如何使用Python识别已提取中轴(medial axis)的端点与关节点

核心判断逻辑基于骨架点的8邻域连通像素计数：

• 端点：8邻域内仅存在1个其他骨架像素
• 关节点（分叉点）：8邻域内存在≥3个其他骨架像素
• 普通骨架点：8邻域内存在2个其他骨架像素

以下是可直接运行的实现代码，可直接承接你已有的骨架提取逻辑：

import numpy as np
from PIL import Image
from skimage.morphology import skeletonize

# 你已有的骨架提取代码
image = Image.open('path/to/img.png')
image = (np.array(image) / 255).astype(np.uint8)
medial = skeletonize(image)

# 定义8邻域的坐标偏移量
neighbors_8 = [(-1, -1), (-1, 0), (-1, 1),
               (0, -1),          (0, 1),
               (1, -1),  (1, 0), (1, 1)]

endpoints = []
junctions = []
h, w = medial.shape

# 遍历所有骨架点做分类
for y in range(h):
    for x in range(w):
        if medial[y, x] == 1:
            neighbor_cnt = 0
            for dy, dx in neighbors_8:
                ny, nx = y + dy, x + dx
                # 边界合法性判断
                if 0 <= ny < h and 0 <= nx < w and medial[ny, nx] == 1:
                    neighbor_cnt += 1
            if neighbor_cnt == 1:
                endpoints.append((x, y))
            elif neighbor_cnt >= 3:
                junctions.append((x, y))

print(f"端点数量：{len(endpoints)}，坐标：{endpoints}")
print(f"关节点数量：{len(junctions)}，坐标：{junctions}")

可选优化：如果提取的骨架存在细小毛刺、噪点，可先调用skimage.morphology.opening对骨架做一次小核的形态学开运算，过滤干扰后再做邻域计数，能大幅降低误判概率。

内容的提问来源于stack exchange，提问作者Qimin Chen