OpenCV

【C++】OpenCVを使った画像スケルトン化でシンプルに線画抽出する方法

2025-04-22更新日: 2025-04-22

C++とOpenCVの組み合わせでスケルトン化は、画像中のオブジェクトを細い線に変換できる手法です。

画像を二値化した上で、OpenCVのximgprocモジュールに含まれるthinning関数を利用すれば、Zhang-SuenやGuo-Hallなどのアルゴリズムを適用可能で、手軽に形状情報を抽出できるというメリットがあります。

目次から探す

スケルトン化の概念

基本的な定義

スケルトン化とは、画像内の対象物を極細い線に変換する処理です。

対象の形状を保持しながら、骨格のような表現が得られるため、画像解析やパターン認識、形状マッチングなどの分野で役立ちます。

筆記体や複雑な構造物の輪郭を、一本の線にまとめることで、処理負荷が軽減されるメリットがあります。

適用対象となる画像の特徴

スケルトン化は主に以下のような画像に適用されます。

被写体と背景のコントラストがはっきりしているグレースケール画像
形状の境界が明確な手書き文字や図形
ノイズが少なく、主要な形状情報が抽出済みの二値画像

画像の内容や画質によっては、前処理が必要な場合があるため、事前に適切な二値化やノイズ除去を行うと効果的です。

メリットと制約

スケルトン化のメリットと制約を以下にまとめます。

メリット
- 画像データの次元削減が可能になり、処理速度が向上する
- 形状の特徴がシンプルに抽出でき、解析や認識の精度が上がる可能性がある
- 空間的な情報をコンパクトに保持できるため、パターンマッチングが容易になる
制約
- 前処理が不十分な場合、不要な枝分かれや途切れが発生することがある
- 連続した線が分断されるなど、細かい部分の情報損失が起こる可能性がある
- ノイズや背景の情報が残ると、正確なスケルトン化が難しくなる

OpenCV ximgprocモジュールの利用ポイント

thinning関数の仕様

OpenCVの拡張モジュールであるximgprocには、画像のスケルトン化を実現するためのthinning関数が用意されています。

thinning関数は、対象の二値画像を入力として受け取り、細線化処理を実施するシンプルなAPIです。

この関数は、アルゴリズムの選択やパラメータ設定が可能なため、ユーザーの目的に合わせた柔軟な利用が可能です。

選択可能なアルゴリズム

thinning関数では、主に以下の2種類のアルゴリズムが提供されています。

Zhang-Suenアルゴリズム

Zhang-Suenアルゴリズムは、反復的に画像の境界ピクセルを削除する方法です。

処理は以下の2段階に分けられ、各ピクセルの8近傍の情報に基づいて削除の可否が決まります。

計算コストが低く、シンプルな実装のため広く利用されるアルゴリズムです。

また、 $A (p)$ と $B (p)$ という数式を用いて、各ピクセルの変更条件を判定する方法を採用しているため、数学的な根拠に基づいた安定した動作が期待できます。

Guo-Hallアルゴリズム

Guo-Hallアルゴリズムは、Zhang-Suen法と似たアプローチを取りますが、各ピクセルの削除条件をもう少し厳密に定義しています。

そのため、細部の再現性が高く、場合によってはより綺麗なスケルトンが得られることがあります。

計算量は若干増加する可能性があるため、用途に合わせた選択が推奨されます。

入力画像の条件と推奨設定

thinning関数の効果を最大限に引き出すためには、以下のような画像の設定がおすすめです。

グレースケール画像を用いる
事前に適切な二値化処理を実施する
ノイズ除去や平滑化の前処理を行う

特に、画像の二値化は正しいスケルトン化を実現するために非常に重要な工程です。

二値化されていない画像の場合、余分な情報が残り、正確なスケルトン化が難しくなるため注意してください。

画像前処理プロセス

二値化の手法

画像前処理の基本工程の一つに、二値化があります。

二値化は、画像中の各ピクセルの輝度値が、ある一定の閾値を超えたか否かによって、白または黒に変換される処理です。

OpenCVではcv::threshold関数を使用することで簡単に実装できます。

たとえば、次のようなコードで実施できます。

固定閾値：特定の閾値を設け、輝度値がその閾値を上回る場合は255、下回る場合は0に設定する
自動閾値：大津の手法などを用いて、画像のヒストグラムに基づいて最適な閾値を決定する

閾値処理の選択と設定

固定閾値の場合は、画像の明るさに応じた適切な閾値を選ぶ必要があります。

固定閾値はシンプルで高速な処理が可能ですが、光の状況に影響されやすいため、場合によっては適応的な閾値処理(Adaptive Thresholding)や大津の手法を組み合わせると良い結果が得られます。

ノイズ除去と平滑化

画像にノイズが含まれていると、スケルトン化の結果に不要な線や点が混入する可能性が高いので、前段階でのノイズ除去が重要です。

OpenCVのcv::GaussianBlurやcv::medianBlurなどの平滑化フィルタを利用すると、画像内の細かなノイズを取り除くことができます。

これにより、処理後のスケルトンがより明瞭な線として表現されるようになります。

前処理による効果の確認

前処理の効果は、実際に画像を表示して確認することがおすすめです。

cv::imshow関数やデバッグ出力を用いて中間結果を可視化することで、二値化やノイズ除去のパラメータ設定が適切かどうかをチェックできます。

これにより、後続のスケルトン化処理の精度向上に繋がります。

スケルトン化処理の実装ポイント

C++でのOpenCV利用の流れ

C++でOpenCVを利用してスケルトン化処理を実現する際の流れは、以下のようになります。

画像をグレースケールで読み込む
適切な二値化処理を実施する
cv::ximgproc::thinning関数を呼び出し、スケルトン化する
処理結果を表示または保存する

次のサンプルコードは、画像のスケルトン化の基本的な流れを示しています。

#include <opencv2/opencv.hpp>
#include <opencv2/ximgproc.hpp>
#include <iostream>
int main() {
    // inputImage.pngという名前の画像をグレースケールで読み込む
    cv::Mat image = cv::imread("inputImage.png", cv::IMREAD_GRAYSCALE);
    if (image.empty()) {
        std::cerr << "画像の読み込みに失敗しました。" << std::endl;
        return -1;
    }
    // 二値化処理 - 閾値128を基準に255と0に分割
    cv::Mat binaryImage;
    cv::threshold(image, binaryImage, 128, 255, cv::THRESH_BINARY);
    // thinning関数を使用してスケルトン化を実施
    cv::Mat skeleton;
    cv::ximgproc::thinning(binaryImage, skeleton, cv::ximgproc::THINNING_ZHANGSUEN);
    // 結果の画像をウィンドウに表示
    cv::imshow("Skeleton Output", skeleton);
    cv::waitKey(0);
    return 0;
}

(ウィンドウ内に細く変換された画像が表示されます)

このサンプルコードでは、画像読み込みと二値化、スケルトン化の順に処理を実施し、結果がウィンドウで確認できるようになっています。

コンパイルできない場合、ximgprocなど依存ライブラリのリンクが漏れている可能性があります。

-lopencv_core -lopencv_imgproc -lopencv_highgui -lopencv_ximgproc

画像が正しく読み込めなかった場合はエラーメッセージがコンソールに表示される仕組みです。

関数呼び出し時の注意点

スケルトン化処理を実施する際には、以下の点に注意が必要です。

入力画像は必ず二値化された状態であること
関数の引数として正しいアルゴリズムcv::ximgproc::THINNING_ZHANGSUENまたはcv::ximgproc::THINNING_GUOHALLを指定すること
前処理が不十分な場合、不要な線やノイズが結果に含まれる可能性があるため、画像の状態を十分に確認すること

これらの注意点を踏まえつつ、各処理段階でデバッグや確認を行うと安心です。

処理速度と精度のトレードオフ

スケルトン化の処理においては、処理速度と精度のバランスをどう取るかが重要なポイントです。

大きな画像を扱う場合やリアルタイム処理が求められる場合、最適なパラメータ設定やアルゴリズムの選択が求められます。

以下にいくつかの工夫例を挙げます。

パラメータ調整のヒント

閾値値の微調整

画像ごとに最適な閾値が異なる場合があるため、明るさやコントラストに応じた調整が必要です。

アルゴリズムの選択

Zhang-Suen法とGuo-Hall法で結果が異なるので、対象の画像内容に合わせて適切なものを選ぶと良いでしょう。

反復処理の回数を調整

反復回数が多いと精度が向上する場合もあるが、処理速度が低下するため、テストを重ねて最適なバランスを探してください。

リソース効率の検討

画像サイズの縮小

処理対象画像の解像度を下げることで、処理時間を短縮する方法があります。

細部が失われる可能性もあるため、要件に合わせた選択をしてください。

並列処理の活用

マルチスレッドやGPUを活用することで、大規模な画像処理でも高速に実行できる可能性があります。

OpenCVの並列処理機能などを調査し、活用するのも有効です。

これらの工夫を行うことで、スケルトン化の実装における処理の効率化と精度の向上が期待できます。

発生しうるエラーと対策

画像入力の問題と対処

画像が正しく読み込めない場合は、以下の点を確認してください。

画像ファイルのパスが正しいか
対応する画像形式であるか(JPEG、PNGなど)
ファイルにアクセス権限があるか

ファイルが存在しない場合や読み込みに失敗する場合は、エラーメッセージを表示する仕組みを用意して、ユーザーに状況を伝えると良いです。

処理結果の不具合原因の検証

スケルトン化後の画像に期待しない線やブロック状の部分が現れる場合、原因としては以下が考えられます。

二値化処理が不十分で、ノイズが残っている
前処理の平滑化が適切に設定されていない
thinning関数のアルゴリズム選択が画像に合っていない

各工程ごとに中間結果を確認し、問題の箇所を特定することが大切です。

デバッグ時の確認事項

デバッグを進める際の基本的な確認事項は以下の通りです。

読み込み画像のサイズとチャンネル数を確認する
中間の二値化画像を保存または表示して状態を確認する
アルゴリズムのパラメータが適切であるか、繰り返し処理の回数なども含めチェックする

これらの確認を順次行うことで、原因特定と対策の実施がしやすくなります。

性能評価と最適化の検討

実行速度の評価手法

実行速度を評価するためには、OpenCVのcv::getTickCountやC++標準ライブラリのstd::chronoを利用して、処理毎の時間を計測する方法が有効です。

具体的には、処理開始前と終了後のタイムスタンプを取得して、経過時間を算出します。

計測結果がユーザーの要求するレスポンス速度に合致しているかを確認すると良いです。

メモリ使用量の把握

画像処理では、特に高解像度画像の場合、メモリの使用量が増大する可能性があります。

メモリプロファイラなどを使用して、処理中のメモリ消費量をモニタリングし、必要に応じて画像サイズや処理方法の見直しを実施してください。

また、不要な変数の解放や、インプレース処理を活用することで効率が向上することもあります。

改善のための調整例

アルゴリズム選択の最適化

画像の内容や処理環境に合わせ、Zhang-SuenアルゴリズムとGuo-Hallアルゴリズムのどちらが適しているかをテストしながら選択してください。

選択にあたっては、処理時間だけでなく、スケルトンの精度や見た目も評価のポイントとなります。

パラメータ再調整による効果

二値化の閾値や前処理の平滑化パラメータ、反復回数などを変更することで、スケルトン化の結果に大きな影響が出ることが確認できる場合があります。

具体的な調整例として、以下のような検証が考えられます。

複数の閾値設定で二値化画像を生成し、それぞれのスケルトン化結果を比較する
前処理のフィルタサイズを変更して、ノイズ除去の効果を最適化する
反復処理の回数を少しずつ変えながら、線の連続性と処理時間のバランスを評価する

これらの調整を通して、最適なパラメータを見つけ、要求される精度と速度の両立が実現できるかを確認してください。

まとめ

各工程では、画像の前処理からスケルトン化処理、エラーへの対処まで柔軟な対応が求められます。

C++とOpenCVを組み合わせることで、シンプルかつ効果的に細線化処理を実現できます。

プロジェクトの内容に合わせた前処理やパラメータの調整を行うことで、より高精度な画像解析が可能になります。

すべての工程で確認を怠らず、改善の手法を試すことで、ユーザーにとって使いやすいスケルトン化処理が実現できると感じます。