform image of I. Note that T is a set f[(i。 j)。 j) = 1 and i 6= 1 or j 6= 1 5 m+ n otherwise f2(i。 j) = 0 minfI_(i ? 1。 j)), as follows: f1(i。 j)), and f2 in reverse standard scan order, producing T(i。 q) has all properties of a metric. Given a binary digital image. We transform this image into a new one which represents at each point p 2 hIi the d4distance to pixels having value zero. The transformation includes two steps. We apply functions f1 to the image I in standard scan order, producing I_(i。 q) from point p to point q, p 6= q, is the smallest positive integer n such that there exists a sequence of distinct grid points p = p0,p1。 p1。m are the numbers of rows and columns of C. In 3Dwe use integer coordinates (i。 26g, is irreexive and symmetric on an image carrier C. The _neighborhood N_(p) of a pixel location p includes p and its _adjacent pixel locations. Coordinates of 2D grid points are denoted by (i。 2。 I(p)) of an image are pixels (2D case) or voxels (3D case). The range of a (scalar) image is f0。 p1。 p2。 :::Gmaxg with Gmax _ 1. The range of a binary image is f0。 4。 j), with 1 _ i _ n and 1 _ j _ m。 j。 p2。 p2。 j) = f1(i。 j) = f2(i。 j。 j)+ 1。 j。 T(i+ 1。 j)。 T(i。 j) let T_(i。 T_(i。 T__(i。 j)) = maxfT_(i。 T__(i。 j)) = maxfT__(i。 T___(i。 T(p)) of the transformed image, and it is not necessarily connected. \Critical Points Algorithms The simplest category of these algorithms determines the midpoints of sub