OpenCV4（C++）—— 图像连通域的详细分析

前言

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。

---

一、connectedComponents函数

  OpenCV4提供了提取图像中不同连通域的 connectedComponents() 函数，并为部分参数增加了默认值。使用时直接填入输入图像和输出图像两个参数即可。

  举例：找出上面图像中所有水果，并用矩形框标出

代码如下（示例）：

#include 
#include  
using namespace std;

int main()
{
	cv::Mat image = cv::imread("C:/Users/Opencv/temp/300.png", cv::IMREAD_GRAYSCALE);
	cv::Mat binImg;
	cv::threshold(image, binImg, 235, 255, cv::THRESH_BINARY_INV);  // 二值化处理

	// //统计图像中连通域的个数
	cv::Mat labels;
	int numComponents = cv::connectedComponents(binImg, labels);

    // 绘制每个连通域的边界框
    cv::Mat output = image.clone();
    for (int i = 1; i < numComponents; ++i) {
        // 提取当前连通域的mask
        cv::Mat mask = (labels == i);

        // 查找轮廓
        std::vector<std::vector<cv::Point>> contours;
        cv::findContours(mask, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

        // 绘制边界框
        cv::Rect boundingRect = cv::boundingRect(contours[0]);
        cv::rectangle(output, boundingRect, cv::Scalar(0, 255, 0), 2);
    }
	cv::imshow("原图", image);
	cv::imshow("二值图", binImg);
	cv::imshow("标记", output);

	cv::waitKey(0);
	cv::destroyAllWindows();
	return 0;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

分析：
（1）根据图像邻域分析原理，进行连通域统计之前，要先把输入图像转换为二值图像。

（2）将二值图传入connectedComponents函数中，连通域结果记录在labels中，返回值是连通域的个数。可视化labels，白色区域就是函数判定的连通域，对这些连通域的所有像素会进行标号处理，从“1”开始。从图1中可以看到很许多较小的连通域，将其放大（如图2），可以看到标号“17”的连通域只有4个像素，标号“18”的只有2个像素。

图 1

图 2

（3）示例代码中 cv::Mat mask = (labels == i); 分析：当 i=1 时，labels图中只会把标号“1”的连通域提取出来，其他连通域都置为0，所以通过循环可依次找出不同标号的连通域。下面图3为标号“1”的连通域，可以看到其他白色区域都没有了。然后再对它进行查找轮廓，再添加矩形框，结果如图4。

图 3

图 4

下面图5为循环到标号“7”的连通域，详细像素值如图6，矩形框结果如图7

图 5

图 6

图 7

（4）示例代码的最终结果如图8。而原本只想要检测出三个水果，可以通过判定连通域大小，将较大的连通域删除，只保留较大的。示例代码修改如下，结果如图9所示

图 8

int main()
{
	cv::Mat image = cv::imread("C:/Users/Opencv/temp/300.png", cv::IMREAD_GRAYSCALE);
	cv::Mat binImg;
	cv::threshold(image, binImg, 235, 255, cv::THRESH_BINARY_INV);  // 二值化处理

	// //统计图像中连通域的个数
	cv::Mat labels;
	int numComponents = cv::connectedComponents(binImg, labels);

    // 绘制每个连通域的边界框
    cv::Mat output = image.clone();
    for (int i = 1; i < numComponents; ++i) {
        // 提取当前连通域的mask
        cv::Mat mask = (labels == i);

        // 查找轮廓
        std::vector<std::vector<cv::Point>> contours;
        cv::findContours(mask, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);  

        // 计算边界框面积
        cv::Rect boundingRect = cv::boundingRect(contours[0]);
        int area = boundingRect.width * boundingRect.height;
        if (area < 200)  // 面积小于200的不要
            continue;

        // 绘制边界框
        cv::rectangle(output, boundingRect, cv::Scalar(0, 255, 0), 2);
    }

	cv::imshow("原图", image);
	cv::imshow("二值图", binImg);
	cv::imshow("标记", output);

	cv::waitKey(0);
	cv::destroyAllWindows();
	return 0;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

图 9

二、connectedComponentsWithStats函数

  connectedComponents()函数只能通过标签将图像中的不同连通域区分开，无法得到更多的统计信息。上面的示例代码中，额外采用了findContours函数获得轮廓，然后使用boundingRect函数来计算其最小外接矩形。

  因为得到目标的矩形区域是非常常用的一个步骤，所以OpenCV4提供了connectedComponentsWithStats ()函数用于标记出图像中不同连通域的同时统计连通域的位置、面积的信息。

  相比于connectedComponents()函数，该函数主要多了两个参数：stats和centroids

int cv::connectedComponentsWithStats(
    InputArray image,                  // 输入图像，应为二值化图像
    OutputArray labels,                // 输出标签图像，每个像素点对应一个连通域标签
    OutputArray stats,                 // 输出统计信息，包括连通域的外接矩形、面积等
    OutputArray centroids,             // 输出连通域的质心坐标
    int connectivity = 8,              // 连通性，可选择 4 或 8 连通
    int ltype = CV_32S                   // 标签图像的数据类型，默认为 CV_32S
);
1
2
3
4
5
6
7
8

上述示例代码可以修改为：

int main()
{
	cv::Mat image = cv::imread("C:/Users/Opencv/temp/300.png", cv::IMREAD_GRAYSCALE);
	cv::Mat binImg;
	cv::threshold(image, binImg, 235, 255, cv::THRESH_BINARY_INV);  // 二值化处理

	// 连通组件标记及统计信息计算
	cv::Mat labels, stats, centroids;
	int numComponents = cv::connectedComponentsWithStats(binImg, labels, stats, centroids);

	// 绘制每个连通组件的外接矩形和质心
	cv::Mat output = image.clone();
	cv::cvtColor(output, output, cv::COLOR_GRAY2BGR); // 将灰度图转为伪彩色图以便绘制
	// cv::Mat output = cv::imread("C:/Users/jutze/ljw_C++/Opencv/temp/300.png"); // 或者直接用原图的彩色图

	for (int i = 1; i < numComponents; ++i) {
		// 根据面积过滤连通组件
		int area = stats.at<int>(i, cv::CC_STAT_AREA);
		if (area > 200)
		{
			// 绘制外接矩形
			cv::Rect boundingRect(
				stats.at<int>(i, cv::CC_STAT_LEFT),
				stats.at<int>(i, cv::CC_STAT_TOP),
				stats.at<int>(i, cv::CC_STAT_WIDTH),
				stats.at<int>(i, cv::CC_STAT_HEIGHT));
			cv::rectangle(output, boundingRect, cv::Scalar(0, 255, 0), 2);

			// 绘制质心
			cv::Point centroid(centroids.at<double>(i, 0), centroids.at<double>(i, 1));
			cv::circle(output, centroid, 5, cv::Scalar(255, 0, 0), -1);
		}
	}
	cv::imshow("原图", image);
	cv::imshow("二值图", binImg);
	cv::imshow("标记", output);

	cv::waitKey(0);
	cv::destroyAllWindows();
	return 0;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

注：示例代码中，有一行代码是将灰度图转为伪彩色图，我们知道灰度图是无法转回彩色图的，所以这步称为伪彩色。即将单通道转为三通道，但数值一样，如[247]转为[247,247,247]。三个通道数值一样，所呈现的视觉效果跟灰度图是相同的，如下图

可以看到，output已经是3×UINT8的三通道类型了，但看起来还是跟灰度图一样。再放大看看数值，三个通道一样

因为原图是彩色图，示例代码中将其转为灰度图，我们也可以直接用原图来进行绘制，结果如下