1、兩個函數介紹

總得來說，connectedComponents()僅僅創(chuàng)建了一個標記圖（圖中不同連通域使用不同的標記，和原圖寬高一致），connectedComponentsWithStats()可以完成上面任務，除此之外，還可以返回每個連通區(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)域找出并標記。

連通區(qū)域分析是一種在CVPR和圖像分析處理的眾多應用領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）、視覺跟蹤中的運動前景目標分割與提?。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)學圖像處理（感興趣目標區(qū)域提取）、等等。也就是說，在需要將前景目標提取出來以便后續(xù)進行處理的應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（）

函數各參數意義：

num_objects, labels = cv2.connectedComponents(image)

參數介紹如下： 

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行二值化處理才能被這個函數接受）

返回值： 

num_labels：所有連通域的數目

labels：圖像上每一像素的標記，用數字1、2、3…表示（不同的數字表示不同的連通域）

1.3 cv2.connectedComponentsWithStats（）

這個函數的作用是對一幅圖像進行連通域提取，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行二值化處理才能被這個函數接受） 
• 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：所有連通域的數目 
• labels：圖像上每一像素的標記，用數字1、2、3…表示（不同的數字表示不同的連通域） 
• stats：每一個標記的統計信息，是一個5列的矩陣，每一行對應每個連通區(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

2、代碼實踐

兩個代碼的用處是共通的，cv2.connectedComponentsWithStats函數返回的信息量更大，所以這里展示它的應用。

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)
# 查看各個返回值
# 連通域數量
print('num_labels = ',num_labels)
# 連通域的信息：對應各個輪廓的x、y、width、height和面積
print('stats = ',stats)
# 連通域的中心點
print('centroids = ',centroids)
# 每一個像素的標簽1、2、3.。。，同一個連通域的標簽是一致的
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： 

重點是理解stats和 labels 參數的意義，其他的參數都容易理解： 

labels ：對原始圖中的每一個像素都打上標簽，背景為0，連通域打上1，2，3。。。的標簽，同一個連通域的像素打上同樣的標簽。相當與對每一個像素進行了分類（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（起始點的x、y、寬和高)和面積

連通域檢測的效果圖：

3、總結

（1）連通域分析可以實現將前景目標提取出來以便后續(xù)進行處理（類似于輪廓處理）

（2）重點是cv2.connectedComponentsWithStats函數中stats和 labels 參數的意義 

labels ：對原始圖中的每一個像素都打上標簽，背景為0，連通域打上1，2，3。。。的標簽，同一個連通域的像素打上同樣的標簽。相當與對每一個像素進行了分類（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，因物體有重疊會把不同物體的多個連通域 計為一個連通域，所以在連通域分析前可以先進行效果更好的分割和預處理操作。

以上就是OpenCV學習記錄python實現連通域處理函數的詳細內容，更多關于python opencv連通域處理函數的資料請關注腳本之家其它相關文章！