OpenCV_连通区域分析（Connected Component Analysis/Labeling）

最新推荐文章于 2025-09-08 11:30:07 发布
转载 最新推荐文章于 2025-09-08 11:30:07 发布 · 1.1k 阅读 · 1

这篇原理讲的很到位

http://blog.youkuaiyun.com/icvpr/article/details/10259577


此篇有实现代码

http://blog.youkuaiyun.com/augusdi/article/details/9008921

不过第53行是个bug


OpenCV_连通区域分析
thequitesunshine007的博客
02-09 733
0. 写在前面 连通区域（Connected Component）一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域（Region，Blob）。连通区域分析（Connected Component Analysis,Connected Component Labeling）是指将图像中的各个连通区域找出并标记。 连通区域分析是一种在图像分析处理的众多应用领域中较为基本的方法。例如：OCR识别中字符分割提取（车牌识别、文本识别、字幕识别等）、视觉跟踪中的运动前景目标分割与提取（行人入侵检测、遗
OpenCV 连通分量标记和分析
weixin_43229348的博客
08-04 3269
在本教程中，您将学习如何使用 OpenCV 执行连通分量标记和分析。。连通分量标记（也称为连通分量分析、斑点提取或区域标记）是图论的一种算法应用，用于确定二进制图像中“斑点”状区域的连通性。我们经常在与使用轮廓相同的情况下使用连通分量分析；然而，连通分量标记通常可以让我们对二值图像中的斑点进行更细粒度的过滤。在使用轮廓分析时，我们经常受到轮廓层次结构的限制（即一个轮廓包含在另一个轮廓中）。通过连通分量分析，我们可以更轻松地分割和分析这些结构。...
Opencv2系列学习笔记10(提取连通区域轮廓)
热门推荐
小村长技术blog
12-19 2万+
连通区域指的是二值图像中相连像素组成的形状。而内、外轮廓的概念及opencv1中如何提取二值图像的轮廓见我的这篇博客: http://blog.youkuaiyun.com/lu597203933/article/details/14489225  轮廓的简单提取算法如下：        系统性地扫描图像直到遇到连通区域的一个点，以它为起始点，跟踪它的轮廓，标记边界上的像素。当轮廓完整闭合，扫描回到
二值图像分析：连通组件寻找算法
Hundreays
02-24 2200
二值图像分析：连通组件寻找算法1.连通组件标记算法介绍2.OpenCV中的API 1.连通组件标记算法介绍 连接组件标记算法(connected component labeling algorithm)是图像分析中最常用的算法之一，算法的实质是扫描二值图像的每个像素点，对于像素值相同的而且相互连通分为相同的组(group)，最终得到图像中所有的像素连通组件。扫描的方式可以是从上到下，从左到右。对于一幅有N个像素的图像来说，最大连通组件个数为N/2。扫描是基于每个像素单位的，OpenCV中进行连通组件扫描调
OpenCV C++ 二值图像分析：从连通组件到轮廓匹配
最新发布
品质生活，极致编程。
09-08 754
4 连通：一个像素只与其上、下、左、右四个方向的像素连接8 连通：一个像素与其上、下、左、右及四个对角线方向的像素连接4连通邻居 8连通邻居N N NE ES W SW S连通组件标记：通过两遍扫描或种子填充算法，实现目标区域分离与计数轮廓发现：使用提取轮廓，理解层次结构对复杂场景分析至关重要轮廓测量：计算面积、周长、质心等几何特征，量化描述目标形状拟合与逼近：通过多边形逼近和凸包提取，简化轮廓并保留关键特征形状检测：Hough 变换实现直线与圆检测，适用于建筑、工业零件等规则目标。
使用OpenCV去除面积较小的连通域
01-19
这是后期补充的部分，和前期的代码不太一样 效果图 源代码 //测试 void CCutImageVS2013Dlg::OnBnClickedTestButton1() { vector > contours; //轮廓数组 vector centers; //轮廓质心坐标 vector >::iterator itr; //轮廓迭代器 vector::iterator itrc; //质心坐标迭代器 vector > con; //当前轮廓 do
图像分析之连通组件标记算法
web开发
04-20 935
图像处理之连接组件标记算法 连接组件标记算法(connected component labeling algorithm)是图像分析中最常用的算法之一， 算法的实质是扫描一幅图像的每个像素，对于像素值相同的分为相同的组(group),最终得到 图像中所有的像素连通组件。扫描的方式可以是从上到下，从左到右，对于一幅有N个像 素的图像来说，最大连通组件个数为N/2。扫描是基于每个像素单位...
opencv形态学应用之连通域提取
wxplol的博客
06-12 8383
提取连通域实际上是标记连通域的过程，其算法如下： 初始点：Bo=某个连通分量中的某点（这里通过遍历图像，知道像素值为255，将此点作为种子点） 循环： （用3X3d的结构元素对种子点进行膨胀，然后用原图像对膨胀结果取交集） 结束条件：知道膨胀的图像不发生变化 在这里可以用一个模板来存储连通分量，其位置对应原图像的位置。提取完后可以修改原图像的像素值，即一个标签。 实现过
matlab连通区边界_matlab ——二值图像的连通区域图像处理与图像分析
weixin_33286064的博客
02-01 1210
regionprops统计被标记的区域的面积分布，显示区域总数。配合[L,num]=bwlabel(bw,8);%另一篇博文里有函数regionprops语法规则为：STATS = regionprops(C,properties)properties字符串列表AreaEquivDiameterMajorAxisLengthBoundingBoxEulerNumberMinorAxisLength...
c++连通区域处理 种子生成法
qq_36955294的博客
12-14 1866
OpenCV_连通区域分析（Connected Component Analysis-Labeling） OpenCV_连通区域分析（Connected Component Analysis/Labeling） 【摘要】 本文主要介绍在CVPR和图像处理领域中较为常用的一种图像区域（Blob）提取的方法——连通性分析法（连通区域标记法）。文中介绍了两种常见的连通性分析的算法：1）Two-pass；2）Seed-Filling种子填充，并给出了两个算法的基于OpenCV的C++实现代码。 ..
matlab ——二值图像的连通区域图像处理与图像分析
chaihuimin的专栏
08-08 1万+
regionprops统计被标记的区域的面积分布，显示区域总数。 配合[L,num]=bwlabel(bw,8);   %另一篇博文里有函数regionprops语法规则为： STATS = regionprops(C,properties) properties字符串列表 Area EquivDiameter
Opencv提取连通区域轮廓的方法
12-25
本文实例为大家分享了Opencv提取连通区域轮廓的具体代码，供大家参考，具体内容如下 在进行图像分割后，可能需要对感兴趣的目标区域进行提取，比较常用的方法是计算轮廓。 通过轮廓可以获得目标的一些信息： （1）目标位置 （2）目标大小（即面积） （3）目标形状（轮廓矩） 当然，轮廓不一定代表希望目标区域，阈值分割时可能造成一部分信息丢失，因此可以计算轮廓的质心坐标，再进行漫水填充。 程序中有寻找质心+填充，但效果不好，因此就不放填充后的图了。 实验结果： #include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/hig
opencv区域提取
05-23
区域提取
【OpenCV】提取最大连通域
Beyond欣
12-18 1616
void MatUtil::GetPostiveField( QString imagename, vtkPolyData *edgePoly, double spacing) { double area = 0; quint64 index = 0; cv::Mat input = cv::imread(imagename.toLocal8Bit().data(), CV_8UC1); cv::Mat contour = cv::Mat::ones(input.r.
python和c++ ---- opencv图像连通区域提取
shadowsland的专栏
03-18 3850
python python的图像连通区域提取使用的函数是measure.label(img)做连通标记，然后具体信息的话通过measure.regionprops获取 import cv2 import time import numpy as np from skimage import measure image = cv.imread("test.jpg") _, temp_bin = cv2.threshold(image, 126, 255, cv2.THRESH_BINARY) # 做闭操作：
opencv c++ 获取图片中的连通域
lucust的博客
11-07 1595
有时一张图片上有多个待识别物体，图像在被转换成二值化图像后，对应的物体部分会明显与背景有区别，每个物体之间也会有着不同的轮廓（物体均有间隔距离）。labels //与image相同大小的Mat，其中的同一连通域的像素点会带有相同索引。获取针对不同物体获取其轮廓，分别保存为与输入图像相同大小的Mat并输出。connectivity // 连通域查找方法4，8。itype // 标签图像类型。image // 输入图像。
OpenCV实现图像连通组件标记与分析
好习惯成就伟大
04-01 2671
OpenCV实现图像连通组件标记与分析 一：连通组件标记算法介绍 连接组件标记算法(connected component labeling algorithm)是图像分析中最常用的算法之一，算法的实质是扫描一幅图像的每个像素，对于像素值相同的分为相同的组(group),最终得到图像中所有的像素连通组件。扫描的方式可以是从上到下，从左到右，对于一幅有N个像素的图像来说，最大连通组件个数为N/2。扫...
Opencv基于findContours的二值图微小连通域去除
qq_41372644的博客
12-11 758
Opencv基于findContours的微小连通域去除 本文是基于https://blog.youkuaiyun.com/qingzhuyuxian/article/details/92791447?utm_medium=distribute.pc_relevant_bbs_down.none-task-blog-baidujs-1.nonecase&depth_1-utm_source=distribute.pc_relevant_bbs_down.none-task-blog-baidujs-1.none
openCV连通域的提取与质心标记
李文韬的博客
02-10 2386
openCV的函数可以轻松提取黑白图像的连通域，并给出每个连通区质心的位置。以下图为例我们希望提取图片中的两个白色正方体和一个圆形，并标记它们的质量中心。
blob分析背后的原理 opencv
08-19
在 OpenCV 中，Blob 分析（Blob Analysis）是一种用于检测和分析图像中连通区域的技术。Blob 是图像中具有相同像素值且相互连接的区域，Blob 分析的目标是识别这些区域并提取它们的特征信息，例如面积、周长、形状等。该技术广泛应用于目标检测、图像分割和特征提取等领域。 ### 工作原理 Blob 分析的基本原理是通过对图像进行二值化处理，将图像中的像素分为前景和背景两类。随后，使用连通区域标记（Connected Component Labeling）算法识别所有连通的前景区域，并为每个区域分配一个唯一的标签。每个连通区域被视为一个 Blob，接着可以提取其特征并进行进一步分析。 Blob 分析的核心步骤包括： 1. **图像预处理**：通常使用阈值分割（如二值化）将图像转换为黑白图像，以区分前景和背景。 2. **连通区域标记**：通过算法（如四邻域或八邻域扫描）识别所有连通区域，并为每个区域分配唯一的标签。 3. **特征提取**：计算每个 Blob 的特征，如面积、周长、质心、形状等。 4. **筛选与分析**：根据特定条件筛选感兴趣的 Blob，并进行进一步处理或分析。 ### 实现方法 OpenCV 提供了 `SimpleBlobDetector` 类用于 Blob 检测，同时也可以通过 `connectedComponentsWithStats` 函数实现更详细的 Blob 分析。 #### 使用 `SimpleBlobDetector` 进行 Blob 检测 以下是一个使用 `SimpleBlobDetector` 的示例代码： ```python import cv2 import numpy as np # 读取图像并转换为灰度图 im = cv2.imread("blob_detection.jpg", cv2.IMREAD_GRAYSCALE) # 创建默认参数的 Blob 检测器 detector = cv2.SimpleBlobDetector_create() # 检测 Blob keypoints = detector.detect(im) # 绘制检测到的 Blob with_keypoints = cv2.drawKeypoints(im, keypoints, np.array([]), (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS) # 显示结果 cv2.imshow("Keypoints", with_keypoints) cv2.waitKey(0) ``` #### 使用 `connectedComponentsWithStats` 进行 Blob 分析 以下是一个使用 `connectedComponentsWithStats` 的示例代码，用于提取 Blob 的详细特征： ```python import cv2 import numpy as np # 读取图像并二值化 im = cv2.imread("blob_detection.jpg", cv2.IMREAD_GRAYSCALE) _, binary = cv2.threshold(im, 127, 255, cv2.THRESH_BINARY) # 进行连通区域分析 num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(binary, connectivity=8) # 输出每个 Blob 的特征 for i in range(1, num_labels): x, y, w, h, area = stats[i] cx, cy = centroids[i] print(f"Blob {i}: Position=({x}, {y}), Size=({w}, {h}), Area={area}, Centroid=({cx}, {cy})") # 可视化连通区域 color_image = np.zeros((labels.shape[0], labels.shape[1], 3), dtype=np.uint8) for label in range(1, num_labels): mask = (labels == label).astype(np.uint8) * 255 color = np.random.randint(0, 255, size=3).tolist() color_image[mask == 255] = color cv2.imshow("Connected Components", color_image) cv2.waitKey(0) ``` ### 参数配置与优化 在使用 `SimpleBlobDetector` 时，可以通过调整参数来优化检测结果。例如，可以设置最小和最大面积、圆形度、凸度等特征来筛选特定类型的 Blob。参数配置示例如下： ```python params = cv2.SimpleBlobDetector_Params() params.filterByArea = True params.minArea = 100 params.maxArea = 10000 params.filterByCircularity = True params.minCircularity = 0.5 params.filterByConvexity = True params.minConvexity = 0.5 detector = cv2.SimpleBlobDetector_create(params) ``` ### 总结 Blob 分析在 OpenCV 中是一种强大的工具，能够帮助开发者识别和分析图像中的连通区域。通过合理配置参数和使用不同的函数，可以实现高效的 Blob 检测和特征提取。这种方法在图像处理和计算机视觉任务中具有广泛的应用前景。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值