如何利用空间滤波与矩阵运算识别迷宫图像的交点与端点

一、图像预处理：二值化转换 #

先将迷宫图像转换为二值矩阵：把黑色路径像素设为1，白色背景设为0，得到尺寸为H×W的矩阵M。可以用OpenCV的工具快速实现：

import cv2
import numpy as np

img = cv2.imread("maze.png", 0)
_, binary_img = cv2.threshold(img, 127, 1, cv2.THRESH_BINARY_INV)
M = np.array(binary_img)

二、邻域连通数计算（空间滤波核心） #

交点和端点的本质区别是邻域内连通的路径数量，我们用3×3滑动窗口（空间滤波）批量统计每个路径点的连通数：

1. 设计全1卷积核K = np.ones((3,3))，对二值矩阵M做卷积运算，得到每个点的3×3邻域像素和矩阵S
2. 连通数矩阵C = S - M：减去当前点自身的1，得到邻域内其他路径点的数量

这一步的卷积运算等价于手动滑动窗口统计，但效率更高，适合批量处理大尺寸图像。

三、交点与端点的判定规则 #

遍历连通数矩阵C，结合原二值矩阵M（确保是路径点）：

• 端点（蓝点）：当C[i][j] == 1且M[i][j] == 1时，该点是端点（仅1个方向连通）
• 交点（红点）：当C[i][j] >= 3且M[i][j] == 1时，该点是交点（3个或4个方向连通）

四、结果可视化 #

将识别出的点标记到原图像上：

# 读取彩色原图用于标记
color_img = cv2.imread("maze.png")

# 遍历矩阵标记点
for i in range(M.shape[0]):
    for j in range(M.shape[1]):
        if M[i][j] == 1:
            if C[i][j] == 1:
                # 标记蓝点（端点）
                cv2.circle(color_img, (j, i), 3, (255, 0, 0), -1)
            elif C[i][j] >= 3:
                # 标记红点（交点）
                cv2.circle(color_img, (j, i), 3, (0, 0, 255), -1)

cv2.imwrite("marked_maze.png", color_img)

内容的提问来源于stack exchange，提问作者Yixuan Liu