如何清理道路骨架细化结果中过近的Harris角点（Julia实现）

核心思路 #

要处理间距过近的角点，核心是先提取所有角点的坐标，基于设定的距离阈值筛选出需要保留的角点，将剩余过近的角点从角点集合中移除（设为白色）。具体步骤：

• 提取所有角点的笛卡尔坐标
• 计算点间欧氏距离，标记过近的冗余点
• 仅保留每个近邻点簇的一个代表点，其余还原为白色背景

修改后的代码实现 #

using Images
using LinearAlgebra

# 1. 骨架提取与初始角点检测
t = thinning(road_image)
detection_method = harris
corners = imcorner(t, Percentile(99.5); method=detection_method)

# 2. 提取所有角点的坐标
corner_coords = findall(corners)
# 设置距离阈值（根据图像尺寸调整，示例设为5像素）
distance_threshold = 5

# 3. 标记需要保留的角点
keep_corner = trues(length(corner_coords))
for i in 1:length(corner_coords)
    if keep_corner[i]  # 仅处理未被标记为移除的点
        for j in (i+1):length(corner_coords)
            # 计算两点间的欧氏距离
            dist = norm(Tuple(corner_coords[i]) .- Tuple(corner_coords[j]))
            if dist < distance_threshold
                keep_corner[j] = false  # 标记为冗余点
            end
        end
    end
end

# 4. 筛选出最终保留的角点
filtered_corner_coords = corner_coords[keep_corner]

# 5. 生成可视化图像：先还原所有原角点为白色，再标记保留的角点为红色
img_labels = RGB{N0f8}.(t)
img_labels[corner_coords] .= RGB(1.0, 1.0, 1.0)
img_labels[filtered_corner_coords] .= RGB(1.0, 0.0, 0.0)

关键说明 #

• 阈值调整：distance_threshold的取值需结合图像分辨率和角点密集度调整，分辨率高则适当增大阈值。
• 效率优化：若角点数量极大，可改用KD-Tree等高效近邻搜索算法替代双重循环，提升处理速度。
• 替代方案：也可对初始角点图corners执行形态学开运算（imopen(corners, strel_diamond(2))），先去除小簇角点，但精准度不如基于距离的筛选。

内容的提问来源于stack exchange，提问作者F612