如何使用 python OpenCV 查找单通道图像中匹配特定值的最大连通分量？

Question

所以我有一个单通道图像，主要是 0s（背景），前景像素的一些值，如 20、21、22。非零前景像素大部分与具有相同值的其他前景像素聚集在一起。但是，图像中存在一些噪点。为了消除噪声，我想使用连通分量分析，并且对于每个值（在本例中为 20、21、22），将除最大连通分量以外的所有值都归零。所以最后，我将有 3 个大的连接组件并且没有噪音。我将如何使用 cv2.connectedComponentsWithStats 来完成这个？它的文档似乎很少，甚至在查看 this post 之后，我也不完全理解如何解析函数的 return 值。有没有一种方法可以指定我只需要与特定灰度值匹配的连接组件？

Answer 1

这是一般方法：

创建一个新的空白图像以将组件添加到
遍历图像中每个不同的非零值
为每个值创建一个掩码（为每个值提供多个 blob）
运行 connectedComponentsWithStats() 戴口罩
找到最大面积对应的非零标签
创建一个具有最大标签的蒙版，并将值插入到蒙版位置的新图像中

这里令人讨厌的是第 5 步，因为 0 的值通常但不总是最大的组件。所以我们需要按面积得到最大的非零分量

这是一些我认为可以实现所有功能的代码（一些示例图像肯定会很好）：

import cv2
import numpy as np

img = np.array([
    [1, 0, 1, 1, 2],
    [1, 0, 1, 1, 2],
    [1, 0, 1, 1, 2],
    [1, 0, 1, 1, 2],
    [1, 0, 1, 1, 2]], dtype=np.uint8)

new_img = np.zeros_like(img)                                        # step 1
for val in np.unique(img)[1:]:                                      # step 2
    mask = np.uint8(img == val)                                     # step 3
    labels, stats = cv2.connectedComponentsWithStats(mask, 4)[1:3]  # step 4
    largest_label = 1 + np.argmax(stats[1:, cv2.CC_STAT_AREA])      # step 5
    new_img[labels == largest_label] = val                          # step 6

print(new_img)

显示所需的输出：

[[0 0 1 1 2]
 [0 0 1 1 2]
 [0 0 1 1 2]
 [0 0 1 1 2]
 [0 0 1 1 2]]

为了完成代码，首先我们创建新的标记图像，毫无想象力地称为 new_img，其中填充了零，稍后将由正确的标签填充。然后，np.unique() 找到图像中的唯一值，除了第一个值外，我正在获取所有值；请注意，np.unique() returns 是一个排序数组，因此 0 将是第一个值，我们不需要找到零的分量。对于每个唯一的 val，创建一个填充有 0 和 1 的掩码，并在此掩码上连接运行个组件。这将使用不同的标签标记每个不同的区域。然后我们可以抓取最大的非零标记组件**，为它创建一个掩码，并将该 val 添加到新图像的那个地方。

** 这是代码中看起来很奇怪的烦人之处。

largest_label = 1 + np.argmax(stats[1:, cv2.CC_STAT_AREA])

首先，您可以查看您链接的关于 stats 数组形状的答案，但每一行都对应一个标签（因此标签 0 将对应第一行，依此类推），并且该列由整数 cv2.CC_STAT_AREA（即 4）定义。我们需要确保我们正在查看最大的非零标签，所以我只查看第一行之后的行。然后，抓取最大区域对应的索引。由于我们剃掉了零行，索引现在对应于 label-1，因此加 1 以获得正确的标签。然后我们可以像往常一样屏蔽并插入值。

如何使用 python OpenCV 查找单通道图像中匹配特定值的最大连通分量？

How to use python OpenCV to find largest connected component in a single channel image that matches a specific value?

python

opencv

image-processing

noise-reduction

connected-components