图像处理（五）——连通域

已于 2022-11-27 10:15:14 修改
阅读量3.5w 收藏 193
点赞数 28
分类专栏： 图像处理 南木的下午茶 文章标签： 图像处理
于 2018-11-07 22:35:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Godsolve/article/details/83833337
版权

连通区域（Connected Component）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（Region，Blob）。连通区域分析（Connected Component Analysis,Connected Component Labeling）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。

而这次我要做的是实现图像的快速连通域算法，可以提取出图像中的连通域，并将不同连通域用不同颜色表示。

寻找图像中的连通域的算法有两个，一个是Two-Pass方法

Two-Pass算法的简单步骤：

（1）第一次扫描：
访问当前像素B(x,y)，如果B(x,y) == 1：

a、如果B(x,y)的领域中像素值都为0，则赋予B(x,y)一个新的label：
label += 1， B(x,y) = label；

b、如果B(x,y)的领域中有像素值 > 1的像素Neighbors：
1）将Neighbors中的最小值赋予给B(x,y):
B(x,y) = min{Neighbors}

2）记录Neighbors中各个值（label）之间的相等关系，即这些值（label）同属同一个连通区域；

labelSet[i] = { label_m, …, label_n }，labelSet[i]中的所有label都属于同一个连通区域

图示为：
在这里插入图片描述

// 1. 第一次遍历

	_lableImg.release();
	_binImg.convertTo(_lableImg, CV_32SC1);

	int label = 1;  // start by 2
	std::vector<int> labelSet;
	labelSet.push_back(0);   // background: 0
	labelSet.push_back(1);   // foreground: 1

	int rows = _binImg.rows - 1;
	int cols = _binImg.cols - 1;
	for (int i = 1; i < rows; i++)
	{
		int* data_preRow = _lableImg.ptr<int>(i - 1);
		int* data_curRow = _lableImg.ptr<int>(i);
		for (int j = 1; j < cols; j++)
		{
			if (data_curRow[j] == 1)
			{
				std::vector<int> neighborLabels;
				neighborLabels.reserve(2);
				int leftPixel = data_curRow[j - 1];
				int upPixel = data_preRow[j];
				if (leftPixel > 1)
				{
					neighborLabels.push_back(leftPixel);
				}
				if (upPixel > 1)
				{
					neighborLabels.push_back(upPixel);
				}

				if (neighborLabels.empty())
				{
					labelSet.push_back(++label);  // assign to a new label
					data_curRow[j] = label;
					labelSet[label] = label;
				}
				else
				{
					std::sort(neighborLabels.begin(), neighborLabels.end());
					int smallestLabel = neighborLabels[0];
					data_curRow[j] = smallestLabel;

					// save equivalence
					for (size_t k = 1; k < neighborLabels.size(); k++)
					{
						int tempLabel = neighborLabels[k];
						int& oldSmallestLabel = labelSet[tempLabel];
						if (oldSmallestLabel > smallestLabel)
						{
							labelSet[oldSmallestLabel] = smallestLabel;
							oldSmallestLabel = smallestLabel;
						}
						else if (oldSmallestLabel < smallestLabel)
						{
							labelSet[smallestLabel] = oldSmallestLabel;
						}
					}
				}
			}
		}
	}

（2）第二次扫描：
访问当前像素B(x,y)，如果B(x,y) > 1：

a、找到与label = B(x,y)同属相等关系的一个最小label值，赋予给B(x,y)；
完成扫描后，图像中具有相同label值的像素就组成了同一个连通区域。

图示为：
在这里插入图片描述

// 2. 第二遍扫描
	for (int i = 0; i < rows; i++)
	{
		int* data = _lableImg.ptr<int>(i);
		for (int j = 0; j < cols; j++)
		{
			int& pixelLabel = data[j];
			pixelLabel = labelSet[pixelLabel];
		}
	}
}

另一个方法就是Seed-Filling方法

种子填充法的连通区域分析方法：

（1）扫描图像，直到当前像素点B(x,y) == 1：

a、将B(x,y)作为种子（像素位置），并赋予其一个label，然后将该种子相邻的所有前景像素都压入栈中；
在这里插入图片描述
b、弹出栈顶像素，赋予其相同的label，然后再将与该栈顶像素相邻的所有前景像素都压入栈中；
在这里插入图片描述

// 推及到四个邻居
					if (_lableImg.at<int>(curX, curY - 1) == 1)
					{// 左边的像素
						neighborPixels.push(std::pair<int, int>(curX, curY - 1));
					}
					if (_lableImg.at<int>(curX, curY + 1) == 1)
					{// 右边的像素
						neighborPixels.push(std::pair<int, int>(curX, curY + 1));
					}
					if (_lableImg.at<int>(curX - 1, curY) == 1)
					{// 上面的像素
						neighborPixels.push(std::pair<int, int>(curX - 1, curY));
					}
					if (_lableImg.at<int>(curX + 1, curY) == 1)
					{// 下面的像素
						neighborPixels.push(std::pair<int, int>(curX + 1, curY));
					}

c、重复b步骤，直到栈为空；
此时，便找到了图像B中的一个连通区域，该区域内的像素值被标记为label；
在这里插入图片描述
（2）重复第（1）步，直到扫描结束；
在这里插入图片描述
扫描结束后，就可以得到图像B中所有的连通区域；

而我选择的是种子填充方法。
对下面这张图片做处理在这里插入图片描述
得到结果为：
在这里插入图片描述

改变连通域颜色：

我用的方法是在刚开始的时候就随机设置三个RGB 值，然后为填充不同连通域（每个连通域的像素的RGB值都是随机的）。

cv::Scalar icvprGetRandomColor()
{
	uchar r = 255 * (rand() / (1.0 + RAND_MAX));
	uchar g = 255 * (rand() / (1.0 + RAND_MAX));
	uchar b = 255 * (rand() / (1.0 + RAND_MAX));
	return cv::Scalar(b, g, r);
}

代码自取

// CVE6.cpp: 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include <iostream>
#include <string>
#include <list>
#include <vector>
#include <map>
#include <stack>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <stdio.h>
using namespace cv;
//Two Pass方法
void icvprCcaByTwoPass(const cv::Mat& _binImg, cv::Mat& _lableImg)
{
	/*
	 Two-Pass算法的简单步骤：
     （1）第一次扫描：
     访问当前像素B(x,y)，如果B(x,y) == 1：
     a、如果B(x,y)的领域中像素值都为0，则赋予B(x,y)一个新的label：
     label += 1， B(x,y) = label；
     b、如果B(x,y)的领域中有像素值 > 1的像素Neighbors：
     1）将Neighbors中的最小值赋予给B(x,y):
     B(x,y) = min{Neighbors} 
     2）记录Neighbors中各个值（label）之间的相等关系，即这些值（label）同属同一个连通区域；
     labelSet[i] = { label_m, .., label_n }，labelSet[i]中的所有label都属于同一个连通区域
	 （2）第二次扫描：
	 访问当前像素B(x,y)，如果B(x,y) > 1：
	 a、找到与label = B(x,y)同属相等关系的一个最小label值，赋予给B(x,y)；
	 完成扫描后，图像中具有相同label值的像素就组成了同一个连通区域。
	*/

	if (_binImg.empty() ||
		_binImg.type() != CV_8UC1)
	{
		return;
	}

	// 1. 第一次遍历

	_lableImg.release();
	_binImg.convertTo(_lableImg, CV_32SC1);

	int label = 1;  // start by 2
	std::vector<int> labelSet;
	labelSet.push_back(0);   // background: 0
	labelSet.push_back(1);   // foreground: 1

	int rows = _binImg.rows - 1;
	int cols = _binImg.cols - 1;
	for (int i = 1; i < rows; i++)
	{
		int* data_preRow = _lableImg.ptr<int>(i - 1);
		int* data_curRow = _lableImg.ptr<int>(i);
		for (int j = 1; j < cols; j++)
		{
			if (data_curRow[j] == 1)
			{
				std::vector<int> neighborLabels;
				neighborLabels.reserve(2);
				int leftPixel = data_curRow[j - 1];
				int upPixel = data_preRow[j];
				if (leftPixel > 1)
				{
					neighborLabels.push_back(leftPixel);
				}
				if (upPixel > 1)
				{
					neighborLabels.push_back(upPixel);
				}

				if (neighborLabels.empty())
				{
					labelSet.push_back(++label);  // assign to a new label
					data_curRow[j] = label;
					labelSet[label] = label;
				}
				else
				{
					std::sort(neighborLabels.begin(), neighborLabels.end());
					int smallestLabel = neighborLabels[0];
					data_curRow[j] = smallestLabel;

					// save equivalence
					for (size_t k = 1; k < neighborLabels.size(); k++)
					{
						int tempLabel = neighborLabels[k];
						int& oldSmallestLabel = labelSet[tempLabel];
						if (oldSmallestLabel > smallestLabel)
						{
							labelSet[oldSmallestLabel] = smallestLabel;
							oldSmallestLabel = smallestLabel;
						}
						else if (oldSmallestLabel < smallestLabel)
						{
							labelSet[smallestLabel] = oldSmallestLabel;
						}
					}
				}
			}
		}
	}

	// 更新标签
	// 用每个连通域中最小的标签来表示这个连通域
	for (size_t i = 2; i < labelSet.size(); i++)
	{
		int curLabel = labelSet[i];
		int preLabel = labelSet[curLabel];
		while (preLabel != curLabel)
		{
			curLabel = preLabel;
			preLabel = labelSet[preLabel];
		}
		labelSet[i] = curLabel;
	}

	// 2. 第二遍扫描
	for (int i = 0; i < rows; i++)
	{
		int* data = _lableImg.ptr<int>(i);
		for (int j = 0; j < cols; j++)
		{
			int& pixelLabel = data[j];
			pixelLabel = labelSet[pixelLabel];
		}
	}
}

void icvprCcaBySeedFill(const cv::Mat& _binImg, cv::Mat& _lableImg)
{
	/*
	种子填充法的连通区域分析方法：
（1）扫描图像，直到当前像素点B(x,y) == 1：
a、将B(x,y)作为种子（像素位置），并赋予其一个label，然后将该种子相邻的所有前景像素都压入栈中；
b、弹出栈顶像素，赋予其相同的label，然后再将与该栈顶像素相邻的所有前景像素都压入栈中；
c、重复b步骤，直到栈为空；
此时，便找到了图像B中的一个连通区域，该区域内的像素值被标记为label；
（2）重复第（1）步，直到扫描结束；
扫描结束后，就可以得到图像B中所有的连通区域；
	*/

	if (_binImg.empty() ||
		_binImg.type() != CV_8UC1)
	{
		return;
	}

	_lableImg.release();
	_binImg.convertTo(_lableImg, CV_32SC1);

	int label = 1;  // start by 2

	int rows = _binImg.rows - 1;
	int cols = _binImg.cols - 1;
	for (int i = 1; i < rows - 1; i++)
	{
		int* data = _lableImg.ptr<int>(i);
		for (int j = 1; j < cols - 1; j++)
		{
			if (data[j] == 1)
			{
				std::stack<std::pair<int, int>> neighborPixels;
				neighborPixels.push(std::pair<int, int>(i, j));     // 像素坐标: <i,j>
				++label;  //从一个新label开始
				while (!neighborPixels.empty())
				{
					// 栈中最上面的像素给予和与其连通的像素相同的label
					std::pair<int, int> curPixel = neighborPixels.top();
					int curX = curPixel.first;
					int curY = curPixel.second;
					_lableImg.at<int>(curX, curY) = label;

					// 弹出最上面的像素
					neighborPixels.pop();

					// 推及到四个邻居
					if (_lableImg.at<int>(curX, curY - 1) == 1)
					{// 左边的像素
						neighborPixels.push(std::pair<int, int>(curX, curY - 1));
					}
					if (_lableImg.at<int>(curX, curY + 1) == 1)
					{// 右边的像素
						neighborPixels.push(std::pair<int, int>(curX, curY + 1));
					}
					if (_lableImg.at<int>(curX - 1, curY) == 1)
					{// 上面的像素
						neighborPixels.push(std::pair<int, int>(curX - 1, curY));
					}
					if (_lableImg.at<int>(curX + 1, curY) == 1)
					{// 下面的像素
						neighborPixels.push(std::pair<int, int>(curX + 1, curY));
					}
				}
			}
		}
	}
}

//为连通域加上颜色
cv::Scalar icvprGetRandomColor()
{
	uchar r = 255 * (rand() / (1.0 + RAND_MAX));
	uchar g = 255 * (rand() / (1.0 + RAND_MAX));
	uchar b = 255 * (rand() / (1.0 + RAND_MAX));
	return cv::Scalar(b, g, r);
}

void icvprLabelColor(const cv::Mat& _labelImg, cv::Mat& _colorLabelImg)
{
	if (_labelImg.empty() ||
		_labelImg.type() != CV_32SC1)
	{
		return;
	}

	std::map<int, cv::Scalar> colors;

	int rows = _labelImg.rows;
	int cols = _labelImg.cols;

	_colorLabelImg.release();
	_colorLabelImg.create(rows, cols, CV_8UC3);
	_colorLabelImg = cv::Scalar::all(0);

	for (int i = 0; i < rows; i++)
	{
		const int* data_src = (int*)_labelImg.ptr<int>(i);
		uchar* data_dst = _colorLabelImg.ptr<uchar>(i);
		for (int j = 0; j < cols; j++)
		{
			int pixelValue = data_src[j];
			if (pixelValue > 1)
			{
				if (colors.count(pixelValue) <= 0)
				{
					colors[pixelValue] = icvprGetRandomColor();
				}
				cv::Scalar color = colors[pixelValue];
				*data_dst++ = color[0];
				*data_dst++ = color[1];
				*data_dst++ = color[2];
			}
			else
			{
				data_dst++;
				data_dst++;
				data_dst++;
			}
		}
	}
}

int main(int argc, char** argv)
{
	cv::Mat binImage = cv::imread("E:/C++/CVE6/图片2.png", 0);
	cv::imshow("img", binImage);
	//cv::Mat binImage2;
	cv::threshold(binImage, binImage, 50, 1, CV_THRESH_BINARY_INV);
	
	cv::Mat labelImg;
	//icvprCcaByTwoPass(binImage, labelImg);
	icvprCcaBySeedFill(binImage, labelImg) ;

	// 展示结果
	cv::Mat grayImg;
	//结果*10，更突出
	labelImg *= 10;
	labelImg.convertTo(grayImg, CV_8UC1);
	cv::imshow("labelImg", grayImg);

	cv::Mat colorLabelImg;
	//更改连通域颜色
	icvprLabelColor(labelImg, colorLabelImg);
	cv::imshow("colorImg", colorLabelImg);
	cv::waitKey(0);

	return 0;
}
南木Sir
关注
  • 28
    点赞
  • 踩
  • 193
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 6
    评论
专栏目录
opencv 十六 python下各种连通域处理方法（按面积阈值筛选连通域、按面积排序筛选连通域、连通域分割等方法）
m0_74259636的博客
12-16 2950
本博文基于python-opencv实现了按照面积阈值筛选连通域、按照面积排序筛选topK连通域、 连通域细化（连通域骨架提取）、连通域分割（基于分水岭算法使连通域在细小处断开）、按照面积排序赛选topK轮廓等常见的连通域处理代码。并将代码封装为shapeUtils类，在自己的python代码中import shapeUtil后即可使用相应的连通域处理方法。
图像处理ASIC设计方法 笔记15 连通域标记算法
最新发布
danxutj的博客
04-06 927
图像处理ASIC设计方法 笔记15 连通域标记算法
图像连通域分析及相关算法研究——很详细的原理以及简单的代码
JM-Nie的博客
11-21 1万+
图像连通域分析 1、连通域的基本概念 （1）两步法图解 两步法的matlab代码如下 function [ outImg, labels ] = MyBwLabel( inputImg ) %MyBwLabel 自制的连通区域分析函数 % [ outImg, labels ] = MyBwLabel( inputImg ) % inputImg: 输入的图像，要求是二值化图像，且最大值为...
Opencv 基本操作五 各种连通域处理方法
a486259的博客
12-10 7623
在深度学习中，尤其是语义分割模型部署的结果后处理中，离不开各类形态学处理方法，其中以连通域处理为主；同时在一些传统的图像处理算法中，也需要一些形态学、连通域处理方法。为此，整理了一些常用的连通域处理函数：查找图像中最大的连通域、删除图像中小面积的连通域、删除图像中的黑色连通域、获取形状的骨架。
连通域的原理与Python实现
datayx的文章
08-14 7914
向AI转型的程序员都关注了这个号????????????机器学习AI算法工程 公众号：datayx二值图像连通域二值图像分析最基础的也是最重要的方法之一就是连通域标记，它是所有二值图...
基于共同连通域数组的二次扫描算法
05-30
基于共同连通域数组的二次扫描算法的matlab实现
图像连通域怎么理解
weixin_43763292的博客
06-17 2462
一个图像可以包含多个不同的连通域，每个连通域可以表示为一个独立的对象或区域。在计算机视觉和图像处理中，通过对图像进行连通域分析，可以对图像进行物体检测、目标跟踪、图像分割等操作。图像连通域指的是在一个二值图像中，所有具有相同像素值（通常为黑色或白色）且相邻的像素构成的连通区域。其中，相邻的像素指的是在图像中上下、左右或对角线方向上相邻的像素。3：连通域处理：对于每个连通域，可以计算其位置、大小、形状等特征，以及进行进一步的处理和分析。2：连通域标记：遍历图像中的每个像素，将与其相邻的像素标记为同一连通域。
OpenCV——图像连通域
小铅笔
06-18 9668
图像的连通域是指图像中具有相同像素值并且位置相邻的像素组成的区域，连通域分析是指在图像中寻找出彼此互相独立的连通域并将其标记出来。 一般情况下，一个连通域内只包含一个像素值，因此为了防止像素值波动对提取不同连通域的影响，连通域分析常处理的是二值化后的图像。 ...
图像连通域分析
彼岸花
04-29 5万+
一、前言 二值图像，顾名思义就是图像的亮度值只有两个状态：黑(0)和白(255)。二值图像在图像分析与识别中有着举足轻重的地位，因为其模式简单，对像素在空间上的关系有着极强的表现力。在实际应用中，很多图像的分析最终都转换为二值图像的分析，比如：医学图像分析、前景检测、字符识别，形状识别。二值化+数学形态学能解决很多计算机识别工程中目标提取的问题。 二值图像分析最重要的方法就是连通区域标
OpenCV_连通区域分析（Connected Component Analysis-Labeling）
热门推荐
09-01 12万+
OpenCV_连通区域分析（Connected Component Analysis/Labeling） 【摘要】本文主要介绍在CVPR和图像处理领域中较为常用的一种图像区域（Blob）提取的方法——连通性分析法（连通区域标记法）。文中介绍了两种常见的连通性分析的算法：1）Two-pass；2）种子填充，并给出了两个算法的基于OpenCV和C++的实现程序。
连通域.rar_文档连通区域_连通区域_连通域_连通域联合
07-14
在计算机科学和图像处理领域，"连通域"是一个重要的概念，它涉及到图像分析和模式识别。连通域是图像中像素的一种组织形式，其中任意两个像素之间通过相邻关系（即共享边或角）可以相互到达。这个概念在处理二值图像...
医学图像处理.pdf
05-07
12. 二值图像贴标签：二值图像贴标签的目的是因为不同的连通域代表了不同的目标，为了加以区别，需要对不同的连通域进行标识。 13. 椒盐噪声处理：椒盐噪声可以通过中值滤波或均值滤波等方式进行处理。中值滤波的...
MATLAB文字连通域源程序代码.zip
09-07
连通域分析是图像处理中的一个重要概念，特别是在文本识别、图像分割和模式识别等领域。MATLAB作为强大的科学计算和图形处理工具，提供了丰富的图像处理函数和工具箱，使得开发者能够方便地实现这一功能。 首先，...
python计算二值图标签最大连通域面积（csdn）————程序.pdf
12-03
在图像处理中，这通常用于分割目标对象或者识别特定区域。为了计算连通域的面积，我们需要找到这些区域并测量它们的大小。 文档中提供了两个函数：`get_max(contours)` 和 `get_yu(contours)`。`get_max(contours)`...
图像连通区域分割算法
12-20
一种图像区域分割方法
OpenCV 笔记(13)：连通域分析
Java与Android技术栈
12-25 1492
Part11. 图像的连通域以及连通域分析在该系列第六篇文章中，曾经介绍过连通的概念，下面再来回顾一下。连通：若 S 是图像中的一个像素子集，对于任意的 、。如果存在一条由 S 中像素组成的从 p 到 q 的通路，则称 p 在像素集 S 中与 q 连通。连通域是指具有相同属性的连通集合。例如，在一个二值图像中，具有相同像素值的区域构成一个连通域。所以，连通和连通域是两个不同的概念，连通域是连通的子...
OpenCV4（C++）—— 图像连通域的详细分析
qq_43199575的博客
10-13 2899
图像连通域，其实就是图像分割的一种方法。它通过检测像素之间的连接关系和相似性来划分图像中的区域，以便进行后续处理。图像邻域和图像邻域分析就不介绍了，网上很多。本文会通过代码和结果图来直观展示。
目标分割算法之连通域分析
yohnyang的博客
01-27 6356
1.连通域提取 二值化后的图像为8位图CV_8UC1,首先对连通域进行标记，然后针对32位CV_32S图像进行连通域提取 具体如下： //标记连通域 img_bw == 二值图像 Mat mask; connectedComponents(img_bw, mask, 8);//mask位32位图，连通域标签为其索引值 map<int, vector<Point>> map_connect; for (int i = 0; i < mask.rows; i++) { for
连通域标记方法
weixin_30832983的博客
05-29 475
这里列举二值图像连通域标记算法包括直接扫描标记算法和二值图像连通域标记快速算法 一、直接扫描标记算法把连续区域作同一个标记，常见的四邻域标记算法和八邻域标记算法。 1、 四邻域标记算法： 1） 判断此点四邻域中的最左，最上有没有点，如果都没有点，则表示一个新的区域的开始。 2） 如果此点四邻域中的最左有点，最上没有点，则标记此点为最左点的值；如果此点四邻域中的最左没有点，...
图像处理——同态滤波
10-30
同态滤波是一种将频率滤波和空域灰度变换结合起来的图像处理方法。它利用压缩亮度范围和增强对比度来改善图像的质量。同态滤波的基本思想是将一幅图像分解为两个加性分量，即光照分量和反射分量，然后对它们进行分别处理，最后再合成为一幅图像。同态滤波的关键在于滤波器的设计，一般采用高通滤波器，如高斯高通滤波器、巴特沃兹高通滤波器、Laplacian滤波器等。同态滤波可以同时实现亮度调整和对比度提升，适用于光照不均匀的图像处理，例如医学图像处理、遥感图像处理等领域。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

南木Sir

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值