提取图像轮廓是不少场景中非常常用的手段，本期就另外一个常用的部分进行介绍---连通区域分析，相信使用Halcon图像处理工具后的你会发现，Region这一概念十分方便，对Region做连通区域分析非常方便来筛选需要的信息。Opencv中与Region这一概念最接近的该数mask了，那么针对连通区域，connectedComponentsWithStats同样也可以帮助你快速筛选你需要的区域信息。
关于connectedComponents()与connectedComponentsWithStats()函数
前者返回连通区域的数量和标记图，对不同的连通区域用不同的值进行标记,0代表背景；后者在此基础上还返回每个连通区域的重要信息：面积，外接矩形，质心坐标。
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(img, connectivity, ltype)
connectivity：4或者8， 判断连通的像素点，周围4像素或者8像素，默认为8；
labels：图像标记；
stats：[[x1, y1, width1, height1, area1], ...[xi, yi, widthi, heighti, areai]]，存放外接矩形和连通区域的面积信息；
centroids:[cen_x, cen_y]，质心的点坐标，浮点类型
参考博客：
1.OpenCV+Python图像连通域https://www.jianshu.com/p/a9cc11af270c
2.OpenCV中的新函数connectedComponentsWithStats使用https://www.cnblogs.com/jsxyhelu/p/7439655.html
补充：关于labels标签，其中存放着按照连通区域顺序的标签
labels标记图像(源自参考博客2)
你可以通过外接矩形的信息来定位缺陷，并且可以通过其质心位置、面积来筛选特征。
通过stats来定位连通区域
import cv2
import numpy as np
img = cv2.imread('connected_component.png', -1)
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, th = cv2.threshold(gray_img, 127, 255, cv2.THRESH_BINARY)
# 搜索图像中的连通区域
ret, labels, stats, centroid = cv2.connectedComponentsWithStats(th)
for i, stat in enumerate(stats):
#绘制连通区域
cv2.rectangle(img, (stat[0], stat[1]), (stat[0] + stat[2], stat[1] + stat[3]), (25, 25, 255), 3)
#按照连通区域的索引来打上标签
cv2.putText(img, str(i+1), (stat[0], stat[1] + 25), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (255, 25, 25), 2)
cv2.imshow('thresh', th)
cv2.imshow('connectedComponent', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
如果你需要选择连通区域中面积最大的元素，可以使用下面的方式：
# 需要考虑背景，最大连通区域是整个图像
max_area = sorted(stats, key = lambda s : s[-1], reverse = False)[-2]
对于opencv-python的图像连通区域部分有问题欢迎留言， Have Fun With OpenCV-Python, 下期见。
网友评论