python图像处理—cv2.connectedComponentsWithStats

retval, labels, stats, centroids &＃61; cv2.connectedComponentsWithStats(image, connectivity&＃61;8)

输入值&＃xff1a;

• image : 是要处理的图片&＃xff0c;官方文档要求是8位单通道的图像。
• connectivity : 可以选择是4连通还是8连通。

输出值

• retval : 返回值是连通区域的数量。
• labels : labels是一个与image一样大小的矩形&＃xff08;labels.shape &＃61; image.shape&＃xff09;&＃xff0c;其中每一个连通区域会有一个唯一标识&＃xff0c;标识从0开始。
• stats &＃xff1a;stats会包含5个参数分别为x,y,h,w,s。分别对应每一个连通区域的外接矩形的起始坐标x,y&＃xff1b;外接矩形的wide,height&＃xff1b;s其实不是外接矩形的面积&＃xff0c;实践证明是labels对应的连通区域的像素个数。
• centroids : 返回的是连通区域的质心。

举个栗子

1、 我创建了10x10的图片&＃xff0c;其中像素值分别有0和100

输入的image就是我们这个10x10的图片
如果我们要分析8连通&＃xff0c;就令

connectivity&＃61;8

2、用 opencv 将图片读入

image &＃61; cv2.imread(&＃39;test1.tif&＃39;) # 将上述的10*10图片存为test.tif的图片
img &＃61; cv2.cvtColor(image,cv2.COLOR_BGR2GRAY) #转灰度
retval, labels, stats, centroids &＃61; cv2.connectedComponentsWithStats(img, connectivity&＃61;8)


返回值

retval #retval &＃61; 3
>>> 3stats #我们看出有3个连通区域# x y w h s
>>> array([[ 0, 0, 10, 10, 76], # 这代表整个图片&＃xff0c;0值也有连通区域[ 4, 1, 5, 6, 18], # 这里18代表有18个像素 下面的6同理[ 2, 2, 3, 2, 6]], dtype&＃61;int32)labels # labdels 将背景0值标为0&＃xff0c;值为100的标为1 和 2
>>> array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 1, 0, 0],[0, 0, 2, 2, 2, 0, 1, 0, 0, 0],[0, 0, 2, 2, 2, 0, 1, 1, 1, 0],[0, 0, 0, 0, 0, 0, 1, 1, 1, 0],[0, 0, 0, 0, 1, 1, 1, 1, 1, 0],[0, 0, 0, 0, 1, 1, 1, 1, 1, 0],[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 0, 0, 0]], dtype&＃61;int32)centroids
>>> array([[4.17105263, 4.68421053],[6.38888889, 4.38888889],[3. , 2.5 ]]


3、我们来详细看一下如何利用stats和labels处理不规则图形

按照 stats返回的外接矩形分别如下两个矩形&＃xff0c;其中蓝色的矩形有两个值在红色矩形内&＃xff0c;同时可以看到原始数据的连通区域与labels可以相互对应

问题来了&＃xff1a; 如果我想要将原始图片红色框内的100变为0&＃xff0c;如果我们直接令外接矩形框内全部为0&＃xff0c;这样不可避免的会伤及无辜将蓝色框内的两个100值都改为0.这个是不允许的。
所以我们可以利用labels的标识

label &＃61; labels[y:y &＃43; h, x:x &＃43; w] #获取要处理的红色方框外接矩形
lab &＃61; label.reshape(-1, ) # 二维转一维
lab &＃61; np.unique(lab) # 去掉重复
lab &＃61; np.setdiff1d(lab, 0) # 去掉0值&＃xff0c;因为0值是背景的标识&＃xff0c;我们不用处理0&＃xff0c;只要除去1保留2即可

之后又因为stats中的返回值s是像素值的个数&＃xff0c;并不是外接矩形内所有100值的个数。
下面两个图可以看出&＃xff0c;红色框内100的值是20个&＃xff0c;但构成连通区域的之后18个像素&＃xff0c;所以stats返回值中是18不是20&＃xff1b;这个很重要&＃xff01;&＃xff01;&＃xff01;&＃xff01;

这样在红色矩形框内的labels&＃61; 2 的数量只有两个&＃xff0c;labels &＃61; 1的数量有18个&＃xff0c;并且与s一致&＃xff0c;可以依据这个条件&＃xff0c;获取labels &＃61; 1 的坐标&＃xff0c;并令这些坐标所在值等于0&＃xff0c;这样labels &＃61; 2 的值并没有受到影像。

for l in lab:seeds &＃61; np.argwhere(label&＃61;&＃61;l)seedlist &＃61; list(seeds)print(seedlist)if len(seedlist) &＃61;&＃61; s:
# print(seedlist)for point in seedlist:image[point[0],point[1]] &＃61; 0img[y:y &＃43; h, x:x &＃43; w] &＃61; image


4 、结果&＃xff1a;

原始图&＃xff1a;

在这之前我尝试了一些别的函数&＃xff0c;都不能很好的操作&＃xff0c;下期会整理一下。