Python实现连通域标记算法
作者:微小冷
问题引入
通俗地说,如果把图像分为前景和背景两部分,那么连通域就是连通在一起的前景,这种关系对于二值图像来说比较明显。
以下面的硬币图像,在二值化之后,可以很明显看到,图像被分为黑色和白色两个部分,若以白色为背景,则黑色被白色隔开,彼此之间并不联通。连通域标记的目的,就是为不连通的这些黑色区域,标上不同的序号。
其绘图代码如下,其中climb是此前实现的自动ostu阈值算法,参考这篇:OTSU算法及其Python实现
import matplotlib.pyplot as plt import numpy as np path = r"coin.png" img = plt.imread(path).astype(float) img = np.mean(img, axis=2) th = 0.513 # climb(img, 0.1, 0, 0.01) b = img>th def drawImg(im1, im2, c1='gray', c2='gray'): fig = plt.figure() ax = fig.add_subplot(121) plt.imshow(im1, cmap=c1) plt.axis('off') ax = fig.add_subplot(122) plt.imshow(im2, cmap=c2) plt.axis('off') plt.show() drawImg(img, b)
实现
常用的连通域标记算法是Two-Pass算法,顾名思义,就是迭代两次,第一次用于记录相邻像素的连通域关系,第二次则把相连通的区域置以相同的标签。
在遍历之前,先初始化一个编号矩阵,考虑到Python提供了字典这种数据类型,所以第一次遍历,将关联相邻像素的编号。比如,点P12的编号是3,点P22的编号是4,而且二者均为目标,则将产生一组键值对{3:4}。
下面就是这个字典的创建过程,由于在遍历过程中,每个像素点要和它左侧和上方的像素点进行比较,所以这个字典的值应该是一个列表。
from itertools import product def getIndDct(img): # 元素个数 m,n = img.shape # 编号矩阵 indMat = np.arange(m*n).reshape([m,n]) dct = {} for i,j in product(range(m), range(n)): if img[i,j] == 0: continue ind = indMat[i,j] dct[ind] = [] if i>1 and img[i-1,j]!=0: dct[ind].append(indMat[i-1,j]) if i+1<m and img[i+1, j]!=0: dct[ind].append(indMat[i+1,j]) if j > 1 and img[i,j-1]!=0: dct[ind].append(indMat[i, j-1]) if j+1 < n and img[i, j+1] != 0: dct[ind].append(indMat[i, j+1]) return dct
在得到编号映射字典之后,需要将其归一化,就是把类似a:[b,c]和]c:[d,e]合并为a:[b,c,d,e]。当所有编号都已经归类之后,还可以继续将其变为[a,b,c,d,e]实现如下
from copy import deepcopy def mergeKey(dct, key): keys = [key] st, ed = 0, 1 while len(keys)>0: for i in range(st, ed): k = keys[i] if k in dct: keys += dct[k] del dct[k] if ed == len(keys): break st, ed = ed, len(keys) return keys def uniqueDct(dct): uDct = deepcopy(dct) for k in dct: if k in uDct: uDct[k] = list(set(mergeKey(uDct, k))) return [list(set([k]+v)) for k,v in uDct.items()]
最后,将其重新赋值,由于编号矩阵是按照自然数列的顺序创建的,故而只需先把图像展平,就可以通过编号矩阵的索引直接对图像的某些区域重新赋值。
def cds(img): dct = getIndDct(img) lst = uniqueDct(dct) arr = img.reshape(-1)*0 for i,L in enumerate(lst, 1): arr[L] = i return arr.reshape(img.shape)
测试
接下来,将这个连通域算法应用到硬币图像上,由于上面的硬币图案有很多噪声,会影响连通域计算结果,所以先对其进行预处理
from scipy.ndimage import binary_erosion b = img>0.4 bb = binary_erosion(b, np.ones([5,5])) c = cds(bb) drawImg(img, c, 'gray', 'jet')
效果如下
到此这篇关于Python实现连通域标记算法的文章就介绍到这了,更多相关Python连通域标记内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!