Los enfoques tradicionales para modelar y procesar píxeles discretos se basan principalmente en características de imagen u optimización de modelos. Estos métodos a menudo resultan en una contracción o expansión excesiva de la región de píxeles restaurados, lo que dificulta la recuperación precisa de la forma de la región de píxeles objetivo. Este artículo propone un modelo de optimización de imágenes de fuente y máscara simultáneas basado en divergencia esquelética que supera estos problemas. En el modelo propuesto, primero se extrae el borde de toda la región de píxeles discretos a través de un filtrado bilateral. Luego, se utilizan la información de borde y la triangulación de Delaunay para optimizar toda la región de píxeles discretos. El esqueleto se optimiza con el esqueleto como centro de optimización local y las imágenes de fuente y máscara se optimizan simultáneamente a través de una guía de borde. La técnica de orden de preferencia por similitud a la solución ideal (TOPSIS) y la verificación de regularización de nube de puntos se emplean posteriormente para proporcionar la estrategia de fusión óptima y reducir el error acumulativo. En la etapa de verificación de regularización, el modelo se simplifica de forma iterativa a través de un agrupamiento incremental y jerárquico, de modo que el muestreo de nube de puntos se concentre en la región de alta curvatura. Los resultados de experimentos realizados utilizando la región de objetivo móvil en los datos RGB-depth (RGB-D) (Universidad Técnica de Múnich, Alemania) indican que el algoritmo propuesto es más preciso y adecuado para el procesamiento de imágenes que los algoritmos de alto rendimiento existentes.