图像细化（Image Thinning），一般指二值图像的骨架化（Image Skeletonization）的一种操作运算。
所谓的细化就是经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架。骨架，可以理解为图象的中轴。
好的细化算法一定要满足：
- 收敛性；
- 保证细化后细线的连通性
- 保持原图的基本形状
- 减少笔画相交处的畸变
- 细化结果是原图像的中心线
- 细化的快速性和迭代次数少
依据是否使用迭代运算可以分为两类：
- 非迭代算法
- 一次即产生骨架，如基于距离变换的方法。游程长度编码细化等。
- 迭代算法
即重复删除图像边缘满足一定条件的像素，最终得到单像素宽带骨架。
迭代方法依据其检查像素的方法又可以再分成
- 串行算法
是否删除像素在每次迭代的执行中是固定顺序的，它不仅取决于前次迭代的结果，也取决于本次迭代中已处理过像素点分布情况.
- 并行算法
像素点删除与否与像素值图像中的顺序无关，仅取决于前次迭代的结果
细化算法:
- Burning Algorithm
使用迭代的方法去除图像的边界, 可使用扫描线法来获取边界
- Zhang并行快速细化算法
模板:
p3 p2 p9
p4 p1 p8
p5 p6 p7
（其中p1为黑点，如果以下四个条件同时满足，则删除p1，即令p1=0）
1. Z0(p1)=1 // 中心为黑点
2. 2<=NZ(p1)<=6 // Nz为八邻域中黑点的数目
3. p2*p4*p8=0 或者 Z0(p2)!=1 // 避免图像被打断( 其反条件时不可删)
4. p2*p4*p6=0 或者 Z0(p4)!=1
对图像中的每一个点重复这一步骤，直到所有的点都不可删除为止。
判断一个点是否能去掉, 要根据它的八个相邻点的情况来判断。(中间的点)
(1)不能删，因为它是个内部点，我们要求的是骨架，如果连内部点也删了，骨架也会被掏空的；
(2)不能删，和(1)是同样的道理；
(3)可以删，这样的点不是骨架；
(4)不能删，因为删掉后，原来相连的部分断开了；
(5)可以删，这样的点不是骨架；
(6)不能删，因为它是直线的端点，如果这样的点删了，那么最后整个直线也被删了，剩不下什么；
总结：
(1)内部点不能删除；
(2)孤立点不能删除；
(3)直线端点不能删除；
(4)如果P是边界点，去掉P后，如果连通分量不增加，则P可以删除。
- Hilditch、Pavlidis、Rosenfeld细化算法
这类算法则是在程序中直接运算，根据运算结果来判定是否可以删除点的算法，差别在于不同算法的判定条件不同。
Hilditch算法使用于二值图像，比较普通，是一般的算法；
Pavlidis算法通过并行和串行混合处理来实现，用位运算进行特定模式的匹配，所得的骨架是8连接的，使用于0－1二值图像；
Rosenfeld算法是一种并行细化算法，所得的骨架形态是8－连接的，使用于0－1二值图像。
(后两种算法的效果要更好一些，但是处理某些图像时效果一般，第一种算法使用性强些。)
- 索引表细化算法
经过预处理后得到待细化的图像是0、1二值图像。像素值为1的是需要细化的部分，像素值为0的是背景区域。基于索引表的算法就是依据一定的判断依据，所做出的一张表，然后根据魔鬼要细化的点的八个邻域的情况查询，若表中元素是1，若表中元素是1，则删除该点（改为背景），若是0则保留。因为一个像素的8个邻域共有256中可能情况，因此，索引表的大小一般为256。
查找表为二值图像处理提供了简洁而有效的方法。考虑一个像素的３乘３邻域。由于在这个邻域范围有９个像素，每个像素有两个状态（二值图像，取０，１），那么整个邻域不同状态的总数量为２^9=512 .这样，我们可以相对不同的情况（５１２种），来安排对应的输出值，而这５１２种可能是事先预知的，给每一个单元（一共９个单元）分别安排不同的权值，
１ ８ 6４
２ １６ １２８
４ ３２ ２５６
也就是２的不同幂次，０，１，２，３。。。 ８次幂
那么，某种状态数值就是加权值的和。
比如，
下面一种邻域组合：
０ １ ０
１ １ ０
０ ０ １
它的值＝２＋８＋１６＋２５６＝２８２
这样的话，我们通过一个数值，就可以表达一种３乘３邻域的一种空间分布状态。
