快捷導(dǎo)航

淺談OpenCV中的新函數(shù)connectedComponentsWithStats用法

更新時(shí)間：2020年07月05日 11:33:45 作者：jsxyhelu

這篇文章主要介紹了淺談OpenCV中的新函數(shù)connectedComponentsWithStats用法，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧

主要內(nèi)容：對比新舊函數(shù)，用于過濾原始圖像中輪廓分析后較小的區(qū)域，留下較大區(qū)域。

關(guān)鍵字：connectedComponentsWithStats

在以前，常用的方法是”是先調(diào)用 cv::findContours() 函數(shù)（傳入cv::RETR_CCOMP 標(biāo)志），隨后在得到的連通區(qū)域上循環(huán)調(diào)用 cv::drawContours() “

比如，我在GOCVHelper中這樣進(jìn)行了實(shí)現(xiàn)

//尋找最大的輪廓
 VP FindBigestContour(Mat src){ 
  int imax = 0; //代表最大輪廓的序號
  int imaxcontour = -1; //代表最大輪廓的大小
  std::vector<std::vector<Point>>contours; 
  findContours(src,contours,CV_RETR_LIST,CV_CHAIN_APPROX_SIMPLE);
  for (int i=0;i<contours.size();i++){
   int itmp = contourArea(contours[i]);//這里采用的是輪廓大小
   if (imaxcontour < itmp ){
    imax = i;
    imaxcontour = itmp;
   }
  }
  return contours[imax];
 }
 //尋找并繪制出彩色聯(lián)通區(qū)域
 vector<VP> connection2(Mat src,Mat& draw){ 
  draw = Mat::zeros(src.rows,src.cols,CV_8UC3);
  vector<VP>contours; 
  findContours(src.clone(),contours,CV_RETR_LIST,CV_CHAIN_APPROX_SIMPLE);
  //由于給大的區(qū)域著色會(huì)覆蓋小的區(qū)域，所以首先進(jìn)行排序操作
  //冒泡排序，由小到大排序
  VP vptmp;
  for(int i=1;i<contours.size();i++){
   for(int j=contours.size()-1;j>=i;j--){
    if (contourArea(contours[j]) < contourArea(contours[j-1]))
    {
     vptmp = contours[j-1];
     contours[j-1] = contours[j];
     contours[j] = vptmp;
    }
   }
  }

在OpenCV3中有了新的專門的函數(shù) cv::connectedComponents() 和函數(shù) cv::connectedComponentsWithStats()

定義：

int cv::connectedComponents (
 cv::InputArrayn image,    // input 8-bit single-channel (binary)
 cv::OutputArray labels,    // output label map
 int    connectivity = 8,  // 4- or 8-connected components
 int    ltype  = CV_32S // Output label type (CV_32S or CV_16U)
 );
int cv::connectedComponentsWithStats (
 cv::InputArrayn image,    // input 8-bit single-channel (binary)
 cv::OutputArray labels,    // output label map
 cv::OutputArray stats,    // Nx5 matrix (CV_32S) of statistics:
               // [x0, y0, width0, height0, area0;
               // ... ; x(N-1), y(N-1), width(N-1),
               // height(N-1), area(N-1)]
 cv::OutputArray centroids,   // Nx2 CV_64F matrix of centroids:
               // [ cx0, cy0; ... ; cx(N-1), cy(N-1)]
 int    connectivity = 8,  // 4- or 8-connected components
 int    ltype  = CV_32S // Output label type (CV_32S or CV_16U)
 );

其中，新出現(xiàn)的參數(shù)

stats：長這樣

分別對應(yīng)各個(gè)輪廓的x,y,width,height和面積。注意0的區(qū)域標(biāo)識的是background

而centroids則對應(yīng)的是中心點(diǎn)

而label則對應(yīng)于表示是當(dāng)前像素是第幾個(gè)輪廓

例子：

對于圖像

Mat img = cv::imread( "e:/sandbox/rect.png",0); 
 cv::Mat img_edge, labels, img_color, stats,centroids;
 cv::threshold(img, img_edge, 128, 255, cv::THRESH_BINARY);
 bitwise_not(img_edge,img_edge);
 cv::imshow("Image after threshold", img_edge);
 int i, nccomps = cv::connectedComponentsWithStats (
  img_edge, labels,
  stats, centroids
  );
 cout << "Total Connected Components Detected: " << nccomps << endl;
 vector<cv::Vec3b> colors(nccomps+1);
 colors[0] = Vec3b(0,0,0); // background pixels remain black.
 for( i = 1; i < nccomps; i++ ) {
  colors[i] = Vec3b(rand()%256, rand()%256, rand()%256);
  if( stats.at<int>(i, cv::CC_STAT_AREA) < 200 )
   colors[i] = Vec3b(0,0,0); // small regions are painted with black too.
 }
 img_color = Mat::zeros(img.size(), CV_8UC3);
 for( int y = 0; y < img_color.rows; y++ )
  for( int x = 0; x < img_color.cols; x++ )
  {
   int label = labels.at<int>(y, x);
   CV_Assert(0 <= label && label <= nccomps);
   img_color.at<cv::Vec3b>(y, x) = colors[label];
  }
 cv::imshow("Labeled map", img_color);
 cv::waitKey();

注意：

1、對于OpenCV來說，白色代表有數(shù)據(jù)，黑色代表沒有數(shù)據(jù)，所以圖像輸入之前要轉(zhuǎn)換成”黑底白圖“

2、看labels 和 stats,其中第1 2 6 個(gè)的面積小于200