本博文基于python-opencv实现了按照面积阈值筛选连通域、按照面积排序筛选topK连通域、 连通域细化（连通域骨架提取）、连通域分割（基于分水岭算法使连通域在细小处断开）、按照面积排序赛选topK轮廓等常见的连通域处理代码。并将代码封装为shapeUtils类，在自己的python代码中import shapeUtil后即可使用相应的连通域处理方法。
1、背景知识
1.1 轮廓
轮廓（Contour ）由连续的点组成，以线条的形式聚集在一起，通常是一个有x,y组成的点集，形式为N x 2(N表示轮廓中有n个点)。其是空心的，通常所统计的轮廓面积是那一圈线所包含的面积。在opencv中使用cv2.findContours来查找轮廓，使用cv2.contourArea来统计轮廓包含的面积，使用cv2.drawContours绘制轮廓。如下图就包含了2个轮廓
1.2 连通域
连通域（Connection）由在空间上连续（相邻）的像素点组成，是一个图形区域。相邻的标准有4连通域和8连通域，具体可以参考https://zhuanlan.zhihu.com/p/394073982。对二值图统计完连通域后，得到一个labels图，具体如下右图所示，其背景区域被标记为0，每个联通域的值都从原来的255更改为连通域序号。下图是按照8连通域的方式进行统计的，如果按照4连通域进行统计，那么标记为2的连通域就会被断开为两个（总共会有5个连通域，标签从1~5）。
1.3 连通域与轮廓的转换
连通域信息与轮廓存在本质的区别，联通域是一个形状（Mat），轮廓是一个闭合的线条点集（list，元素为坐标）。我们可以使用cv2.drawContours将轮廓绘制为连通域，也可以使用cv2.findContours统计连通域的轮廓信息。在某些情况下，一个轮廓就可以对应一个连通域；当连通域中存在孔洞的时候，则需要多个轮廓才能表示一个连通域。
具体如下图所示，当连通域没有孔洞时，可以转换为一个轮廓；当前存在一个孔洞时，则需要转换2个轮廓。
2、连通域处理方法
2.1 按照面积阈值筛选连通域
通过cv2.connectedComponentsWithStats函数统计出联通域的信息，labels为连通域标记图（具体参考1.2中的描述），stats为联通域统计信息（可见代码中的注释，其包含连通域的xywhs信息），通过对联通域统计信息stats的判断(将连通域面积与阈值threshold进行比较)，修改连通域标记图labels（将小于阈值的连通域标签值修改为0）。最后通过二值化方法，将联通域标记图转换为二值图。
import cv2
import numpy as np
class shapeUtils:
def find_big_areo(img,threshold=1000):
#https://blog.csdn.net/weixin_44599604/article/details/111687531
retval, labels, stats, centroids = cv2.connectedComponentsWithStats(img, connectivity=8)
#stats的格式为二维数组，其中每一个元素为 x,y,w,h,s的格式，s为联通域面积
'''
stats #我们看出有3个连通区域
# x y w h s
>>> array([[ 0, 0, 10, 10, 76], # 这代表整个图片，0值也有连通区域
[ 4, 1, 5, 6, 18], # 这里18代表有18个像素 下面的6同理
[ 2, 2, 3, 2, 6]], dtype=int32)
'''
for i in range(1,stats.shape[0]):
conj=i#获取联通域的标记值
areo=stats[i,4]
if areo<threshold:
labels[labels==conj]=0
labels=labels.astype(np.uint8)
ret,labels=cv2.threshold(labels,1,255,cv2.THRESH_BINARY)
return labels
img=cv2.imread("res.png",0)
ret,img=cv2.threshold(img,64,255,cv2.THRESH_BINARY)
im2=shapeUtils.find_big_areo(img,5000)
cv2.imshow("img",img)
cv2.imshow("labels",im2)
cv2.waitKey()
2.2 按照面积排序筛选topK连通域
按照面积排序筛选topK连通域。先使用connectedComponentsWithStats统计出labels和stats，然后创建一个行号（其实就是labels中连通域的标签值），并使其与stats的shape相同并将其与stats拼接在一起（在原始的stats中，第i个信息对应着标签值为i的联通域，对stats按面积排序后则会无法正常对应，故需要进行拼接），然后使用np.argsort对stats进行排序，在根据排序结果将topk个连通域后的标签值全部修改为0(将topk后的连通域删除)，最后通过二值化方法，将联通域标记图转换为二值图。
import cv2
import numpy as np
class shapeUtils:
def find_topK_areo(img,k=1):
#https://blog.csdn.net/weixin_44599604/article/details/111687531
retval, labels, stats, centroids = cv2.connectedComponentsWithStats(img, connectivity=8)
#stats的格式为二维数组，其中每一个元素为 x,y,w,h,s的格式，s为联通域面积
'''
stats #我们看出有3个连通区域
# x y w h s
>>> array([[ 0, 0, 10, 10, 76], # 这代表整个图片，0值也有连通区域
[ 4, 1, 5, 6, 18], # 这里18代表有18个像素 下面的6同理
[ 2, 2, 3, 2, 6]], dtype=int32)
'''
#创建一个行号，并使其与stats的shape相同
rows_num=[x for x in range(stats.shape[0])]
rows_num=np.array(rows_num)#shape （3）
rows_num=rows_num.reshape((-1,1)) #shape （3,1）
print(rows_num.shape,stats.shape)
#数据维度变化：(3, 1) (3, 5)=>(3, 6)
stats=np.concatenate((rows_num,stats),axis=1)#拼接时要仅有一个维度不同，才能拼接
#此时的stats的格式为二维数组，其中每一个元素为 x,y,w,h,s的格式，s为联通域面积
'''
拼接后的 stats 如下所示
#row x y w h s
>>> array([[0, 0, 0, 10, 10, 76], # 这代表整个图片，0值也有连通区域
[1, 4, 1, 5, 6, 18], # 这里18代表有18个像素 下面的6同理
[2, 2, 2, 3, 2, 6]], dtype=int32)
'''
#安装面积对连通域进行排序
sortId=np.argsort(stats[:,-1])#生成一个排序好的下标，从小到大排序
sortId=sortId[::-1]#对下标进行逆序，使其变为从大到小的排序
stats=stats[sortId]#根据序号重新取数据
#stats=stats[np.argsort(stats[:,-1])[::-1] ]
print(stats)
#将第k面积个后的连通域label设置为0
for i in range(k+1,stats.shape[0]):
conj=stats[i][0]#获取联通域的标记值
labels[labels==conj]=0
print(labels![[Verilog] 设计方法和设计流程](https://img-blog.csdnimg.cn/direct/086c99e34f6c4a909369db7a918f9c42.png)
