二值圖像連通域

二值圖像分析最基礎的也是最重要的方法之一就是連通域標記，它是所有二值圖像分析的基礎。它通過對二值圖像中目標像素的標記，讓每個單獨的連通區域形成一個被標識的塊，進一步的我們就可以獲取這些塊的輪廓、外接矩形、質心、不變矩等幾何參數。

連通區域的定義一般有兩種，分為4鄰接和8鄰接。下面這幅圖中，如果考慮4鄰接，則有3個連通域，8鄰接則是2個連通域。

從連通區域的定義可以知道，一個連通域是由具有相同像素值的相鄰像素組成像素集合，因此，我們就可以通過這兩個條件在圖像中尋找連通區域，對于找到的每個連通域，我們賦予其一個唯一的標識( Label )，以區別其他連通域。

連通域分析的基本算法有兩種： 1) Two-Pass 兩遍掃描 2) Seed-Filling 種子填充法。

Two-Pass 算法

兩遍掃描法( Two-Pass )，正如其名，指的就是通過掃描兩遍圖像，將圖像中存在的所有連通域找出并標記。

(1)第一次掃描：

訪問當前像素 B(x,y) ，如果 B(x,y) == 1：

a、如果 B(x,y) 的領域中標簽值都為0，則賦予 B(x,y) 一個新的 label ：

label += 1， B(x,y) = label；

b、如果B(x,y)的領域中有像素值 > 1的像素Neighbors：

1)將Neighbors中的最小值賦予給 B(x,y) :

B(x,y) = min{Neighbors}

2)記錄Neighbors中各個值(label)之間的相等關系，即這些值(label)同屬同一個連通區域；

(2)第二次掃描：

訪問當前像素 B(x,y) ，如果 B(x,y) > 1：

a、找到與 label = B(x,y) 同屬相等關系的一個最小 label 值，賦予給 B(x,y) ；

完成掃描后，圖像中具有相同 label 值的像素就組成了同一個連通區域。

另外，我在代碼實現的過程中想到另外一種 Two-Pass 的方式(即掃描兩遍圖像的方式)實現，就是第二次掃描與 (1) 同樣的過程,只是方向換成從右下到左上。我后面的 Two-Pass 代碼是使用我自己想到的方法實現的，自己使用了幾個例子測試了下，目前沒出現啥問題。

Seed-Filling 算法

種子填充方法來源于計算機圖形學，常用于對某個圖形進行填充。它基于區域生長算法。我的理解就是遞歸遍歷。

附上兩種方法的 Python 的實現

import cv2

import numpy as np

# 4鄰域的連通域和 8鄰域的連通域

# [row, col]

NEIGHBOR_HOODS_4 = True

OFFSETS_4 = [[0, -1], [-1, 0], [0, 0], [1, 0], [0, 1]]

NEIGHBOR_HOODS_8 = False

OFFSETS_8 = [[-1, -1], [0, -1], [1, -1],

[-1, 0], [0, 0], [1, 0],

[-1, 1], [0, 1], [1, 1]]

def reorganize(binary_img: np.array):

index_map = []

points = []

index = -1

rows, cols = binary_img.shape

for row in range(rows):

for col in range(cols):

var = binary_img[row][col]

if var < 0.5:

continue

if var in index_map:

index = index_map.index(var)

num = index + 1

else:

index = len(index_map)

num = index + 1

index_map.append(var)

points.append([])

binary_img[row][col] = num

points[index].append([row, col])

return binary_img, points

def neighbor_value(binary_img: np.array, offsets, reverse=False):

rows, cols = binary_img.shape

label_idx = 0

rows_ = [0, rows, 1] if reverse == False else [rows-1, -1, -1]

cols_ = [0, cols, 1] if reverse == False else [cols-1, -1, -1]

for row in range(rows_[0], rows_[1], rows_[2]):

for col in range(cols_[0], cols_[1], cols_[2]):

label = 256

if binary_img[row][col] < 0.5:

continue

for offset in offsets:

neighbor_row = min(max(0, row+offset[0]), rows-1)

neighbor_col = min(max(0, col+offset[1]), cols-1)

neighbor_val = binary_img[neighbor_row, neighbor_col]

if neighbor_val < 0.5:

continue

label = neighbor_val if neighbor_val < label else label

if label == 255:

label_idx += 1

label = label_idx

binary_img[row][col] = label

return binary_img

# binary_img: bg-0, object-255; int

def Two_Pass(binary_img: np.array, neighbor_hoods):

if neighbor_hoods == NEIGHBOR_HOODS_4:

offsets = OFFSETS_4

elif neighbor_hoods == NEIGHBOR_HOODS_8:

offsets = OFFSETS_8

else:

raise ValueError

binary_img = neighbor_value(binary_img, offsets, False)

binary_img = neighbor_value(binary_img, offsets, True)

return binary_img

def recursive_seed(binary_img: np.array, seed_row, seed_col, offsets, num, max_num=100):

rows, cols = binary_img.shape

binary_img[seed_row][seed_col] = num

for offset in offsets:

neighbor_row = min(max(0, seed_row+offset[0]), rows-1)

neighbor_col = min(max(0, seed_col+offset[1]), cols-1)

var = binary_img[neighbor_row][neighbor_col]

if var < max_num:

continue

binary_img = recursive_seed(binary_img, neighbor_row, neighbor_col, offsets, num, max_num)

return binary_img

# max_num 表示連通域最多存在的個數

def Seed_Filling(binary_img, neighbor_hoods, max_num=100):

if neighbor_hoods == NEIGHBOR_HOODS_4:

offsets = OFFSETS_4

elif neighbor_hoods == NEIGHBOR_HOODS_8:

offsets = OFFSETS_8

else:

raise ValueError

num = 1

rows, cols = binary_img.shape

for row in range(rows):

for col in range(cols):

var = binary_img[row][col]

if var <= max_num:

continue

binary_img = recursive_seed(binary_img, row, col, offsets, num, max_num=100)

num += 1

return binary_img

if __name__ == "__main__":

binary_img = np.zeros((4, 7), dtype=np.int16)

index = [[0, 2], [0, 5],

[1, 0], [1, 1], [1, 2], [1, 4], [1, 5], [1, 6],

[2, 2], [2, 5],

[3, 1], [3, 2], [3, 4], [3, 6]]

for i in index:

binary_img[i[0], i[1]] = np.int16(255)

print("原始二值圖像")

print(binary_img)

print("Two_Pass")

binary_img = Two_Pass(binary_img, NEIGHBOR_HOODS_8)

binary_img, points = reorganize(binary_img)

print(binary_img, points)

print("Seed_Filling")

binary_img = Seed_Filling(binary_img, NEIGHBOR_HOODS_8)

binary_img, points = reorganize(binary_img)

print(binary_img, points)

總結

以上是生活随笔為你收集整理的python 连通域_连通域的原理与Python实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。