Python OpenCV-在二进制图像中查找黑色区域

Opencv的python包装器中是否有任何方法/函数可以在二进制图像中查找黑色区域？（如Matlab中的regionprops） 到目前为止，我加载源图像，通过阈值将其转换为二值图像，然后将其反转以突出显示黑色区域（现在为白色）

---

我不能使用第三方库，如cvblobslob或cvblob

在反转二进制图像以将黑色区域变为白色区域后，应用cv.FindContours函数。它将为您提供所需区域的边界

稍后，您可以使用cv.BoundingRect获得区域周围的最小边界矩形。一旦你得到矩形顶点，你可以找到它的中心等

或者在找到轮廓后使用cv.矩函数来找到区域的质心。然后在x和y方向使用cv.GetSpatialMoments。opencv手册对此进行了解释

要查找面积，请使用cv.ContourArea函数。

基本上，您可以将该函数与OpenCV为此提供的许多其他函数结合使用

使用的有用功能（惊喜，惊喜，它们都出现在OpenCV文档的页面上）：

示例代码（除了

WeightedCentroid

和

EulerNumber

之外，我拥有Matlab的所有属性-通过使用

findContours

中的

cv2.RETR_树

并查看生成的层次结构，您可以计算出

EulerNumber

，我相信

WeightedCentroid

也不会那么难

# grab contours
cs,_ = cv2.findContours( BW.astype('uint8'), mode=cv2.RETR_LIST,
                             method=cv2.CHAIN_APPROX_SIMPLE )
# set up the 'FilledImage' bit of regionprops.
filledI = np.zeros(BW.shape[0:2]).astype('uint8')
# set up the 'ConvexImage' bit of regionprops.
convexI = np.zeros(BW.shape[0:2]).astype('uint8')

# for each contour c in cs:
# will demonstrate with cs[0] but you could use a loop.
i=0
c = cs[i]

# calculate some things useful later:
m = cv2.moments(c)

# ** regionprops ** 
Area          = m['m00']
Perimeter     = cv2.arcLength(c,True)
# bounding box: x,y,width,height
BoundingBox   = cv2.boundingRect(c)
# centroid    = m10/m00, m01/m00 (x,y)
Centroid      = ( m['m10']/m['m00'],m['m01']/m['m00'] )

# EquivDiameter: diameter of circle with same area as region
EquivDiameter = np.sqrt(4*Area/np.pi)
# Extent: ratio of area of region to area of bounding box
Extent        = Area/(BoundingBox[2]*BoundingBox[3])

# FilledImage: draw the region on in white
cv2.drawContours( filledI, cs, i, color=255, thickness=-1 )
# calculate indices of that region..
regionMask    = (filledI==255)
# FilledArea: number of pixels filled in FilledImage
FilledArea    = np.sum(regionMask)
# PixelIdxList : indices of region. 
# (np.array of xvals, np.array of yvals)
PixelIdxList  = regionMask.nonzero()

# CONVEX HULL stuff
# convex hull vertices
ConvexHull    = cv2.convexHull(c)
ConvexArea    = cv2.contourArea(ConvexHull)
# Solidity := Area/ConvexArea
Solidity      = Area/ConvexArea
# convexImage -- draw on convexI
cv2.drawContours( convexI, [ConvexHull], -1,
                  color=255, thickness=-1 )

# ELLIPSE - determine best-fitting ellipse.
centre,axes,angle = cv2.fitEllipse(c)
MAJ = np.argmax(axes) # this is MAJor axis, 1 or 0
MIN = 1-MAJ # 0 or 1, minor axis
# Note: axes length is 2*radius in that dimension
MajorAxisLength = axes[MAJ]
MinorAxisLength = axes[MIN]
Eccentricity    = np.sqrt(1-(axes[MIN]/axes[MAJ])**2)
Orientation     = angle
EllipseCentre   = centre # x,y

# ** if an image is supplied with the BW:
# Max/Min Intensity (only meaningful for a one-channel img..)
MaxIntensity  = np.max(img[regionMask])
MinIntensity  = np.min(img[regionMask])
# Mean Intensity
MeanIntensity = np.mean(img[regionMask],axis=0)
# pixel values
PixelValues   = img[regionMask]        

---

使用阈值将其转换成二值图像，使用<代码> CVY-ValdHyb SciPy，/Cuff> FLAG，一步获得阈值+反转。

< P>如果您可以考虑使用另一个自由库，则可以使用<代码> < <代码> >，它具有非常方便的计数区域：

from scipy import ndimage

def count_labels(self, mask_image):
    """This function returns the count of labels in a mask image."""
    label_im, nb_labels = ndimage.label(mask_image)
    return nb_labels

如有必要，您可以使用：

import cv2 as opencv

image = opencv.inRange(image, lower_threshold upper_threshold)

---

在获得仅包含黑色和白色的遮罩图像之前，白色是给定范围内的对象。

我知道这是一个老问题，但为了完整性，我想指出

cv2.moments（）

并不总是适用于小轮廓。在这种情况下，可以使用

cv2.mineClosingCircle（）

即使只有一个点，也会始终返回中心坐标（和半径）。不过，我认为…

将其封装在函数中并返回某种结构（例如numpy recarray）很有用当我在做的时候，我还画了一个带标签的图像，其中区域

I

具有强度

I+1

（这是为了避免区域0与背景合并）。+1用于关键字“regionprops”，这节省了我数小时的谷歌搜索时间