opencv 去除孤立点以及findContours()和connectedComponentsWithStats

findContours()和connectedComponentsWithStats()两个函数可以分别实现去除图像孤立点的功能

​​​​​​​

 

connectedComponentsWithStats()函数原理是检测像素的连通区域（连通图应该不用介绍-.-），上图中每个白色斑点区域都属于一个个连通区域，当然文字部分也是，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（孤立点的面积肯定远远小于文字的面积），就可以去掉这些孤立点，函数用法如下：

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，就是这个区别，简单易懂

 ltype：这个参数跟输出有关，可以先默认，不用管

返回值：

num_labels：所有连通域的数目
labels：这个返回值很关键，主要就用到这个，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，算是一种特殊的标记
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，没什么大用

这样就可以通过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 *** 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，就去掉了

再说findContours()函数

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

这个相对简单一点，是检测输入图像的轮廓，最后同样通过面积进行筛选

函数参数：

img: 输入图像，最好也是二值图像；

第二个: 表示轮廓的检索模式，有四种(有兴趣的朋友可以自己搜一下区别，这里不多做赘述了-.-）

第三个：轮廓的近似办法，有三种（同上）

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 *** 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),用不上的参数统统简略

两个方法，个人更推荐第一个，连通区域的检测比轮廓检测要精准很多，就是慢点，毕竟有for循环

这是代码，Img1()和Img2()分别对应两个方法：

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
            img[mask] = 255
            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
            img[mask] = 0
            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()