如何将锯齿状平面图点集分割为规整线段？

墙体点链示例 #

原始点链数据（JSON格式） #

"walls": [
    {
        "start": {
            "x": 666,
            "y": 137
        },
        "end": {
            "x": 666,
            "y": 138
        },
        "length": 1.0
    },
    {
        "start": {
            "x": 666,
            "y": 138
        },
        "end": {
            "x": 667,
            "y": 139
        },
        "length": 1.41
    },
    {
        "start": {
            "x": 667,
            "y": 139
        },
        "end": {
            "x": 668,
            "y": 140
        },
        "length": 1.41
    }
]

问题背景 #

我正在进行2D平面图后处理：提取墙体骨架后得到一组无序、带噪声的锯齿状点链，需将其转化为少量匹配原始建筑线条的长直或平缓曲线段。

已尝试方案 #

• 骨架提取+深度优先路径追踪：对二值掩码做骨架化后收集点链，但折线保留像素级不规则，生成大量微小线段。
• 霍夫变换&LSD线段检测：检测出大量短小重叠线段，合并后仍存在间隙或重复段。
• Ramer–Douglas–Peucker折线简化算法：减少顶点数量，但易因轻微曲率或噪声拆分连续墙体。

现有方案不足 #

• 骨架点链的像素级噪声过大
• 霍夫/LSD无法可靠合并为单段墙体，易拆分或过度合并
• 简化算法无法保证墙体的直线性或一致曲率

需求 #

• 用稳健方法将锯齿状点链/重叠短线段转化为最小集合的规整直段或平滑曲线，对齐原始墙体
• 可处理小间隙、合并共线片段、剔除虚假短分支，输出单段墙体的端点定义线段或平滑曲线

环境约束 #

• 输入为1-3px宽、1024×1024分辨率的2D平面图掩码
• 需支持批量处理数百张平面图
• 优先OpenCV/C++或Python（numpy/scipy/skimage）实现，可考虑重量级库

解决方案指引 #

1. 预处理：降噪与骨架优化

先对骨架点链做平滑降噪，比如用滑动窗口均值滤波或B样条预平滑，再结合形态学开运算（cv2.morphologyEx）去除微小毛刺。Python中可先用skimage.morphology.skeletonize生成骨架，再通过scipy.ndimage.gaussian_filter轻度模糊后二值化，减少像素级噪声。

2. 线段合并与规整：RANSAC直线拟合+共线段合并

• 对预处理后的点链用RANSAC算法拟合直线，设置2-3px的距离阈值筛选符合墙体特征的直线段；
• 按方向聚类（角度差小于5°视为同方向），对同方向线段做共线判断：计算线段端点到另一条线段的距离，小于阈值则合并为长线段；
• 可通过OpenCV的cv2.fitLine结合RANSAC，或skimage.measure.LineModelND实现拟合。

3. 曲线段处理：贝塞尔/B样条拟合

对于非直线的平缓墙体，先通过相邻线段角度差（大于阈值但小于45°）筛选曲线段，再用贝塞尔曲线或B样条曲线拟合，通过控制点数量控制平滑度。Python中可使用scipy.interpolate.splprep和splev实现B样条拟合。

4. 分支剔除与后处理

计算所有线段长度，剔除长度小于10px的虚假分支；对合并后的线段做端点连接，填补5px以内的小间隙。

Python代码示例

import numpy as np
import cv2
import json
from skimage.morphology import skeletonize
from scipy.interpolate import splprep, splev

# 1. 预处理：读取掩码并生成优化骨架
mask = cv2.imread('floor_plan_mask.png', 0)
mask = cv2.threshold(mask, 127, 255, cv2.THRESH_BINARY)[1]
blurred = cv2.GaussianBlur(mask, (3,3), 0)
skeleton = skeletonize(blurred/255).astype(np.uint8)*255

# 2. 提取骨架点链
contours, _ = cv2.findContours(skeleton, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
point_chains = [cnt.reshape(-1,2) for cnt in contours if len(cnt) > 5]

# 3. 拟合直线或曲线
processed_segments = []
for chain in point_chains:
    # RANSAC直线拟合
    model = cv2.fitLine(chain, cv2.DIST_L2, 0, 0.01, 0.01)
    vx, vy, x0, y0 = model
    distances = np.abs(vy*(chain[:,0]-x0) - vx*(chain[:,1]-y0)) / np.sqrt(vx**2 + vy**2)
    
    if np.mean(distances) < 2:
        # 判定为直线，取首尾端点
        start = chain[0]
        end = chain[-1]
        processed_segments.append({
            "start": {"x": int(start[0]), "y": int(start[1])},
            "end": {"x": int(end[0]), "y": int(end[1])},
            "type": "line"
        })
    else:
        # 拟合B样条曲线
        tck, u = splprep([chain[:,0], chain[:,1]], s=10)
        new_points = splev(np.linspace(0,1,20), tck)
        processed_segments.append({
            "start": {"x": int(new_points[0][0]), "y": int(new_points[1][0])},
            "end": {"x": int(new_points[0][-1]), "y": int(new_points[1][-1])},
            "control_points": list(zip(new_points[0].astype(int), new_points[1].astype(int))),
            "type": "curve"
        })

# 4. 共线段合并（简化逻辑，需根据实际情况优化）
# ...（此处可添加角度聚类、距离判断的合并代码）

# 输出结果
print(json.dumps(processed_segments, indent=2))

内容的提问来源于stack exchange，提问作者baloo