1、兩個(gè)函數(shù)介紹

總得來說，connectedComponents()僅僅創(chuàng)建了一個(gè)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(gè)連通區(qū)域的重要信息–bounding box, 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(gè)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(dòng)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?。?、等等。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。

1.2 cv2.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(gè)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）

1.3 cv2.connectedComponentsWithStats（）

這個(gè)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(gè)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(gè)標(biāo)記的統(tǒng)計(jì)信息，是一個(gè)5列的矩陣，每一行對應(yīng)每個(gè)連通區(qū)域的外接矩形的x、y、width、height和面積，示例如下： 0 0 720 720 291805 
• centroids：連通域的中心點(diǎn)

2、代碼實(shí)踐

兩個(gè)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。

import cv2
import numpy as np
# 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)
cv2.namedWindow('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(gè)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(gè)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(gè)像素的標(biāo)簽1、2、3.。。，同一個(gè)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)
for i in range(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(gè)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(gè)連通域的像素打上同樣的標(biāo)簽。相當(dāng)與對每一個(gè)像素進(jìn)行了分類（分割） 

stats：每一連通域的信息，表示每個(gè)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(gè)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(gè)連通域的像素打上同樣的標(biāo)簽。相當(dāng)與對每一個(gè)像素進(jìn)行了分類（分割） 

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

（3）從上面的例子可以看出，因物體有重疊會(huì)把不同物體的多個(gè)連通域 計(jì)為一個(gè)連通域，所以在連通域分析前可以先進(jìn)行效果更好的分割和預(yù)處理操作。

以上就是OpenCV學(xué)習(xí)記錄python實(shí)現(xiàn)連通域處理函數(shù)的詳細(xì)內(nèi)容，更多關(guān)于python opencv連通域處理函數(shù)的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論