如何使用OpenCV去除小的连通对象

Question

如何使用OpenCV去除小的连通对象

21

我使用OpenCV和Python，并希望从图像中删除小的连通对象。

我有以下二进制图像作为输入：

该图像是以下代码的结果：

dilation = cv2.dilate(dst,kernel,iterations = 2)
erosion = cv2.erode(dilation,kernel,iterations = 3)

我想要移除红色高亮的物体：

如何使用OpenCV实现这个功能？

- Zahra

7

你是指在确定要突出哪些物体时使用了什么标准？为什么选择那七个特定的物体，而不是类似大小或更小的其他物体？ - Dan Mašek

1

我想要移除所有小的对象，这个7只是一个我想要移除的对象的示例。 - Zahra

1

@DanMašek 我想使用物体表面作为一个标准。 - Zahra

1

@DanMašek 我知道这种方法，但我需要使用一种不需要轮廓的方法 :( - Zahra

1

@Zahra那么为什么你在问题中没有提到这个事实（并指明这个要求）呢？ - Dan Mašek

显示剩余3条评论

4个回答

1

为了自动删除对象，您需要在图像中定位它们。从您提供的图像中，我看不出有什么区别7个突出显示的项目与其他项目。您必须告诉计算机如何识别您不想要的对象。如果它们看起来相同，则无法实现。如果您有多个图像，其中对象始终看起来像那样，您可以使用模板匹配技术。此外，闭合操作对我来说没有太多意义。

- Piglet

0

通过面积来移除小的连通组件被称为面积开放。OpenCV没有这个功能，但可以根据其他答案中所示进行实现。但大多数其他图像处理软件包都会有面积开放函数。

例如使用scikit-image：

import skimage
import imageio.v3 as iio

img = iio.imread('cQMZm.png')[:,:,0]

out = skimage.morphology.area_opening(img, area_threshold=150, connectivity=2)

例如使用DIPlib：

import diplib as dip

out = dip.AreaOpening(img, filterSize=150, connectivity=2)

PS：DIPlib 的实现明显更快。免责声明：我是 DIPlib 的作者。

- Cris Luengo

0

#对于孤立的或不相连的斑点：尝试这个（你可以将noise_removal_threshold设置为任何你喜欢的值，例如相对于最大轮廓的值或一个名义值，如100或25）。

    mask = np.zeros_like(img)
    for contour in contours:
      area = cv2.contourArea(contour)
      if area > noise_removal_threshold:
        cv2.fillPoly(mask, [contour], 255)

- Neeraj Madan

轮廓，层次结构 = cv2.findContours(edged, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) - Priyank Pathak

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Soltius · Accepted Answer

使用 connectedComponentsWithStats （文档）怎么样？

# find all of the connected components (white blobs in your image).
# im_with_separated_blobs is an image where each detected blob has a different pixel value ranging from 1 to nb_blobs - 1.
nb_blobs, im_with_separated_blobs, stats, _ = cv2.connectedComponentsWithStats(im)
# stats (and the silenced output centroids) gives some information about the blobs. See the docs for more information. 
# here, we're interested only in the size of the blobs, contained in the last column of stats.
sizes = stats[:, -1]
# the following lines result in taking out the background which is also considered a component, which I find for most applications to not be the expected output.
# you may also keep the results as they are by commenting out the following lines. You'll have to update the ranges in the for loop below. 
sizes = sizes[1:]
nb_blobs -= 1

# minimum size of particles we want to keep (number of pixels).
# here, it's a fixed value, but you can set it as you want, eg the mean of the sizes or whatever.
min_size = 150  

# output image with only the kept components
im_result = np.zeros_like(im_with_separated_blobs)
# for every component in the image, keep it only if it's above min_size
for blob in range(nb_blobs):
    if sizes[blob] >= min_size:
        # see description of im_with_separated_blobs above
        im_result[im_with_separated_blobs == blob + 1] = 255

输出：