图像形态学操作中的提取连通分量是一种用于分离图像中相互连接的像素区域的技术。这些像素区域通常代表着图像中的不同物体、目标或者区域。连通分量提取通常用于图像分割、对象识别、特征提取等领域。
原理:
连通分量提取基于图像中像素的连接性。在这个过程中,通过寻找像素点之间的连接关系,将相邻的像素组合成具有特定特征的区域。
作用:
连通分量提取可以帮助识别图像中的独立对象或区域,从而有助于进行物体检测、图像分割、特征提取等任务。通过标记不同的连通分量,可以分离出图像中不同的目标。
适用场景:
- 目标检测与识别:可以用于找出图像中的不同物体或目标。
- 图像分割:将图像分割成具有连通性的区域。
- 特征提取:提取图像中各个连通分量的特征,如面积、周长等。
在OpenCV中,可以使用函数如connectedComponents
来实现提取连通分量。
数学公式:
连通分量提取假设有一个图像
I
I
I,可以表示为一个二值化矩阵。
I
(
x
,
y
)
I(x, y)
I(x,y) 表示图像中坐标为
(
x
,
y
)
(x, y)
(x,y) 处的像素值,通常是 0 或 1。
提取连通分量的过程可以用以下数学表示:
- 找到所有连通的像素区域,并为每个区域分配一个唯一的标签。
- 将具有相同标签的像素归为同一个连通分量。
Python代码示例:
import cv2
import numpy as np
def show_images(image):
cv2.namedWindow('image',cv2.WINDOW_KEEPRATIO)
cv2.imshow('image',image)
cv2.waitKey()
cv2.destroyAllWindows()
def connectedComponents(image):
_, binary_image = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 二值化图像
# 提取连通分量
num_labels, labels = cv2.connectedComponents(binary_image)
# 创建一个与原图像相同大小的彩色图像以显示连通分量
output = np.zeros_like(image)
for i in range(1, num_labels):
output[labels == i] = np.random.randint(0, 255) # 为每个分量随机赋予颜色
return output
if __name__ == '__main__':
# 读取图像
img = cv2.imread('cat-dog.png', flags=0)
re_img=connectedComponents(img)
# top_row = np.hstack((img, re_img[0]))
# bottom_row = np.hstack((re_img[1], re_img[2])) #水平
# combined_img = np.vstack((img, re_img))# 垂直
combined_img=np.hstack((img,re_img))
show_images(combined_img)