python 二值图像连通区域质心

原创

mob64ca12d2dee8 2024-12-03 03:48:33 ©著作权

文章标签 二值图像图像处理 Python 文章分类 Python 后端开发

©著作权归作者所有：来自51CTO博客作者mob64ca12d2dee8的原创作品，请联系作者获取转载授权，否则将追究法律责任

Python 二值图像连通区域及质心计算

在计算机视觉和图像处理中，二值图像是最基本的图像类型之一。它仅由两个颜色组成，通常是黑色和白色。二值图像的一个重要特性是其可能包含多个连通区域。本文将介绍如何在Python中检测二值图像的连通区域，并计算每个区域的质心。

什么是连通区域？

连通区域是指在图像中由相同颜色或相似特征（如亮度）组成的像素集合。在二值图像中，连通区域由白色像素（1）组成，黑色像素（0）则被视为背景。识别这些连通区域对于许多应用（如物体检测、图像分割等）都至关重要。

质心的计算

质心是指区域内所有点的平均位置。在图像处理中，质心可以用来描述对象的位置。对于二值图像中的连通区域，质心计算的公式如下：

$$ C_x = \frac{1}{N} \sum_{i=1}^{N} x_i \ C_y = \frac{1}{N} \sum_{i=1}^{N} y_i $$

其中，(N) 是区域内的像素总数，(x_i) 和 (y_i) 是第 (i) 个像素的坐标。

使用Python实现连通区域检测与质心计算

下面的代码演示了如何使用Python和OpenCV库来检测二值图像中的连通区域并计算每个区域的质心。

安装所需库

首先，需要安装OpenCV库。如果尚未安装，可以使用以下命令进行安装：

pip install opencv-python numpy

示例代码

import cv2
import numpy as np

# 读入二值图像
image = cv2.imread('binary_image.png', cv2.IMREAD_GRAYSCALE)

# 查找连通区域
num_labels, labels_im = cv2.connectedComponents(image)

# 创建一个列表存放质心
centroids = []

# 计算每个连通区域的质心
for label in range(1, num_labels):
    # 获取连通区域中的像素坐标
    coords = np.column_stack(np.where(labels_im == label))
    
    # 计算质心
    center_x = np.mean(coords[:, 1])
    center_y = np.mean(coords[:, 0])
    
    centroids.append((center_x, center_y))
    print(f"Label: {label}, Centroid: ({center_x:.2f}, {center_y:.2f})")

# 输出所有区域的质心
print("All centroids:", centroids)

代码解读

读取图像：使用cv2.imread函数读取二值图像。使用cv2.IMREAD_GRAYSCALE参数确保图像以灰度模式加载。
查找连通区域：使用cv2.connectedComponents方法获取图像中的连通区域，返回的num_labels表示区域数量，labels_im是每个像素所属区域的标签图。
计算质心：
- 使用np.column_stack和np.where得到当前区域所有像素的坐标。
- 通过numpy的np.mean计算质心的 x 和 y 坐标。
输出质心：循环遍历每个连通区域并打印对应的质心。

甘特图说明

在实现过程中，各个步骤的时间安排可以采用甘特图进行可视化，以下是完成任务的大致时间安排：

gantt
    title 二值图像连通区域及质心计算
    dateFormat  YYYY-MM-DD
    section 读入图像
    读取二值图像          :a1, 2023-10-01, 1d
    section 连通区域检测
    查找连通区域          :after a1  , 2d
    section 质心计算
    计算质心              :after a1  , 1d

如甘特图所示，可以看出，整个过程主要分为三个部分：读取图像、连通区域检测和质心计算，这些任务的完成顺序和时间安排一目了然。