https://blog.csdn.net/weixin_42296411/article/details/80966724
函数原型
参数：
image 【输入/输出】 1或者3通道、 8bit或者浮点图像。仅当参数flags的FLOODFILL_MASK_ONLY标志位被设置时image不会被修改，否则会被修改。
mask 【输入/输出】 操作掩码，必须为单通道、8bit，且比image宽2个像素、高2个像素。使用前必须先初始化。Flood-filling无法跨越mask中的非0像素。例如，一个边缘检测的结果可以作为mask来阻止边缘填充。在输出中，mask中与image中填充像素对应的像素点被设置为1，或者flags标志位中设置的值(详见flags标志位的解释)。此外，该函数还用1填充了mask的边缘来简化内部处理。因此，可以在多个调用中使用同一mask，以确保填充区域不会重叠。
seedPoint 起始像素点
newVal 重绘像素区域的新的填充值(颜色)
rect 可选输出参数，返回重绘区域的最小绑定矩形。
loDiff 当前选定像素与其连通区中相邻像素中的一个像素，或者与加入该连通区的一个seedPoint像素，二者之间的最大下行差异值。
upDiff 当前选定像素与其连通区中相邻像素中的一个像素，或者与加入该连通区的一个seedPoint像素，二者之间的最大上行差异值。
flags flags标志位是一个32bit的int类型数据，其由3部分组成： 0-7bit表示邻接性(4邻接、8邻接)；8-15bit表示mask的填充颜色；16-31bit表示填充模式（详见填充模式解释）
flood fill填充模式:
//! floodfill algorithm flags
enum FloodFillFlags {
/** If set, the difference between the current pixel andseed pixel is considered. Otherwise,
the difference between neighbor pixels is considered (that is, the rangeis floating). */
FLOODFILL_FIXED_RANGE = 1 << 16,
/** If set, the function does not change the image ( newValis ignored), and only fills the
mask with the value specified in bits 8-16 of flags as described above.This option only make
sense in function variants that have the mask parameter. */
FLOODFILL_MASK_ONLY = 1 <<17
};
FLOODFILL_FIXED_RANGE：如果设置了该值，则考虑当前像素与seed像素之间的差异，否则考虑相邻像素之间的差异(即浮动区间)。
FLOODFILL_MASK_ONLY：如果设置了该值，floodFill函数不会修改image的内容(newVal被忽略)，只使用flags标志中bit8-15的值填充mask。该选项仅在含mask参数的floodFill函数中有效。
函数作用：
用给定的颜色填充一个连通区域。
下面我们通过Code来演示floodFill函数的用法及效果：
先创建一个20*10像素的灰度图像，为了便于观察，我们以60个灰度为一个等级填充图片。
Code-1：-
import cv2
-
import numpy
as np
-
-
img = np.zeros((
20,
10), dtype=np.uint8)
-
i =
0
-
for v
in img:
-
v[:] = i//
5 *
60
-
i +=
1
-
-
cv2.imshow(
'img', img)
-
cv2.waitKey(
0)
-
cv2.destroyAllWindows()
得到的图片输出(为方便观察，使用画图软件打开，下同)：
该图片被分为4个横条块，其灰度值自顶向下依次为：0、60、120、180。
接下来，我们选定seed=(7,7), 该点落在这里(下图第二个横条小白点处)：
我们选定该点作为seedPoint，对img图片进行floodFill。
Code-2：-
#encoding=utf-8
-
import cv2
-
import numpy
as np
-
-
img = np.zeros((
20,
10), dtype=np.uint8)
-
i =
0
-
for v
in img:
-
v[:] = i//
5 *
60
-
i +=
1
-
-
cv2.imwrite(
'img_init.png', img)
-
-
seed = (
7,
7)
-
#构建mask,根据mask参数的介绍,其size必须为宽img+2,高img+2
-
mask = np.zeros((img.shape[
0]+
2, img.shape[
1] +
2), dtype=np.uint8)
-
newVal = (
127)
#img fill的填充值
-
mask_fill =
252
#mask的填充值
-
#floodFill充值标志
-
flags =
4|(mask_fill<<
8)|cv2.FLOODFILL_FIXED_RANGE
-
#连通区范围设定
-
loDiff, upDiff =
20,
20
-
#执行floodFill操作
-
ret, image, mask, rect = cv2.floodFill(img, mask, seed, newVal,(loDiff), (upDiff), flags)
-
cv2.imwrite(
'img.png', img)
-
cv2.imwrite(
'img_mask.png', mask)
floodFill前、后的img图像(左前右后)：
对比发现，img图像的第二行颜色变了，check一下第二行的颜色值，发现变为了127，这与Code-2中
newVal =(127)#img fill的填充值
是一致的：
再check一下得到的mask图像:
其像素值为：
mask_fill =252 #mask的填充值
并且，最外围边缘一周的像素点，全部被填充为1，这与mask参数的描述完全一致。
接下来，我们调整一下loDiff的值为70，我们看看会有什么不一样：
loDiff, upDiff =70,20
得到的img图像为：
与原始img图片对比：
观察floodFill后的img像素值：
我们发现img图像第一、二行的值均被置为127了，这是因为当loDiff值为70时，seed=(7,7)所在点的值为60，而60-loDiff=-10,60+upDiff=80,而img图片第一、二行的像素值分别为0和60，均值[-10,80]这个区间内，故img图片第一、二行均被填充。
以上都是基于FLOODFILL_FIXED_RANGE这种填充方式的，下面我们对比一下使用FLOODFILL_MASK_ONLY方式来填充会有什么不一样。其他code保存不变，我们只需将
flags =4|(mask_fill<<8)|cv2.FLOODFILL_FIXED_RANGE
改为：
flags =4|(mask_fill<<8)|cv2.FLOODFILL_MASK_ONLY
运行程序后，发现img图片第一、第二行的值均未发生变化：
但mask图片第一、第二行的值与前面使用FLOODFILL_FIXED_RANGE时是一样的：
故此，可以验证前面对FLOODFILL_MASK_ONLY的解释，只影响mask的输出，对image无影响。
最后，对flags的0-7bit邻接性进行分析。
相邻像素
1) 4领域
对位于坐标(x,y)的像素p有4个水平和垂直的相邻像素，它们的坐标是：
(x+1,y), (x-1,y),(x,y+1),(x,y-1)
这组像素称为p的4邻域，用N4(p)表示：
对角相邻像素
p的四个对角像素的坐标为：
(x+1,y+1), (x+1,y-1),(x-1,y+1),(x-1,y-1)
用ND(p)表示：
8领域
N4(p)和ND(p)组成像素p的8个相邻像素，称为p的8邻域，用N8(p)表示：
邻接性
4邻接-如果q在集合N4(p)中，则p和q是4邻接。
8邻接-如果q在集合N8(p)中，则p和q是8邻接。
最后，通过代码来演示一下：
Code-3-1:
-
#encoding=utf-8
-
#创建一个8x8的图片
-
import cv2
-
import numpy
as np
-
-
size =
8
-
img = np.zeros((size,size), dtype=np.uint8)
-
img[:] =
0
-
img[
4,
4] =
1
-
img[
3,
4] =
1
-
img[
4,
3] =
1
-
img[
4,
5] =
1
-
img[
5,
4] =
1
-
img[
2,
4] =
1
-
img[
1,
5] =
1
-
img[
1,
3] =
1
-
img[
2,
2] =
1
-
img[
3,
1] =
1
-
img[
4,
0] =
1
-
img[
5,
1] =
1
-
img[
6,
2] =
1
-
img[
7,
3] =
1
-
print(img)
创建一个以p(4,4)为中心像素的8x8图像：
下面以p(4,4)作为seed，对该图像进行floodFill操作,对比4邻接和8邻接的差异。
Code-3-2：
-
#encoding=utf-8
-
#创建一个8x8的图片
-
import cv2
-
import numpy
as np
-
-
size =
8
-
img = np.zeros((size,size), dtype=np.uint8)
-
img[:] =
0
-
seed_x =
4
-
seed_y =
4
-
img[seed_x, seed_y] =
1
-
img[
4,
4] =
1
-
img[
3,
4] =
1
-
img[
4,
3] =
1
-
img[
4,
5] =
1
-
img[
5,
4] =
1
-
img[
2,
4] =
1
-
img[
1,
5] =
1
-
img[
1,
3] =
1
-
img[
2,
2] =
1
-
img[
3,
1] =
1
-
img[
4,
0] =
1
-
img[
5,
1] =
1
-
img[
6,
2] =
1
-
img[
7,
3] =
1
-
-
seed = (seed_x, seed_y)
-
mask= np.zeros((size+
2,size+
2), dtype=np.uint8)
-
-
img1 = img.copy()
-
img2 = img.copy()
-
mask1 = mask.copy()
-
mask2 = mask.copy()
-
-
ret, img1,mask1, rect=cv2.floodFill(img1, mask1, seed,(
8), (
0),(
0), flags=
4|(
3<<
2)|cv2.FLOODFILL_FIXED_RANGE)
-
ret, img2,mask2, rect=cv2.floodFill(img2, mask2, seed,(
8), (
0),(
0), flags=
8|(
3<<
2)|cv2.FLOODFILL_FIXED_RANGE)
-
print(img)
-
print(img1)
-
print(img2)
img2为8邻接填充：
<li class="tool-item tool-active is-like "><a href="javascript:;"><svg class="icon" aria-hidden="true"> <use xlink:href="#csdnc-thumbsup"></use> </svg><span class="name">点赞</span> <span class="count">4</span> </a></li> <li class="tool-item tool-active is-collection "><a href="javascript:;" data-report-click="{"mod":"popu_824"}"><svg class="icon" aria-hidden="true"> <use xlink:href="#icon-csdnc-Collection-G"></use> </svg><span class="name">收藏</span></a></li> <li class="tool-item tool-active is-share"><a href="javascript:;"><svg class="icon" aria-hidden="true"> <use xlink:href="#icon-csdnc-fenxiang"></use> </svg>分享</a></li> <!--打赏开始--> <!--打赏结束--> <li class="tool-item tool-more"> <a> <svg t="1575545411852" class="icon" viewBox="0 0 1024 1024" version="1.1" xmlns="http://www.w3.org/2000/svg" p-id="5717" xmlns:xlink="http://www.w3.org/1999/xlink" width="200" height="200"><defs><style type="text/css"></style></defs><path d="M179.176 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5718"></path><path d="M509.684 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5719"></path><path d="M846.175 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5720"></path></svg> </a> <ul class="more-box"> <li class="item"><a class="article-report">文章举报</a></li> </ul> </li> </ul> </div> </div> <div class="person-messagebox"> <div class="left-message"><a href="https://blog.csdn.net/weixin_42296411"> <img src="https://profile.csdnimg.cn/0/4/8/3_weixin_42296411" class="avatar_pic" username="weixin_42296411"> <img src="https://g.csdnimg.cn/static/user-reg-year/2x/2.png" class="user-years"> </a></div> <div class="middle-message"> <div class="title"><span class="tit"><a href="https://blog.csdn.net/weixin_42296411" data-report-click="{"mod":"popu_379"}" target="_blank">weixin_42296411</a></span> </div> <div class="text"><span>发布了2 篇原创文章</span> · <span>获赞 10</span> · <span>访问量 2万+</span></div> </div> <div class="right-message"> <a href="https://im.csdn.net/im/main.html?userName=weixin_42296411" target="_blank" class="btn btn-sm btn-red-hollow bt-button personal-letter">私信 </a> <a class="btn btn-sm bt-button personal-watch" data-report-click="{"mod":"popu_379"}">关注</a> </div> </div> </div>
386
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
