你几乎得到了它,但我想到的(来自评论)更像是这样：

>准备图像

切换到灰度,消除噪音(通过一些模糊),增强动态范围等.
>通过x,y轴导出图像并创建渐变2D场

所以重新着色图像并创建2D矢量场.每个像素都有RGB,因此对一个轴使用R而对另一个使用B.我是这样做的：

Blue(x,y)=abs(IntensITy(x,y)-intensity(x-1,y))
red (x,y)-Intensity(x,y-1))

子结果如下所示：

>阈值图像以强调边缘

因此,选择每个像素并比较蓝色(x,y)红色(x,y)< treshold,如果真的重新着色到未知的其他重新着色到边缘颜色.对于您的样本图像,我使用阈值24之后平滑结果以填充模糊颜色的小间隙.子结果如下所示：

绿色的东西是我未知的颜色,白色是边缘.正如你所看到的,我模糊了很多(懒得实现连接的组件).
>检测背景

所以现在要区分背景和里面的骨头我使用特殊的填充方法(但是简单的填充填充会做)我开发的DIP东西,并发现非常有用多次超过以前的期望.

void growfill(DWORD c0,DWORD c1,DWORD c2); // grow/flood fill c0 neigbouring c1 with c2

它只是检查图像中的所有像素,如果在c1附近找到颜色c0,则将其重新循环到c2并循环,直到没有重新着色.由于不需要递归或堆栈/堆/列表,因此更大的分辨率通常比泛洪更快.此外,它可用于许多很酷的效果,如稀释/加厚等,只需简单的几个电话.

好的回到我选择3种基色的主题：

//RRGGBB
const DWORD col_unkNown   =0x00408020;  // yet undetermined pixels
const DWORD col_background=0x00000000;
const DWORD col_Edge      =0x00FFFFFF;

现在背景是边缘肯定所以我用col_background绘制矩形图像和增长填充col_background附近的所有col_unkNown像素与col_background基本上洪水填充图像从外到内.

在此之后,我将所有不是3种定义颜色中的任何颜色的像素重新着色到它们最接近的匹配.这将消除模糊,因为它不再需要.子结果如下所示：

>细分/标签

现在只扫描整个图像,如果发现任何col_unkNown,则使用对象不同的颜色/索引填充它.更改实际对象的不同颜色/索引(增量)并继续直到图像结束.请注意您拥有的颜色,以避免使用3种预定颜色,否则您将合并您不想要的区域.

最终结果如下：

>现在您可以应用任何形式的分析/比较

您有每个对象区域的像素掩码,因此您可以计算像素(区域)并删除忽略太小的区域.计算每个对象的平均像素位置(中心),并使用它来检测它实际上是哪个骨骼.计算区域的同质性…重新缩放到模板骨骼……等等……

这里有一些C代码我这样做了

color c,d;
int x,y,i,i0,i1;
int tr0=Form1->sb_treshold0->Position;  // =24 treshold From scrollbar
                             //RRGGBB
const DWORD col_unkNown   =0x00408020;  // yet undetermined pixels
const DWORD col_background=0x00000000;
const DWORD col_edge      =0x00FFFFFF;
// [PRepare image]
pic1=pic0;                  // copy input image pic0 to output pic1
pic1.pixel_format(_pf_u);   // convert to grayscale intensity <0,765>
pic1.enhance_range();       // recompute colors so they cover full dynamic range
pic1.smooth(1);             // blur a bit to remove noise
// extract edges
pic1.deriveaxy();           // compute derivations (change in intensity in x and y axis as 2D gradient vector)
pic1.save("out0.png");
pic1.pf=_pf_rgba;           // from Now on the recolored image will be RGBA (no need for conversion)
for (y=0;y<pic1.ys;y++)     // treshold recolor
 for (x=0;x<pic1.xs;x++)
    {
    c=pic1.p[y][x];
    i=c.dw[picture::_x]+c.dw[picture::_y];              // i=|dcolor/dx| + |dcolor/dy|
    if (i<tr0) c.dd=col_unkNown; else c.dd=col_edge;    // treshold test&amp;recolor
    pic1.p[y][x]=c;
    }
pic1.smooth(5);             // blur a bit to fill the small gaps
pic1.save("out1.png");

// [background]
// render backround color rectangle around image
pic1.bmp->Canvas->PEn->Color=rgB2Bgr(col_background);
pic1.bmp->Canvas->brush->Style=bsClear;
pic1.bmp->Canvas->Rectangle(0,pic1.xs,pic1.ys);
pic1.bmp->Canvas->Brush->Style=bsSolid;
// growth fill all col_unknonw pixels near col_background pixels with col_background similar to flooDFill but without recursion and more usable.
pic1.growfill(col_unkNown,col_background,col_background);
// recolor blured colors back to their closest match
for (y=0;y<pic1.ys;y++)
 for (x=0;x<pic1.xs;x++)
    {
    c=pic1.p[y][x];
    d.dd=col_edge      ; i=abs(c.db[0]-d.db[0])+abs(c.db[1]-d.db[1])+abs(c.db[2]-d.db[2]);             i0=i; i1=col_edge;
    d.dd=col_unkNown   ; i=abs(c.db[0]-d.db[0])+abs(c.db[1]-d.db[1])+abs(c.db[2]-d.db[2]); if (i0>i) { i0=i; i1=d.dd; }
    d.dd=col_background; i=abs(c.db[0]-d.db[0])+abs(c.db[1]-d.db[1])+abs(c.db[2]-d.db[2]); if (i0>i) { i0=i; i1=d.dd; }
    pic1.p[y][x].dd=i1;
    }
pic1.save("out2.png");

// [segmentation/labeling]
i=0x00202020; // labeling color/idx
for (y=0;y<pic1.ys;y++)
 for (x=0;x<pic1.xs;x++)
  if (pic1.p[y][x].dd==col_unkNown)
    {
    pic1.p[y][x].dd=i;
    pic1.growfill(col_unkNown,i);
    i+=0x00050340;
    }
pic1.save("out3.png");

我使用自己的图片类图片,所以一些成员是：

> xs,ys图像大小,以像素为单位
> p [y] [x] .dd是(x,y)位置的像素,为32位整数类型
> p [y] [x] .dw [2]是(x,为2D场的2×16位整数类型
> p [y] [x] .db [4]是(x,为4×8位整数类型,便于通道访问
>清晰(彩色) – 清除整个图像
> resize(xs,ys) – 将图像调整为新分辨率
> bmp – VCL封装了带Canvas访问的GDI Bitmap
> smooth(n) – 快速模糊图像n次
> growfill(DWORD c0,DWORD c2) – 使用c2生长/填充c0 neigbouring c1

[Edit1]基于扫描线的骨骼检测

与链接查找范围QA一样,您必须投射扫描线并搜索识别骨骼的不同特征.我会从图像的局部推导开始(在x轴上)像这样::

左边是x的颜色强度推导(灰色表示零)和右边的原始图像.侧图是作为x和y的函数的推导图,用于实际鼠标位置的行和行.如您所见,每个骨骼在推导中具有可以检测到的独特形状.我使用了一个非常简单的探测器：

>对于已处理的图像行,请执行x的部分派生
>找到所有的山峰(圆圈)
>删除太小的峰并将相同的符号峰合并在一起
>通过4个随后的峰检测骨骼：

>大阴性
>小积极
>小负面
>大积极

对于每个找到的骨骼边缘,我在原始图像中渲染红色和蓝色像素(代替大峰值)以在视觉上检查正确性.您也可以在y轴上以相同的方式执行此操作并合并结果.为了改善这一点,您应该使用更好的检测,例如通过使用相关性…

而不是边缘渲染您可以轻松创建骨骼的蒙版,然后将其分割为单独的骨骼和句柄,如上文所示.您还可以使用形态学操作来填补任何空白.

我能想到的最后一件事是为骨骼的关节侧添加一些检测(形状有所不同).它需要大量的实验,但至少你知道要走哪条路.