语义分割如何去掉小面积的区域（python/C++）

原创于 2025-05-09 18:01:46 发布 · 813 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #语义分割删除小面积区域

深度学习笔记专栏收录该内容

16 篇文章

订阅专栏

C++:

cv::Mat removeLargerSmallerRegion(cv::Mat mask, int minAreaThreshold , int maxAreaThreshold )
{
    // 查找轮廓
    std::vector<std::vector<Point>> contours;
    std::vector<cv::Vec4i> hierarchy;

    findContours(mask, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE, cv::Point(0, 0));
   
    // 遍历所有轮廓，过滤掉面积小于阈值的轮廓
    int minAreaThreshold = 20; // 设置最小面积阈值
    int maxAreaThreshold  = 1000
    for (int i = 0; i < contours.size(); i++) {
        int areasValue = contourArea(contours[i], false);

        if (areasValue <= minAreaThreshold  && areasValue >= maxAreaThreshold ) 
        { // 只保留大于设定阈值的区域
            cv::Scalar color = cv::Scalar(0, 0, 0); // 区域涂黑
            drawContours(mask, contours, i, color, CV_FILLED, 8, hierarchy, 0, cv::Point(0, 0));
        }
    }
}

findContours：检测物体轮廓

findContours(Mat image, 
             List<MatOfPoint> contours, 
             Mat hierarchy, 
             int mode, 
             int method, 
             Point offset)

参数介绍：
image：单通道图像矩阵，可以是灰度图，但更常用的是二值图像，此处使用的是，语义分割之后的mask结果图，像素值代表类别；
contours：为一个向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓；有多少轮廓，向量contours就有多少元素；
int model：定义轮廓的检索模式：
1）RETR_EXTERNAL：只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略；
2）RETR_LIST ：检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓；
3）RETR_CCOMP：检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层；
4）RETR_TREE：检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。
int method：定义轮廓的近似方法：
1）CHAIN_APPROX_NONE：保存物体边界上所有连续的轮廓点到contours向量内；
2）CHAIN_APPROX_SIMPLE：仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留；
3）CHAIN_APPROX_TC89_L1，CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法；
Point offset：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，并且Point还可以是负值。

drawContours：用于绘制轮廓的函数，根据轮廓数据在图像上绘制轮廓线条或填充轮廓。

drawContours(Mat image, 
             List<MatOfPoint> contours, 
             int contourIdx, 
             Scalar color, 
             int thickness,
             int lineType, 
             Mat hierarchy, 
             int maxLevel, 
             Point offset)

参数介绍：
第一个参数image表示目标图像，
第二个参数contours表示输入的轮廓组，每一组轮廓由点vector构成，
第三个参数contourIdx****指明画第几个轮廓，如果该参数为负值，则画全部轮廓，
第四个参数color为轮廓的颜色，
第五个参数thickness为轮廓的线宽，如果为负值或CV_FILLED表示填充轮廓内部，
第六个参数lineType为线型，
第七个参数为轮廓结构信息，
第八个参数为maxLevel
第九个参数为偏移量

contourArea：计算轮廓面积
这个函数可以计算给定轮廓的面积，轮廓是由一系列二维点组成的。

double contourArea(InputArray contour, bool oriented = false);

参数介绍：
InputArray contour：输入的点集，通常是图像轮廓的顶点坐标，可以是std::vector或Mat类型。
bool oriented：是一个面向区域的标识符，如果设置为true，函数会返回一个带符号的面积值，正负取决于轮廓的方向（顺时针或逆时针）。如果为false，则以绝对值返回面积值。

注意：
1、contourArea（）求的是封闭曲线内面积（通过格林公式计算），几何面积求的是最小外接矩的面积，导致contourArea（）求出来的面积和宽高面积不一样，且永远小于看宽高面积。
2、由于在计算面积的时候丢失了外围像素，因此contourArea（）求出来的面积比真实面积要小。

python：

方法一：通过检测轮廓来去除

findContours()函数：
检测输入图像的轮廓，最后通过面积进行筛选

contours, hierarch = cv.findContours(img, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)

参数：
img: 输入图像，最好也是二值图像；
返回值：
coutours：一个list，list中每个元素都是图像中的一个轮廓信息，用numpy中的ndarray表示，配合cv.contourArea() 函数可以直接得到轮廓面积,配合cv.drawContours()函数可以对某个区域进行操作，比如上述的直接让该区域像素值置为背景颜色0（这俩函数也不多做赘述了，一搜一大堆）

hierarchy:轮廓间的层次关系,为三维数组，形状为(1,n,4)。

方法二：检测连通区域
connectedComponentsWithStats()函数
通过这个函数检测到每个连通区域后，再对不同区域的面积进行筛选：

num_labels, labels, stats, centroids = cv.connectedComponentsWithStats(src, connectivity=8, ltype=None)

函数参数：
src：传入需要处理的图片，要求为二值图像，上面用例的图像已经是二值图像了，如果不是的话需要加一步二值化；
connectivity：可选值为4或8，也就是使用4连通还是8连通
在这里插入图片描述
返回值：
num_labels：所有连通域的数目
labels：这个返回值很关键，ltype参数默认为none的情况下，输出的labels是一个和原图一样大小的矩阵，原图中检测到的连通图的位置，对应的labels矩阵值为1，其余值为0；
stats：记录了每个连通区域的信息，是一个5列的矩阵，每一行对应一个连通区域，分别为连通区域外接矩形的x、y、width、height和面积，例如stats[0][4]就是第一个连通区域的面积
centroids：连通域的中心点

然后就可以通过stats对连通域进行筛选，再通过labels确定筛选出的区域坐标，在进行各种想进行操作，比如这个去除孤立点，直接让该区域像素值置为背景颜色0即可。

import cv2.cv2 as cv
import numpy as np
 
def Img1(src):
    num_labels, labels, stats, centroids = cv.connectedComponentsWithStats(src, connectivity=8, ltype=None)
    img = np.zeros((src.shape[0], src.shape[1]), np.uint8)    #创建个全0的黑背景
    for i in range(1, num_labels):
        mask = labels == i             #这一步是通过labels确定区域位置，让labels信息赋给mask数组，再用mask数组做img数组的索引
        if stats[i][4] > 300:         #300是面积 可以随便调
            img[mask] = 255
                      #面积大于300的区域涂白留下，小于300的涂0抹去
        else:
            img[mask] = 0
           
    return img
 
def Img2(img):
    contours, hierarch = cv.findContours(img, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)
    area = []
    for i in range(len(contours)):
        area.append(cv.contourArea(contours[i]))   #计算轮廓所占面积
        if area[i] < 300:                   #轮廓面积，可以自己随便调
            cv.drawContours(img,[contours[i]],0,0,-1)         #该轮廓区域填0
            continue
    return img
 
src = cv.imread('01.png',0)
cv.imshow('input',src)
cv.waitKey(0)
src = Img1(src)
cv.imshow('output', src)
cv.waitKey()