简介：这份资源面向MATLAB图像处理初学者与物联网、硬件接口方向的开发者，聚焦骨架端点检测这一形态分析关键环节。包内共11个文件，以7个tif测试图像、3个m脚本和1个txt说明为主，压缩包约30KB，体量轻便。tif图像覆盖不同形状与复杂度，用于验证算法鲁棒性；m脚本分别承担骨架端点检测与测试验证职责，txt则记录项目文件清单与功能说明，便于快速理清目录结构。已有261人学习下载。读者可借此掌握图像灰度化、二值化、去噪等预处理流程，理解基于8-邻域拓扑的端点判定思路，并对照测试图像评估检测准确性。这些技术在智能监控、自动化检测、机器人视觉导航及远程设备数据分析中均有应用价值，适合作为图像结构特征提取的入门实践素材。
1. 骨架端点提取到底在解决什么问题
做图像测量和工业视觉的朋友大概率遇到过这种场景：拿到一张二值化后的骨架图，想知道每个分支的末端到底落在哪个像素上，用来算长度、定位缺陷、做路径规划。matlab开发-SkeletonEndpoints这个标题指向的就是这件事——从骨架（Skeleton）里把端点（Endpoints）稳定地找出来。骨架是形态学细化后的单像素宽中心线，端点则是这条线上只有一个邻居的像素点。听起来简单，但真上手你会发现，毛刺、短枝、8 邻域判定歧义会让端点数量翻倍甚至翻几倍，这就是很多人第一次跑完觉得“玄学”的地方。这篇笔记面向两类人：一类是刚接触 MATLAB 图像处理、想跑通最小可用流程的新手；另一类是做工业检测、生物图像分析，需要把端点提取嵌进批处理流水线的熟手。我会把原理、代码、参数、踩坑按可复现的顺序讲清楚，你照着改几个路径就能跑。
2. 骨架端点的判定原理与 MATLAB 实现选型
2.1 端点为什么不能靠“数邻居”一句话带过
骨架端点最朴素的定义是：在 8 邻域内，非零邻居数量等于 1 的骨架像素。这个定义在理想单像素线上成立，但真实骨架几乎不理想。细化算法（比如bwmorph的'thin'或'skel'）会在拐角、交叉处留下 2×2 的方块或阶梯状结构，导致某些端点像素的邻居数变成 2 甚至 3。另一个问题是短枝（spur）：细化会把物体边缘的小凸起也拉出一条 3～5 像素的短线，这条线的末端同样满足“邻居数等于 1”，于是被误判成端点。
所以工程上通常分两步：先做端点候选检测，再用长度阈值或形态学剪枝去掉假端点。MATLAB 里没有直接叫skeletonEndpoints的内置函数，常见做法是用bwmorph配合卷积核统计邻居，或者用regionprops的'PixelList'自己算邻接关系。选型上我一般推荐卷积法，因为向量化后速度快，批处理几千张图也不至于卡死。
2.2 用 bwmorph 加卷积核提取端点候选
下面这段代码是最小可复现版本，输入是一张二值图，输出端点坐标和叠加可视化。核心思路：先细化得到骨架，再用一个 3×3 全 1 卷积核统计每个骨架像素的 8 邻域和，和等于 1 的就是候选端点。
% 读取并二值化 I = imread('sample.png'); if size(I,3) == 3 I = rgb2gray(I); end BW = imbinarize(I, 'adaptive', 'Sensitivity', 0.5); % 形态学清理：去小面积噪点，填小孔 BW = bwareaopen(BW, 30); BW = imfill(BW, 'holes'); % 细化得到骨架 skel = bwmorph(BW, 'thin', Inf); % 用卷积统计 8 邻域和 kernel = ones(3); kernel(2,2) = 0; % 中心不算邻居 neighborCount = conv2(double(skel), kernel, 'same'); % 候选端点：骨架像素且邻居数为 1 endpointCandidates = skel & (neighborCount == 1); % 提取坐标 [rows, cols] = find(endpointCandidates); fprintf('候选端点数：%d\n', numel(rows)); % 可视化 figure; imshow(I); hold on; visboundaries(skel, 'Color', 'g', 'LineWidth', 0.5); plot(cols, rows, 'ro', 'MarkerSize', 8, 'LineWidth', 1.5); title('绿色：骨架 红色：候选端点');逻辑说明：bwmorph(BW,'thin',Inf)里的Inf表示反复细化直到图像不再变化，这是得到稳定骨架的关键，如果写成固定次数（比如 5），细长物体可能没细化透，端点位置会偏移。conv2的'same'保证输出尺寸和输入一致，边界像素的邻域会被零填充，这对靠近图像边缘的骨架有轻微影响，后面避坑章节会讲。neighborCount == 1是硬阈值，没有容错，所以候选端点里一定混着短枝末端。
参数说明：bwareaopen的面积阈值 30 是经验值，针对 1000×1000 左右的图；如果你的图很小（比如 200×200），这个值要降到 5～10，否则会把真实的小物体整个删掉。imbinarize的Sensitivity控制自适应阈值的敏感度，0.5 是中性值，光照不均时调到 0.4～0.45 能保留更多暗部细节，但噪点也会变多。
2.3 剪枝去假端点：长度阈值怎么定
候选端点里那些短枝末端，处理办法是从端点出发沿骨架追踪，如果追踪路径长度小于阈值就整条删掉。MATLAB 没有现成的骨架追踪函数，我一般用bwlabel配合迭代腐蚀，或者自己写一个基于队列的追踪。下面给一个简化版：对每个候选端点，做 N 次邻域膨胀并和骨架求交，看能走多远。
minBranchLen = 8; % 短枝长度阈值，单位像素 prunedSkel = skel; for k = 1:numel(rows) r = rows(k); c = cols(k); visited = false(size(skel)); queue = [r, c]; pathLen = 0; while ~isempty(queue) && pathLen < minBranchLen cur = queue(1,:); queue(1,:) = []; if visited(cur(1), cur(2)); continue; end visited(cur(1), cur(2)) = true; pathLen = pathLen + 1; % 8 邻域扩展 for dr = -1:1 for dc = -1:1 nr = cur(1)+dr; nc = cur(2)+dc; if nr>=1 && nr<=size(skel,1) && nc>=1 && nc<=size(skel,2) ... && skel(nr,nc) && ~visited(nr,nc) queue(end+1,:) = [nr, nc]; %#ok<AGROW> end end end end if pathLen < minBranchLen % 整条短枝删除：把 visited 里的骨架像素置零 prunedSkel(visited & skel) = false; end end % 重新计算端点 neighborCount2 = conv2(double(prunedSkel), kernel, 'same'); endpointsFinal = prunedSkel & (neighborCount2 == 1); [rowsF, colsF] = find(endpointsFinal); fprintf('剪枝后端点：%d\n', numel(rowsF));逻辑说明：这段追踪是广度优先，visited防止绕圈。pathLen统计的是从端点出发走过的像素数，不是欧氏距离，所以阈值 8 大致对应 8 像素长的短枝。剪枝时把整条 visited 路径从骨架里抹掉，而不是只删端点像素，否则会留下一个“断头”又变成新端点。参数minBranchLen是最需要调的：太小去不干净，太大可能把真实的分支末端也剪掉。经验上，如果你的物体最小真实分支长度是 20 像素，阈值设 8～10 比较安全。
2.4 批处理时的内存与速度取舍
单张图跑上面流程没问题，但如果你有几千张图，for循环里反复conv2和 BFS 会拖慢。我一般做两个优化：一是把conv2换成imfilter并指定'replicate'边界，速度略快；二是把剪枝的 BFS 改成基于bwlabel的连通域分析——先标记骨架的所有分支，再按分支长度过滤。不过后者实现复杂，图不多的话没必要。内存方面，double(skel)会把逻辑矩阵变成 8 字节每像素，1000×1000 就是 8MB，几千张循环时记得clear临时变量，否则 MATLAB 的工作区会爆。
3. 从骨架到端点：完整流水线的参数调优
3.1 预处理阶段决定端点上限
很多人把注意力全放在端点检测算法上，忽略了预处理。实际上，二值化质量直接决定骨架质量，骨架质量决定端点数量。我做过一组对比：同一张工业零件图，用 Otsu 全局阈值和自适应阈值分别处理，细化后的骨架端点数量差了 40%。Otsu 在光照均匀时干净，但零件表面有反光时会把反光区域也二值化进去，细化后多出一堆短枝。自适应阈值能压制反光，但Sensitivity调太高会把背景噪点也变成前景。
我的习惯是：先看直方图，如果双峰明显就用 Otsu；如果单峰或拖尾严重，用自适应。自适应之后一定跟bwareaopen和imclose（小半径圆盘，比如strel('disk',2)）把断裂连上、把毛刺磨掉。注意imclose的半径不要超过 3，否则会把两个靠近的物体粘在一起，骨架会多出一条虚假连接。
3.2 细化算法的选择与端点稳定性
MATLAB 里做细化主要有两个函数：bwmorph(BW,'thin',Inf)和bwmorph(BW,'skel',Inf)。'thin'保留拓扑结构，端点位置对噪声更敏感；'skel'基于中轴变换，对边界噪声更鲁棒，但可能产生更多短枝。我一般先用'thin'，因为它的单像素性更好，端点不会出现 2×2 块。如果你发现端点总是成对出现（两个端点挨着），大概率是细化没做透，检查Inf有没有写对，或者图像里有 2 像素宽的线导致细化卡住。
另一个细节：细化前把图像padarray补一圈零，可以避免边界骨架被截断。补零后端点检测完再裁掉，坐标记得减掉 padding 量。这个操作对靠近图像边缘的物体特别有用，不补的话边缘端点会丢失。
3.3 端点合并与去重：距离阈值怎么设
剪枝后仍可能有两个端点距离很近（比如 2～3 像素），它们其实是同一个物理端点的不同像素表示。这时候需要做一次聚类合并：把距离小于mergeDist的端点归为一组，取质心作为最终端点。mergeDist一般设 3～5 像素，取决于你的骨架宽度——虽然骨架是单像素，但拐角处可能有阶梯，导致端点偏移 1～2 像素。
mergeDist = 4; pts = [rowsF, colsF]; if ~isempty(pts) % pdist2 计算两两距离 D = pdist2(pts, pts); % 用简单的贪心合并 used = false(size(pts,1),1); mergedPts = []; for i = 1:size(pts,1) if used(i); continue; end group = find(D(i,:) < mergeDist); used(group) = true; mergedPts(end+1,:) = mean(pts(group,:), 1); %#ok<AGROW> end fprintf('合并后端点：%d\n', size(mergedPts,1)); end逻辑说明：pdist2返回距离矩阵，贪心合并从第一个未使用的点开始，把距离它小于阈值的所有点归为一组，取平均坐标。这个做法在端点数量少时够用，如果端点上百个，pdist2的 O(n²) 内存会有点吃力，可以改用rangesearch做半径搜索。参数mergeDist不要超过 5，否则会把两个真实靠近的端点错误合并，比如细长 V 形物体的两个尖端。
3.4 用 regionprops 做交叉验证
为了确认端点没漏没多，我习惯用regionprops的'PixelList'独立算一遍邻接关系，和卷积法的结果对比。两者一致说明流程稳定，不一致就去查是哪一步的边界条件出了问题。这个方法在调试阶段很费时间，但能帮你建立对参数的直觉。
stats = regionprops(prunedSkel, 'PixelList'); allPts = vertcat(stats.PixelList); % 对每个像素算 8 邻域和 cnt = zeros(size(allPts,1),1); for i = 1:size(allPts,1) r = allPts(i,2); c = allPts(i,1); cnt(i) = sum(sum(prunedSkel(max(1,r-1):min(end,r+1), ... max(1,c-1):min(end,c+1)))) - 1; end endpointsAlt = allPts(cnt == 1, :); fprintf('regionprops 法端点数：%d\n', size(endpointsAlt,1));这段代码没有向量化，跑大图慢，但逻辑直白，适合验证。注意cnt减 1 是因为求和包含了中心像素自己。
4. 避坑与常见问题排查
4.1 端点数量比预期多好几倍
现象：一张简单线条图，肉眼只有两个端点，程序输出十几个。原因：细化后骨架上有大量 1～3 像素的短枝，每个短枝末端都被判为端点。解决：先做剪枝，minBranchLen从 5 开始试，逐步加到 10；同时检查二值化是不是把背景噪点也弄进来了，用bwareaopen把面积小于 20 的连通域删掉。
4.2 端点坐标总是偏移一两个像素
现象：可视化时红点没有精确落在骨架末端，而是偏了一点。原因：conv2的'same'边界零填充导致边缘像素的邻居统计不准；或者find返回的是行列索引，plot时 x 和 y 写反了。解决：靠近边缘的骨架先padarray补零再检测；plot时记住plot(cols, rows)，MATLAB 的图像坐标系是行对应 y、列对应 x。
4.3 剪枝把真实端点也删了
现象：剪枝后端点数量变成 0，但物体明明有分支。原因：minBranchLen设得太大，把短的真实分支当短枝剪了；或者 BFS 追踪时visited逻辑有 bug，把整条骨架都标记了。解决：先把minBranchLen降到 3，看端点是否恢复；如果恢复，说明阈值问题，逐步往上调找到临界值。同时打印每条分支的长度分布，用直方图看短枝和真实分支的分界在哪里。
4.4 批处理时内存持续增长直到崩溃
现象：循环处理几百张图后 MATLAB 变卡，最后报内存不足。原因：每次循环的conv2、double转换、pdist2都产生临时大矩阵，没有及时释放；figure如果每张都画也会累积句柄。解决：循环内用clear清理临时变量；可视化改成每 50 张画一次，或者用close all关掉旧图；pdist2换成rangesearch减少内存占用。
4.5 不同图片端点结果不一致，参数没法统一
现象：同一批图，有的端点很准，有的多出很多假端点。原因：光照和对比度差异导致二值化质量波动，固定阈值和固定minBranchLen不可能适配所有图。解决：把二值化改成自适应，Sensitivity按图像对比度动态调（比如用graythresh的结果做参考）；剪枝阈值按骨架总像素数的比例设，比如minBranchLen = max(5, round(0.01 * numel(skel)))，这样大图小图都能自适应。
5. 进阶：把端点提取嵌进测量流水线的一个技巧
如果你做的是长度测量或缺陷定位，端点提取只是中间步骤，最终要的是端点之间的路径长度或端点相对物体的位置。这里分享一个我常用的技巧：不要孤立地看端点，而是把骨架转成图结构，用graph或digraph表示，端点就是度为 1 的节点，交叉点是度大于 2 的节点。这样你可以直接用图算法算最短路径、分支长度，比在像素层面 BFS 干净得多。
% 把骨架像素转成图节点 [skelRows, skelCols] = find(prunedSkel); numPix = numel(skelRows); % 建立像素到节点编号的映射 idxMap = zeros(size(prunedSkel)); idxMap(sub2ind(size(prunedSkel), skelRows, skelCols)) = 1:numPix; % 构建边：8 邻域内相邻的骨架像素连边 s = []; t = []; for i = 1:numPix r = skelRows(i); c = skelCols(i); for dr = -1:1 for dc = -1:1 if dr == 0 && dc == 0; continue; end nr = r+dr; nc = c+dc; if nr>=1 && nr<=size(prunedSkel,1) && nc>=1 && nc<=size(prunedSkel,2) j = idxMap(nr, nc); if j > 0 s(end+1) = i; t(end+1) = j; %#ok<AGROW> end end end end end G = graph(s, t); deg = degree(G); endpointNodes = find(deg == 1); fprintf('图结构端点节点数：%d\n', numel(endpointNodes)); % 算两个端点间的最短路径长度（像素数） if numel(endpointNodes) >= 2 [path, d] = shortestpath(G, endpointNodes(1), endpointNodes(2)); fprintf('端点间路径长度：%d 像素\n', d); end逻辑说明：idxMap把二维坐标映射到一维节点编号，然后遍历每个骨架像素的 8 邻域建边。因为是无向图，s和t会重复存两次边，graph会自动处理。degree返回每个节点的度，度为 1 就是端点。shortestpath算的是边数，也就是像素步数，如果你需要欧氏长度，可以在建边时给权重（对角边权重sqrt(2)，水平垂直权重 1），然后用shortestpath(G, n1, n2, 'Method', 'positive')。
这个图结构的最大好处是可扩展：你可以把端点作为图的叶子节点，交叉点作为内部节点，整张骨架就是一棵树（如果物体没有环）。树的直径就是物体最长路径，端点对就是直径的两端。我做过一个血管长度测量的小工具，就是靠这个思路，比逐像素追踪稳定得多，而且 MATLAB 的graph自带可视化，调试时一眼就能看出哪条边连错了。
参数上唯一要注意的是建边时的邻域范围：8 邻域会引入对角连接，如果骨架有 2×2 块，对角连接会产生三角形，导致图里有环。解决办法是细化后先检查有没有 2×2 块，有的话用bwmorph(skel,'clean')清一下，或者建边时只连水平和垂直邻居（4 邻域），但这样路径长度会偏大。我一般用 8 邻域加clean，实测最稳。
最后说个血泪教训：端点提取的精度不取决于算法多复杂，而取决于预处理有没有把噪声和毛刺清干净。我早期总想在端点检测环节加各种容错，后来发现把二值化和剪枝做扎实，后面就是水到渠成。现在我的习惯是每换一批图，先抽 5 张跑一遍，把骨架和端点叠在原图上肉眼过一遍，确认没有系统性偏移再批量跑。这个习惯帮我省了无数后悔药。希望帮到你。
本文还有配套的精品资源，点击获取
