1、两个函数介绍

总得来说，connectedComponents()仅仅创建了一个标记图（图中不同连通域使用不同的标记，和原图宽高一致），connectedComponentsWithStats()可以完成上面任务，除此之外，还可以返回每个连通区域的重要信息–bounding box, area, andcentroid。

1.1什么是连通域

连通区域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。连通区域分析是指将图像中的各个连通区域找出并标记。

连通区域分析是一种在CVPR和图像分析处理的众多应用领域中较为常用和基本的方法。

例如：OCR识别中字符分割提取（车牌识别、文本识别、字幕识别等）、视觉跟踪中的运动前景目标分割与提取（行人入侵检测、遗留物体检测、基于视觉的车辆检测与跟踪等）、医学图像处理（感兴趣目标区域提取）、等等。也就是说，在需要将前景目标提取出来以便后续进行处理的应用场景中都能够用到连通区域分析方法，通常连通区域分析处理的对象是一张二值化后的图像。

1.2 cv2.connectedComponents（）

函数各参数意义：

num_objects, labels = cv2.connectedComponents(image)

参数介绍如下： 

image：也就是输入图像，必须是二值图，即8位单通道图像。（因此输入图像必须先进行二值化处理才能被这个函数接受）

返回值： 

num_labels：所有连通域的数目

labels：图像上每一像素的标记，用数字1、2、3…表示（不同的数字表示不同的连通域）

1.3 cv2.connectedComponentsWithStats（）

这个函数的作用是对一幅图像进行连通域提取，并返回找到的连通域的信息：retval、labels、stats、centroids

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

参数介绍如下： 

• image：也就是输入图像，必须是二值图，即8位单通道图像。（因此输入图像必须先进行二值化处理才能被这个函数接受） 
• connectivity：可选值为4或8，也就是使用4连通还是8连通。 
• ltype：输出图像标记的类型，目前支持CV_32S 和 CV_16U。

返回值：

• num_labels：所有连通域的数目 
• labels：图像上每一像素的标记，用数字1、2、3…表示（不同的数字表示不同的连通域） 
• stats：每一个标记的统计信息，是一个5列的矩阵，每一行对应每个连通区域的外接矩形的x、y、width、height和面积，示例如下： 0 0 720 720 291805 
• centroids：连通域的中心点

2、代码实践

两个代码的用处是共通的，cv2.connectedComponentsWithStats函数返回的信息量更大，所以这里展示它的应用。

import cv2
import numpy as np
# 读入图片
img = cv2.imread("001.jpg")
# 中值滤波，去噪
img = cv2.medianBlur(img, 3)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.namedWindow('original', cv2.WINDOW_AUTOSIZE)
cv2.imshow('original', gray)
# 阈值分割得到二值化图片
ret, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
# 膨胀操作
kernel2 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
bin_clo = cv2.dilate(binary, kernel2, iterations=2)
# 连通域分析
num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(bin_clo, connectivity=8)
# 查看各个返回值
# 连通域数量
print('num_labels = ',num_labels)
# 连通域的信息：对应各个轮廓的x、y、width、height和面积
print('stats = ',stats)
# 连通域的中心点
print('centroids = ',centroids)
# 每一个像素的标签1、2、3.。。，同一个连通域的标签是一致的
print('labels = ',labels)
# 不同的连通域赋予不同的颜色
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()

打印出的连通域的信息如下： 

重点是理解stats和 labels 参数的意义，其他的参数都容易理解： 

labels ：对原始图中的每一个像素都打上标签，背景为0，连通域打上1，2，3。。。的标签，同一个连通域的像素打上同样的标签。相当与对每一个像素进行了分类（分割） 

stats：每一连通域的信息，表示每个连通区域的外接矩形（起始点的x、y、宽和高)和面积

连通域检测的效果图：

3、总结

（1）连通域分析可以实现将前景目标提取出来以便后续进行处理（类似于轮廓处理）

（2）重点是cv2.connectedComponentsWithStats函数中stats和 labels 参数的意义 

labels ：对原始图中的每一个像素都打上标签，背景为0，连通域打上1，2，3。。。的标签，同一个连通域的像素打上同样的标签。相当与对每一个像素进行了分类（分割） 

stats：每一连通域的信息，表示每个连通区域的外接矩形（起始点的x、y、宽和高)和面积

（3）从上面的例子可以看出，因物体有重叠会把不同物体的多个连通域 计为一个连通域，所以在连通域分析前可以先进行效果更好的分割和预处理操作。

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• Python中的True和False用法是怎样的

  众所周知True和False是一个布尔变量可取的值,下面这篇文章主要给大家介绍了关于Python中True(真)和False(假)判断的相关资料,本文通过示例代码介绍的非常详细,需要的朋友可以参考下

• Python仿射密码的实现和单字母密码用法是什么

  这篇文章主要为大家介绍了Python密码学仿射及攻击单字母密码教程，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

• pytorch做多个反向传播的操作是什么？

  一些朋友可能对于pytorch反向传播有一定的了解，但不是很清楚pytorch 多个反向传播，对此本文主要给大家介绍的是关于pytorch 多个反向传播的操作。一些场景中，我们需要做两次反向，那么这应该怎样实现呢？下面我们一起来看看。

• Pytorch卷积神经网络的实现及实例是什么

  这篇文章主要为大家介绍了Pytorch卷积神经网络resent网络实践，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

• python怎样用黄金分割法计算?

  文章主要介绍了python实现黄金分割法的示例，对于大家了解python怎样用黄金分割法计算具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章能有所收获，接下来小编带着大家一起了解看看。