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

第OpenCV學(xué)習(xí)記錄python實(shí)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(shí)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(diǎn)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(yùn)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(jìn)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(jìn)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(jìn)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(jìn)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(diǎn)

2、代碼實(shí)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(diǎn)

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(diǎn)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(jìn)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(diǎn)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(shí)現(xiàn)將前景目標(biāo)提取出來以便后續(xù)進(jìn)行處理（類似于輪廓處理）

（2）重點(diǎn)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(jìn)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(diǎn)的x、