二值图中心线提取实战：从细化算法到毛刺修剪与亚像素优化

做图像处理开发的朋友，十有八九都碰到过这类需求：从一张二值图里，把细长目标的中心线稳定地提出来。PCB走线、打印字符的笔画中心、纤维或者线缆的轴线，甚至医学影像里的血管路径，本质上都是同一个问题。最直觉的方案是调用现成的细化函数，但出图往往一言难尽——毛刺、断裂、抖动、双像素宽，处理起来比想象中麻烦得多。

我之前在处理一个线缆外观检测项目时就栽过跟头。当时需要把图像里一根弯曲导线的中心线稳定提取出来，用于后续的曲率测量和缺陷定位。一开始图省事，直接调图像处理库的细化接口，结果细出来的“中线”密密麻麻全是短分支，主干还断成好几截。折腾了几天后，我把“中线提取”这件事重新当作一个软件工程问题来对待——从算法选型、模块拆分，到性能优化和毛刺修剪，完整设计了一遍。这篇文章把中间最关键的东西拆开讲，内容包括算法选型、软件模块设计、细化过程性能优化、毛刺修剪策略、精度验证方法。对刚接触图像处理、或者正在被毛刺折磨的开发者，应该能省下不少弯路。

1. 先想清楚“中线”到底怎么定义，再动手写代码

很多人一上来就直接写细化循环，这是最容易踩的坑。因为“中线”在不同的业务场景里，含义完全不一样。我见过有人把图像中轴当中心线用，结果厚度不均的目标提出来一条歪曲线，怎么调参数都没用。所以动手之前，先把描述口径对齐。

1.1 骨架、中轴、中心线，三个概念别混着用

“骨架”是形态学里的概念，强调拓扑等价。一个圆环的骨架也是一条闭合曲线，一个矩形块的骨架可能是一根十字轴线，它保留的是目标的连通关系。“中轴”是几何概念，严格来说是目标内部所有最大内切圆圆心组成的集合，也就是到边界至少有两个等距最近点的轨迹。“中心线”更像业务概念，通常指沿目标延伸方向、位置尽量居中、形态尽量光滑的一条连续曲线。

对细长目标来说，这三个概念大部分时候是重合的。可一旦目标出现厚度突变或者弯曲剧烈，细化得到的骨架上会多出很多短小分支，而这些分支在几何中轴里可能并不存在。软件设计的第一步，就是明确业务到底要什么：要拓扑关系完整，还是位置精度优先，还是两者兼顾。这个决策直接影响后面的算法路线和修剪策略。

1.2 用三项指标量化“好不好用”

我在项目里把中线提取的结果用三个维度来验收，缺一不可。

第一是拓扑完整性。该连通的地方不能断，不该有分支的地方不能冒出来短线，目标的连通关系必须跟原图一致。这个指标用“断裂数”和“多余分支数”来统计，最直观。

第二是位置精度。提取出来的中线每个点，到目标真实中心线的距离偏差要小。对像素级细化来说，偏差通常能控制在1个像素以内；如果做亚像素修正，还能再进一步。这个指标用平均偏差和95%分位偏差来评估。

第三是计算时效。如果只是处理几个小目标，速度无所谓。但像全幅面检测、实时定位这类场景，算法必须在固定帧时间内跑完。细化算法最怕大图全扫描，我后面会讲怎么针对这一点做优化。

这三个指标经常是冲突的。追求拓扑干净，可能把短分支全删掉，结果把真实的小分叉也砍了；追求极致精度，就得付出额外计算量。软件设计的意义，就是通过合理的架构和参数配置，在三个维度之间找到可调节的平衡点。

1.3 场景不同，技术路线的倾向完全不同

我把常见场景粗略分了三类，每类有不同的算法倾向。

第一类是“宽度比较均匀的细长目标”，比如导线、笔画、线性划痕。这类目标用经典的细化算法最顺手，速度快，拓扑保持好，毛刺靠后处理修剪。

第二类是“厚度变化明显的块状或带状目标”，比如血管、河流、裂缝。这类目标用距离变换的山脊线更合适，因为距离场天然反映了局部宽度信息，提取出的线更居中。

第三类是“规则几何形状目标”，比如直线、圆弧，或者已知模型的某个部件。这种情况其实不需要通用骨架算法，用直线拟合、圆弧拟合或者模型配准反而更简单、更稳定。

认清自己属于哪一类，再决定算法选型。通用算法解决不了所有问题，强行套用只会把后处理搞得越来越复杂。

2. 走通主流算法，才能定下技术方案

中线提取的主流算法，细化法、距离变换法、Voronoi图法我都实测过。各有明显取舍，不存在一个万能解。

2.1 形态学细化：快，但边界问题多

形态学细化是目前工程上用得最多的。核心思路是迭代剥离边界像素，同时保证连通性不被破坏。常见实现是业界常说的ZS细化判据：每个像素看8邻域，统计邻域中前景点的数量、0到1的跳变次数，再配合方向条件，决定这个像素能不能删。

优点非常突出：实现简单、速度快、对细长目标效果好。缺点同样明显。第一，对边界的微小抖动非常敏感，噪声一多，骨架上就长出一堆毛刺。第二，最终结果容易留下双像素宽的残留段，需要额外去薄化。第三，细化结果是像素级的锯齿线，直接用于测量精度不够，后面必须接亚像素的平滑修正。

我的结论是：细化法适合作为主体框架，但绝不能裸用，必须配合拓扑分析和后处理。

2.2 距离变换山脊法：更贴近几何中心的定义

距离变换的思路是，给每个前景像素计算它到最近背景像素的距离，得到一张距离场。目标是“到边界尽量远”，所以中心线就藏在距离场的局部极大值位置，通常形象地称它为山脊线。

这方法有个天然优势：距离场的数值直接反映了该处目标宽度。主干区域的脊线高度高，毛刺处的山脊高度低。这个信息用来做毛刺修剪特别好用。

缺点也不少。距离场求出来是连续的灰度图，要从中抽取一像素宽的山脊线，普遍做法是先阈值化，再用细化或者分水岭的方法抽取。两个环节都引入额外参数，线容易断，细分支也容易丢。而且传统两遍扫描的欧氏距离计算如果不做优化，在超大图像上性能不够理想。

我用它的时候，一般不用来做主提取，而是作为后处理阶段“显著性”评分的参考依据。这个组合我后面会细说。

2.3 Voronoi图：理论完美，落地太重

还有一条思路是把目标边界离散成点集，求这些点的Voronoi图，再保留落在目标内部的那部分Voronoi边界。理论上，当边界采样密度趋近无穷时，这部分边界的极限就是严格的中轴。

Voronoi法在几何算法领域很受追捧，因为它能给出准确的几何结构。但工程落地很不舒服：需要精确的边界点序列，采样密度影响很大，得到的骨架是折线段集合，跟像素网格的处理流程结合不够自然。而且它对边界噪声极度敏感，稍微一点毛刺就会在Voronoi图上产生大量细小分支。

我的建议是，除非你的目标是规则的CAD多边形，或者你能拿到精确的矢量边界，否则不要轻易选Voronoi路线。

2.4 我最终选型的思路：细化为主体，距离场当辅助

经过实验对比，我最终定下的方案是：用经典细化算法拿到初始骨架，然后构建骨架图，再用距离场信息辅助毛刺修剪和位置修正。

这样选的最重要原因是“可控性”。细化法输出的骨架天然贴合像素网格，容易转成图结构，方便做拓扑分析。距离场不参与主提取，只用来评估每条分支的显著性，这样两个模块之间的耦合度很低，出了问题可以单独调试。如果某天换一个效率更高的细化实现，后处理模块一行都不用动。

软件项目里有个很现实的经验：算法本身的先进程度，远不如“每个环节都能独立调试”重要。越是复杂的视觉任务，越要追求模块解耦。

3. 软件模块怎么拆：五层流水线的边界与接口

中线提取看起来只是一张图进去、一条线出来，但中间涉及预处理、细化、拓扑分析、修剪、平滑、坐标输出好几个性质完全不同的阶段。把它们揉进一个大函数里，后面必然改不动。我重新设计时，把整个流程拆成了五个明确层级。

3.1 从灰度图到坐标输出：五层职责划分

我把整个流程分成五层：

每一层只依赖前一层的结果，互不越界。L1只负责把图弄干净，不管后面怎么提取；L2只输出最朴素的骨架，不做任何质量判断；L3把像素点组织成带拓扑关系的图结构；L4专门负责修剪和修正；L5做单位换算和业务计算。

这样拆完，最大的好处是参数能定位到具体模块。毛刺多了，去调L4的修剪参数；骨架断了，先查L1的预处理是不是把细线断口弄没了；线不居中，查L4的亚像素修正。不用一次性面对一整片代码。

3.2 核心数据结构：骨架图

模块化设计的核心是定义好各层之间的数据结构。我用的核心结构是一张“骨架图”，不是简单的一个点集。

骨架图由三类元素组成：端点，8邻域中只有1个前景邻居的像素；分支点，8邻域中前景邻居不少于3个的像素；路径段，连接端点和分支点、或者连接两个端点之间的一串像素。

用代码表示，大概是这样一个结构：

class SkeletonGraph: endpoints: list[tuple[int, int]] # 端点坐标 branch_points: list[tuple[int, int]] # 分支点坐标 paths: list[Path] # 路径段，记录像素序列 class Path: start: tuple[int, int] end: tuple[int, int] pixels: list[tuple[int, int]] # 有序像素序列 avg_distance: float # 平均距离场值，显著性参考

为什么要构建图结构？因为毛刺修剪这个核心操作，本质上是对“从端点延伸到分支点的悬臂”做决策。有了图结构，才能高效地找到所有悬臂、评估它们的长度和显著性、决定要不要删。如果在纯像素层面上处理，每一步都要重新搜索连通关系，效率极低，代码也难维护。

3.3 可视化中间结果是模块设计的一部分

这里分享一个很容易被忽略的经验：给每个模块预留“中间结果可视化”能力，是软件设计的一部分，不是额外工作量。

我在每层之间都留了调试开关，可以随时把二值图、原始骨架图、修剪后的骨架图、平滑后的坐标序列导出成可视化结果。调参的时候，把这些图叠在原图上，一眼就能看出是哪层出了问题。

尤其是毛刺修剪，策略好不好，看叠加图最直观。主干是否被误删，分支连接是否自然，比光看几个统计数字清楚得多。我把这个习惯保留到了所有视觉处理项目里，事实证明，花在可视化调试上的时间，省下来的排查时间至少是三四倍。

4. 细化算法工程化的三个关键优化

细化算法看起来简单，但放到工程里，性能、稳定性、并行化这些坑一个都躲不掉。这一节讲我实际做的三个关键优化。

4.1 把全图扫描改成活动点列表

经典的细化实现是反复扫描整幅图像。假设图像是4000乘3000，目标只占其中一小部分，大部分时间都浪费在检查空白像素上。迭代十几轮下来，这个开销是相当可观的。

针对这个情况，我改成维护一个“活动点列表”。活动点定义为“当前是前景，且8邻域中至少有一个背景点”的边界点。只有这些点才可能在当前轮被删掉。

每一轮的处理逻辑是：遍历活动列表，逐个判断是否满足细化删除条件，把满足条件的点统一标记；全部标记完后再批量删除。删除完成后，把被删像素的8邻域中仍然存在的前景点加入下一轮活动列表，因为它们可能因为邻域变化变得可删。

这个优化对细长目标特别有效。因为每一轮只有边界上的点进入计算，目标越大、图像越空，加速越明显。我在一组试验里测过，大图上粗实现的耗时能降一个数量级，而且结果完全相同。

4.2 先标记后删除是必须的铁律

细化实现里最不能妥协的细节，就是“先标记、后删除”。同一轮中，所有满足条件的像素必须统一删除，绝不能在遍历的同时立刻改像素值。

原因很容易理解。删除条件依赖8邻域状态。如果你边遍历边改值，先判断的点看到的邻域是旧状态，后判断的点看到的邻域已经因为前一个点的删除发生了变化。这样同一个像素在不同顺序下会得到完全不同的判断结果，删除集合不再具备对称性，导致细化后的骨架偏向某一侧，甚至破坏连通性。

我见过好几个自制细化实现有“莫名其妙歪掉”的问题，查到最后都是这个原因。所以哪怕性能再紧张，也要保持两阶段模式：第一遍收集待删点，第二遍统一置为背景。

子迭代方面，经典细化通常分两步，两个方向交替删除。这一步不能省，否则从四个方向同时消减宽度时，可能把本应保留的连接点也删掉。

4.3 分块并行时怎么保证拼接不断裂

图像一变大，就会想用多线程分块并行。但细化算法是强拓扑敏感的，直接在每块上独立细化，再拼起来，十有八九会在拼接缝附近出现断裂或错位。

我试过几种策略，最后稳定的做法是：每个块向外扩2像素作为重叠区，在重叠区内独立做细化，拼接时丢弃块边缘多出来的部分，只保留核心区域的结果。拼接完成后，对拼接缝附近的一个带状区域，再统一补1到2轮全局细化，把可能出现的细小断裂修好。

这个方案不能保证和“全图一次性细化”得到完全一致的骨架，但实测下来，只要重叠区给够、补跑轮数到位，拓扑差异都在可接受范围。对并行框架来说，这个取舍是值得的。如果你对拓扑一致性要求极高，那就别并行细化，改用并行预处理，把细化留成单线程，稳定性更好。

5. 毛刺不剪干净，中线就没法用

毛刺是中线提取最头疼的问题。再不修剪，后面所有测量都会被影响。这一节讲毛刺从哪来、怎么修剪、修剪之后如何平滑。

5.1 毛刺产生的根源

毛刺的本质，是细化算法对“边界局部小突起”的响应。细化把目标压缩到宽度1像素的骨架，任何一个微小的边界抖动，都会在骨架上留下一个短线分支。

这些抖动的来源很多：二值化阈值不理想造成边缘锯齿、图像噪声、目标表面本身的纹理毛糙。换句话说，毛刺不是算法bug，是输入边界不平整的必然结果。只要输入还是像素图像，毛刺就无法避免，能做的就是设计策略把它们识别并删除。

识别毛刺的关键在于区分“假分支”和“真实分支”。假分支通常很短、位于目标边缘位置、方向跟主干接近垂直。真实分支则倾向于有一定长度、平滑过渡。下面讲的修剪策略就是围绕这几个特征设计。

5.2 基于最小堆的悬臂迭代修剪

有了骨架图之后，修剪就是一个图上操作。首先从每个端点出发，沿着路径追踪，直到遇到分支点或者另一个端点。这一段就叫“悬臂”。

最简单的做法是设定一个最小长度阈值，把所有短于阈值的悬臂删掉。但一次性删会有问题：一条悬臂删掉后，它曾经依附的分支点可能降级成普通点甚至端点，进而产生新的悬臂。所以修剪必须迭代进行。

我实现的策略是用最小堆按悬臂长度排序，每次取最短的悬臂判断。如果长度小于阈值，删除它，然后对受影响区域重建局部图，把新产生的悬臂重新入堆。如果堆顶都已经达到阈值，说明剩下所有悬臂都不短了，直接停止。

import heapq def prune_by_length(graph, min_len): heap = [] for ep in graph.endpoints(): path = trace_from_endpoint(ep) heapq.heappush(heap, (path.length(), path)) while heap: length, path = heapq.heappop(heap) if not path.is_still_valid(): continue if length >= min_len: break # 堆顶都满足长度要求，后面可以全部停掉 remove_path(graph, path) for new_ep in affected_endpoints(path): new_path = trace_from_endpoint(new_ep) heapq.heappush(heap, (new_path.length(), new_path))

这个方案的优点是局部性强，只处理变化区域，效率高。缺点是长度阈值如果设置过大，会把主干端部也误删。这里有讲究，后面调参部分会说。

5.3 长度、显著性、方向三个判据怎么组合

单纯用长度阈值，很容易误杀真实的分支。我在实际使用中会加上两个辅助判据。

第一个是“显著性判据”。悬臂上每个像素都可以取对应位置的距离场值。主干在目标中央，距离值大；毛刺在边缘凸起处，距离值小。所以计算悬臂的平均距离值，如果显著低于主干平均水平，说明它长在目标边缘，是毛刺的概率很高，哪怕长度略长也应该倾向删。

第二个是“方向连续性判据”。真实分支从主干上分叉时，方向通常是平滑过渡的。毛刺则往往以接近垂直的角度从主干侧面突出去。计算悬臂起点处的切线方向和主干延伸方向的夹角，接近90度的，优先删除。

这几个判据的组合，我整理成一个规则权重：

score = 长度权重 * (1 / 正常长度) + 显著性权重 * (主干均值 - 悬臂均值) + 角度权重 * 偏离角度

当然，具体权重需要根据数据调整。但思路是：不要只盯着长度，把目标的宽度信息和几何信息一起用上，修剪出来的线才经得起看。

5.4 修剪完的位置平滑与亚像素修正

修剪之后得到的骨架，本质上还是像素网格上的折线。直接用，会看到明显的锯齿，而且位置精度被限制在1个像素量级。对测量类业务来说，这通常不满足要求。

亚像素修正的做法是：在修剪后的每个骨架点处，沿该点的法线方向，从原始灰度图上取一小段剖面，计算灰度重心，用重心坐标替代原骨架点坐标。这一步的原理很简单——线状目标在灰度剖面上通常呈现中间亮两端暗的分布，重心位置就是更精确的中心。

法线方向不太好直接估，我用的办法是取局部切线方向旋转90度，然后沿法线剖面做灰度加权平均：

def refine_position(gray, point, tangent): normal = (-tangent[1], tangent[0]) offsets = np.arange(-win, win + 1) xi = point[0] + normal[0] * offsets yi = point[1] + normal[1] * offsets xi = np.clip(xi, 0, gray.shape[0] - 1).astype(int) yi = np.clip(yi, 0, gray.shape[1] - 1).astype(int) vals = gray[xi, yi].astype(float) vals = np.clip(vals - bg_level, 0, None) # 去掉背景 if vals.sum() == 0: return point cx = np.sum(xi * vals) / vals.sum() cy = np.sum(yi * vals) / vals.sum() return np.array([cx, cy])

这一步做完，中心线精度能从像素级提升到亚像素级。在清晰图像上，平均偏差压到0.1到0.3像素是能做到的。这也是我认为“优化”二字真正体现价值的地方，毛刺修剪解决的是“能用”，亚像素修正解决的是“测得准”。

6. 精度怎么验证，参数怎么调

没有验证手段的调参，就是瞎猜。中线提取这种带有较强后处理的算法，必须有量化手段来对比不同参数的结果。

6.1 用合成图造“标准答案”

真实图像很难拿到“标准中心线”。所以我用合成图像来做基准测试，方法是画图生成已知坐标的线状目标。

具体做法是：先设计一条数学上可精确描述的路径，比如直线、圆弧、S形曲线；再沿路径以不同线宽绘制二值掩膜；然后对掩膜做不同程度的模糊、加噪、边缘扰动，模拟真实图像。这样我手里既知道真实中心线的解析方程，又有一批干扰程度不同的测试图。

验证时，把算法提取出来的点序列和真实路径做最近距离匹配，统计这几项指标：平均偏差、95%分位偏差、最大偏差、断裂数量、多余分支数量。每一个参数改动，都跑一遍同样的测试集，看指标变化。

我保留了一组典型测试结果，大致情况如下：

这组数据说明两件事：噪声直接抬升位置偏差，毛刺修剪后仍然可能残留少量多余分支。认清楚这个底线，调参的时候就不会对自己提出不切实际的要求。

6.2 三个参数对结果的实际影响

最敏感的当然是毛刺长度阈值。阈值太小，毛刺删不干净；阈值太大，主干两端被削掉，拓扑被破坏。我实际取值的参考基准是目标厚度特征。如果目标宽度大约5像素，毛刺长度阈值从3像素开始试，配合显著性判据一起用，比只用长度阈值稳健得多。

第二个关键参数是二值化阈值。它直接决定边界质量。灰度阈值不合适，边界会多出一圈锯齿，毛刺数量成倍增加。这部分的优化优先级其实比修剪策略更高，因为预处理干净了，后处理负担小得多。

第三个参数是亚像素修正的采样窗口宽度。窗口太小，剖面信息不足，重心计算不稳定；窗口太大，可能跨越目标边界，引入背景干扰。常规选择是目标宽度的1.2到1.5倍，宁大勿小。

参数之间常常有联动效应。二值化阈值改了，边界抖动程度不同，毛刺长度分布变化，修剪阈值也得跟着调整。所以我把整套流程做成了可配置参数文件，每次跑测试集把指标打印出来，用数据说话。

6.3 实际项目里最容易踩的几个坑

最后说几个我在项目里反复踩、最后才绕过去的坑。

第一个坑是细化结果出现双像素宽残留。细化结束条件有时会停在宽度2像素的线段，不处理的话后面图构建会乱。我加了一步后处理，专门扫描剩余2乘2或2像素宽的局部结构，按拓扑规则薄化到单像素宽。这是细化模块里必须标配的收尾操作，很多人忽略。

第二个坑是边界断裂。目标细长又弯曲时，二值化很容易在弯曲外侧产生断口。断口一出现，细化出来的骨架就是断的，再怎么调修剪参数也没用。这个问题的核心在预处理，而不是后处理。我通过学习结构元素匹配的闭运算来修复细线断口，但要注意闭运算的核不能太大，否则会把相邻线条粘在一起。

第三个坑在分块并行场景。块与块之间如果只重叠1像素，细化后拼接处大概率出问题；重叠2像素以上并且补跑全局细化，才稳定。这个前面提过，这里再强调一次，因为它很容易在系统联调时才暴露，排查成本很高。

第四个坑是亚像素修正依赖原始灰度图。有人把整个流程接在二值图之后，到了亚像素修正阶段才发现原始灰度图没留，重新处理就要从头再来。所以我在软件设计里，从一开始就要求L1模块把灰度图完整传给后续模块。数据流设计提前预留好，能给后面省很多麻烦。

我的最后一点体会

整条中线提取流程重新设计下来，最大的体会是，真正难的不是某个算法有多先进，而是把一堆算法串联成一条可以控制、可以调试、可以验证的流水线。细化、距离变换、修剪、平滑，每一个环节单独拎出来都有成熟的资料，但组合起来怎么不出错、怎么调参、怎么验收，才是软件设计要解决的问题。

如果你现在也卡在一片毛刺的中线结果上，建议先别急着加更复杂的算法，而是回头看一下：你的模块是不是可以独立调试？中间结果能不能随时可视化？有没有一套合成数据来量化每次改动的好坏？把这三件事补上，很多问题会自己浮出水面。

最后再分享一个实用小技巧：写修剪策略的时候，先把“只删端点悬臂”的版本跑通，再逐步加入显著性和方向判据。每一步改动都用合成图测试集对比一下，这样即便新策略有问题，也能清楚地知道是哪一步引入的，回退起来非常快。这个方法成本极低，但对中线提取整个流程的稳定性提升非常明显。