计算skeleton = medial_axis(blobs)中，skeleton中的像素长度，用python写出来

可以使用scikit-image库中的 `skeletonize` 函数来计算二值图像中的骨架（skeleton），代码如下：

from skimage.morphology import skeletonize

# 假设已经读入了二值图像为blobs
skeleton = skeletonize(blobs)

# 计算skeleton中的像素长度
length = skeleton.sum()
print("骨架长度为：", length)

`skeletonize` 函数会返回一个与输入图像大小相同的布尔型数组，其中所有非零像素（即输入二值图像中的白色像素）被转换为骨架像素（即输出布尔数组中的True值）。因此，可以使用 `sum` 函数来计算骨架中的像素数量，即骨架长度。

相关问题

针对skeleton = medial_axis(blobs)，删除skeleton中特定长度的分支，并使用python

可以使用scikit-image库来实现此功能。以下是一个示例代码，其中使用medial_axis来计算给定二进制图像的中轴线，并删除长度小于min_length的分支：

from skimage.morphology import medial_axis, remove_small_objects
from skimage.measure import label, regionprops

def remove_short_branches(image, min_length):
    # 计算中轴线
    skeleton = medial_axis(image)
    
    # 标记连通区域
    labels = label(skeleton)
    
    # 获取连通区域的属性
    props = regionprops(labels)
    
    # 删除长度小于min_length的分支
    for prop in props:
        if prop.area < min_length:
            skeleton[labels == prop.label] = 0
    
    # 删除小对象
    skeleton = remove_small_objects(skeleton, min_size=min_length)
    
    return skeleton

在这个函数中，我们首先使用medial_axis函数计算给定二进制图像的中轴线。然后，我们使用label和regionprops函数来标记中轴线的连通区域，并获取每个区域的属性。接下来，我们循环遍历每个区域，如果它的长度小于min_length，则将对应的像素设置为0。最后，我们使用remove_small_objects函数来删除小于min_length的对象，并返回处理后的中轴线。

使用示例：

import matplotlib.pyplot as plt
from skimage.io import imread
from skimage.color import rgb2gray

# 读取图像
image = rgb2gray(imread('blobs.png'))

# 删除长度小于10的分支
skeleton = remove_short_branches(image, 10)

# 显示结果
fig, ax = plt.subplots(1, 2, figsize=(8, 4))
ax[0].imshow(image, cmap='gray')
ax[1].imshow(skeleton, cmap='gray')
plt.show()

这里使用了一个名为blobs.png的示例图像，你可以替换成你自己的图像。运行上面的代码后，将显示原始图像和处理后的中轴线，其中删除了长度小于10的分支。

skel, distance = morphology.medial_axis(img, return_distance=True) # 图片细化（骨架提取） dist_on_skel = distance * skel # dist_on_skel = dist_on_skel.astype(np.uint8) * 255 cv2.imwrite("skeleton_gaussian_1.bmp", dist_on_skel)

这段代码是利用Python的OpenCV库进行图像处理，实现对输入图像的细化（即骨架提取）操作，并将处理结果保存为图像文件。

具体来说，这段代码的作用如下：

1. 首先，输入图像通过OpenCV库读取，存储在变量img中。

2. 接着，利用OpenCV库的morphology模块中的medial_axis函数对图像进行细化操作，得到细化后的骨架图像（变量skel）以及每个像素点到骨架的距离（变量distance）。

3. 然后，将距离信息乘以骨架图像，得到每个像素点到骨架的距离信息在骨架上的投影距离（即距离乘以骨架图像的值），并将结果存储在变量dist_on_skel中。

4. 最后，将投影距离信息转换为图像格式，并以bmp格式保存为文件"skeleton_gaussian_1.bmp"。

需要注意的是，该代码的实现依赖于OpenCV库和NumPy库，并且需要先将原始图像读取为NumPy数组格式。同时，该代码的细化算法基于距离变换，可以实现对二值图像进行骨架提取操作。