C++ 如何识别二元图中的线连通孔

我从这个问题的投票结果最高的作者的答案中选择了一段代码：

将其重新格式化为：

cv::Mat image = cv::imread("image.jpg", 0);

cv::Mat image_thresh;
cv::threshold(image, image_thresh, 125, 255, cv::THRESH_BINARY);

// Loop through the border pixels and if they're black, floodFill from there
cv::Mat mask;
image_thresh.copyTo(mask);
for (int i = 0; i < mask.cols; i++) {
 if (mask.at<char>(0, i) == 0) {
     cv::floodFill(mask, cv::Point(i, 0), 255, 0, 10, 10);
 }   
  if (mask.at<char>(mask.rows-1, i) == 0) {

     cv::floodFill(mask, cv::Point(i, mask.rows-1), 255, 0, 10, 10);
   }
 }

 for (int i = 0; i < mask.rows; i++) {

  if (mask.at<char>(i, 0) == 0) {
    cv::floodFill(mask, cv::Point(0, i), 255, 0, 10, 10);
  }

  if (mask.at<char>(i, mask.cols-1) == 0) {
     cv::floodFill(mask, cv::Point(mask.cols-1, i), 255, 0, 10, 10);
  } 
}


 // Compare mask with original.
cv::Mat newImage;
image.copyTo(newImage);
for (int row = 0; row < mask.rows; ++row) {
 for (int col = 0; col < mask.cols; ++col) {
    if (mask.at<char>(row, col) == 0) {
        newImage.at<char>(row, col) = 255;
    }           
 }
}

cv::imshow("filled image", mask);
cv::imshow("Final image", newImage);
cv::imwrite("final.jpg", newImage);
cv::waitKey(0);

return 0;

cv:：Mat image=cv:：imread（“image.jpg”，0）；
cv：：Mat图像_阈值；
cv:：threshold（图像，图像阈值，125，255，cv:：阈值二进制）；
//循环通过边界像素，如果它们是黑色的，则从那里进行泛光填充
cv：：Mat面罩；
图像_thresh.copyTo（掩码）；
对于（int i=0；i

我知道它使用了泛光填充算法来填充孔洞，我已经在另一个示例图像上进行了测试：

通过检测所有9个孔，它的效果非常好

然而，我尝试了另一个略显复杂的图像：

这一次它将不起作用，它将用白色填充整个图形，并且它检测到的孔数是1700

我想我可能在这里缺乏一点重要的形态学知识，但我想也许我应该先对失败的图像进行“隐藏”，然后再将其插入作者的代码中

---

专家们能和我分享一些想法吗？因为我在谷歌上找不到类似的孔检测图。那么，当两个孔在二值图像中以白色路径连接时，孔的特殊之处是什么呢？请提前感谢

您的图像中有一个问题，它在图像的三个面周围有一个薄的白色条。该条还连接到左侧的4个白色矩形，这创建了一个额外的封闭轮廓/标高，我猜这会混淆“泛光填充”

我个人不喜欢使用“洪水填充”方法来解决在等高线内寻找孔洞的问题。我更喜欢将“findcontour”方法与“hierarchy”选项一起使用。请看一看。乍一看，它可能看起来有点复杂，但它提供了我们需要的所有信息

要查找的孔具有两个特性：

它们是一个孩子的轮廓（一个洞）

它们内部没有其他轮廓（不是父轮廓）

查找这些孔的代码为：

auto image = cv::imread(in_img_path, cv::ImreadModes::IMREAD_GRAYSCALE);
cv::threshold(image, image, 128, 255, cv::THRESH_OTSU);
std::vector<std::vector<cv::Point>> contours, selected_contours;
std::vector<cv::Vec4i> hierarchy;   
cv::findContours(image, contours, hierarchy, cv::RetrievalModes::RETR_TREE, cv::ContourApproximationModes::CHAIN_APPROX_SIMPLE);
for (int i = 0; i < contours.size(); i++) {
    if (hierarchy[i][2] == -1 && hierarchy[i][3] != -1) //the contour has no children but has a parent
        selected_contours.emplace_back(std::move(contours[i]));
}
cv::Mat drawing_image(image.size(), image.type(), cv::Scalar::all(0));

for (int i = 0; i < selected_contours.size(); i++) {
    cv::drawContours(drawing_image, selected_contours, i, cv::Scalar(255), 1);
}

孔的数量（选定的_轮廓的大小）为：71

“绘图图像”将如下所示：

---

另一种简单的方法是使用轮廓区域过滤。其思想是，然后使用最小阈值区域执行轮廓区域过滤。如果轮廓通过此阈值过滤器，则我们将其视为有效轮廓。以下是带有

500

阈值的结果。您可能需要根据您的图像进行更改

---

我用Python实现了它，但是您可以很容易地将相同的方法应用到C中++

import cv2
import numpy as np

# Load image, grayscale, Otsu's threshold
image = cv2.imread('1.png')
mask = np.zeros(image.shape[:2], dtype=np.uint8)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# Find contours and filter using contour area
cnts = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    area = cv2.contourArea(c)
    if area < 500:
        cv2.drawContours(image,[c],0,(36,255,12),-1)
        cv2.drawContours(mask,[c],0,255,1)

cv2.imshow('mask', mask)
cv2.imshow('image', image)
cv2.waitKey()

导入cv2
将numpy作为np导入
#加载图像、灰度、大津阈值
image=cv2.imread（'1.png'）
掩码=np.zero（image.shape[：2]，dtype=np.uint8）
灰色=cv2.CVT颜色（图像，cv2.COLOR\u BGR2GRAY）
thresh=cv2.阈值（灰色，0，255，cv2.thresh\u二进制\u INV+cv2.thresh\u OTSU）[1]
#查找轮廓并使用轮廓区域进行过滤
cnts=cv2.查找对象（阈值、cv2.RETR\u树、cv2.链近似值、简单值）
如果len（cnts）==2个其他cnts[1]，则cnts=cnts[0]
对于碳纳米管中的碳：
面积=cv2。轮廓面积（c）
如果面积小于500：
cv2.等高线图（图[c]，0，（36255,12），-1）
cv2.绘制轮廓（掩模[c]，0255,1）
cv2.imshow（“面具”，面具）
cv2.imshow（“图像”，图像）
cv2.waitKey（）

这非常有用。非常好，谢谢你的提示和修改过的算法！

import cv2
import numpy as np

# Load image, grayscale, Otsu's threshold
image = cv2.imread('1.png')
mask = np.zeros(image.shape[:2], dtype=np.uint8)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# Find contours and filter using contour area
cnts = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    area = cv2.contourArea(c)
    if area < 500:
        cv2.drawContours(image,[c],0,(36,255,12),-1)
        cv2.drawContours(mask,[c],0,255,1)

cv2.imshow('mask', mask)
cv2.imshow('image', image)
cv2.waitKey()