OpenCV學(xué)習(xí)記錄python實現(xiàn)連通域處理函數(shù)

第OpenCV學(xué)習(xí)記錄python實現(xiàn)連通域處理函數(shù)目錄1、兩個函數(shù)介紹1.1什么是連通域1.2cv2.connectedComponents（）1.3cv2.connectedComponentsWithStats（）2、代碼實踐3、總結(jié)

1、兩個函數(shù)介紹

總得來說，connectedComponents()僅僅創(chuàng)建了一個標(biāo)記圖（圖中不同連通域使用不同的標(biāo)記，和原圖寬高一致），connectedComponentsWithStats()可以完成上面任務(wù)，除此之外，還可以返回每個連通區(qū)域的重要信息boundingbox,area,andcentroid。

1.1什么是連通域

連通區(qū)域一般是指圖像中具有相同像素值且位置相鄰的前景像素點組成的圖像區(qū)域。連通區(qū)域分析是指將圖像中的各個連通區(qū)域找出并標(biāo)記。

連通區(qū)域分析是一種在CVPR和圖像分析處理的眾多應(yīng)用領(lǐng)域中較為常用和基本的方法。

例如：OCR識別中字符分割提?。ㄜ嚺谱R別、文本識別、字幕識別等）、視覺跟蹤中的運動前景目標(biāo)分割與提?。ㄐ腥巳肭謾z測、遺留物體檢測、基于視覺的車輛檢測與跟蹤等）、醫(yī)學(xué)圖像處理（感興趣目標(biāo)區(qū)域提?。⒌鹊?。也就是說，在需要將前景目標(biāo)提取出來以便后續(xù)進行處理的應(yīng)用場景中都能夠用到連通區(qū)域分析方法，通常連通區(qū)域分析處理的對象是一張二值化后的圖像。

1.2cv2.connectedComponents（）

函數(shù)各參數(shù)意義：

num_objects,labels=cv2.connectedComponents(image)

參數(shù)介紹如下：

image：也就是輸入圖像，必須是二值圖，即8位單通道圖像。（因此輸入圖像必須先進行二值化處理才能被這個函數(shù)接受）

返回值：

num_labels：所有連通域的數(shù)目

labels：圖像上每一像素的標(biāo)記，用數(shù)字1、2、3表示（不同的數(shù)字表示不同的連通域）

1.3cv2.connectedComponentsWithStats（）

這個函數(shù)的作用是對一幅圖像進行連通域提取，并返回找到的連通域的信息：retval、labels、stats、centroids

num_labels,labels,stats,centroids=cv2.connectedComponentsWithStats(image,connectivity=8,ltype=None)

參數(shù)介紹如下：

image：也就是輸入圖像，必須是二值圖，即8位單通道圖像。（因此輸入圖像必須先進行二值化處理才能被這個函數(shù)接受）connectivity：可選值為4或8，也就是使用4連通還是8連通。ltype：輸出圖像標(biāo)記的類型，目前支持CV_32S和CV_16U。

返回值：

num_labels：所有連通域的數(shù)目labels：圖像上每一像素的標(biāo)記，用數(shù)字1、2、3表示（不同的數(shù)字表示不同的連通域）stats：每一個標(biāo)記的統(tǒng)計信息，是一個5列的矩陣，每一行對應(yīng)每個連通區(qū)域的外接矩形的x、y、width、height和面積，示例如下：00720720291805centroids：連通域的中心點

2、代碼實踐

兩個代碼的用處是共通的，cv2.connectedComponentsWithStats函數(shù)返回的信息量更大，所以這里展示它的應(yīng)用。

importcv2

importnumpyasnp

#讀入圖片

img=cv2.imread("001.jpg")

#中值濾波，去噪

img=cv2.medianBlur(img,3)

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

dWindow('original',cv2.WINDOW_AUTOSIZE)

cv2.imshow('original',gray)

#閾值分割得到二值化圖片

ret,binary=cv2.threshold(gray,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)

#膨脹操作

kernel2=cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))

bin_clo=cv2.dilate(binary,kernel2,iterations=2)

#連通域分析

num_labels,labels,stats,centroids=cv2.connectedComponentsWithStats(bin_clo,connectivity=8)

#查看各個返回值

#連通域數(shù)量

print('num_labels=',num_labels)

#連通域的信息：對應(yīng)各個輪廓的x、y、width、height和面積

print('stats=',stats)

#連通域的中心點

print('centroids=',centroids)

#每一個像素的標(biāo)簽1、2、3.。。，同一個連通域的標(biāo)簽是一致的

print('labels=',labels)

#不同的連通域賦予不同的顏色

output=np.zeros((img.shape[0],img.shape[1],3),np.uint8)

foriinrange(1,num_labels):

mask=labels==i

output[:,:,0][mask]=np.random.randint(0,255)

output[:,:,1][mask]=np.random.randint(0,255)

output[:,:,2][mask]=np.random.randint(0,255)

cv2.imshow('oginal',output)

cv2.waitKey()

cv2.destroyAllWindows()

打印出的連通域的信息如下：

重點是理解stats和labels參數(shù)的意義，其他的參數(shù)都容易理解：

labels：對原始圖中的每一個像素都打上標(biāo)簽，背景為0，連通域打上1，2，3。。。的標(biāo)簽，同一個連通域的像素打上同樣的標(biāo)簽。相當(dāng)與對每一個像素進行了分類（分割）

stats：每一連通域的信息，表示每個連通區(qū)域的外接矩形（起始點的x、y、寬和高)和面積

連通域檢測的效果圖：

3、總結(jié)

（1）連通域分析可以實現(xiàn)將前景目標(biāo)提取出來以便后續(xù)進行處理（類似于輪廓處理）

（2）重點是cv2.connectedComponentsWithStats函數(shù)中stats和labels參數(shù)的意義

labels：對原始圖中的每一個像素都打上標(biāo)簽，背景為0，連通域打上1，2，3。。。的標(biāo)簽，同一個連通域的像素打上同樣的標(biāo)簽。相當(dāng)與對每一個像素進行了分類（分割）

stats：每一連通域的信息，表示每個連通區(qū)域的外接矩形（起始點的x、