① java代码怎么实现计算图像二值连通区域的质心
一：几何距(Geometric Moments)知识与质心寻找原理
1. Image Moments是图像处理中非常有用的算法，可以用来计算区域图像的质心，方向等几何特性，同时Mpq的高阶具有旋转不变性，可以用来实现图像比较分类，正是因为Moments有这些特性，很多手绘油画效果也会基于该算法来模拟实现。它的数学表达为：
它的低阶M00，M01, M10可以用来计算质心，中心化以后M11,M02,M20可以用来计算区域的方向/角度
2. 什么是质心
就是通过该点，区域达到一种质量上的平衡状态，可能物理学上讲的比较多，简单点的说就是规则几何物体的中心，不规则的可以通过挂绳子的方法来寻找。
二：算法流程
1. 输入图像转换为二值图像
2. 通过连通组件标记算法找到所有的连通区域，并分别标记
3. 对每个连通区域运用计算几何距算法得到质心
4. 用不同颜色绘制连通区域与质心，输出处理后图像
三：算法效果
左边为原图， 右边蓝色为连通组件标记算法处理以后结果，白色点为质心
四：关键代码解析
1. 计算几何距算法代码
doublem00 = moments(pixels, width, height, 0, 0);
doublexCr = moments(pixels, width, height, 1, 0) / m00;// row
doubleyCr = moments(pixels, width, height, 0, 1) / m00;// column
return new double[]{xCr, yCr};
② 将一张图二值化后，有很多连通区域，我想分别求出每一块连通区域的面积，不知道有什么好一点的算法
图像处理里有一种叫做Labeling处理的算法。
可以把二值图划分区域，标出不同的区域编号。
只要计算每种编号的个数，就是对应区域的面积了。
如果没看懂，不是算法难，是我表达的不好。哈。
③ 我想用易语言填充画板的指定区域 并计算填充了多少像素 怎么计算
函数原型：BOOL ExtFloodFill(HDC hdc,int nXStart,int nYStart,COLORREF crColor,UINT fuFillType)；
参数：
nXSTart：指定要开始填充处的逻辑X轴坐标。
nYStart：指定要开始填充处的逻辑Y轴坐标。
crColor：指定要填充的边界或区域的颜色。crColor的具体解释要根据参数fuFillType的值而定。
fuFillType：指定要进行的填充操作类型。该参数必须是下列值之一，这些值的含义如下：
FLOODFILLBORDER：表示填充区域是由crColor参数指定的颜色包围起来的部分。这种形式与FloodFill函数执行的填充类型一样。
FLOODFILLSURFACE：表示填充区域是由crColor指定的颜色来定义。填充操作向四周伸展，直到遇到这种颜色为止。这种操作式样对于带有多种颜色边界的填充区域有用。
返回值：如果函数执行成功，那么返回值为非零；如果函数执行失败，那么返回值为零。若想获得更多错误信息，请调用GetLastError函数。
备注：下列原因可能引起函数执行失败：
填充无法完成。
指定的像素点有着参数crColor（如果要求
操作样式）指定的边界颜色（即颜色相同）。
指定的像素点没有参数crColor（如果要求FLOODFILLSURFACE操作样式）指定的颜色。
该点在剪辑区之外――也就是说在设备中不可见。
如果fuFillType参数为FLOODFILLBORDER，那么系统认为要填充的区域是完全被参数crColor指定的颜色包围起来的。该函数从参数nXStart和nYStart指定的点开始填充，向四周继续，直到遇到边界为止。
如果fuFillType是FLOODRILLSURFACE，那么系统就认为要填充的区域是单颜色的，函数从nXStart和nYStart两个参数指定的点开始填充区域，并向四周延伸，对包含参数crColor指定颜色的所有相邻区域进行填充。
只有支持光栅显示操作的设备和内存设备环境才支持ExtFloodFill函数。为了确定设备是否支持该技术，可使用函数GetDeviceCaps。
http://ke..com/link?url=5RPNfKX08273wPGa
以上内容复制自网络
常量值
FLOODFILLBORDER =0
FLOODRILLSURFACE =1
种子填充算法
编辑
种子填充算法又称为边界填充算法。其基本思想是：从多边形区域的一个内点开始，由内向外用给定的颜色画点直到边界为止。如果边界是以一种颜色指定的，则种子填充算法可逐个像素地处理直到遇到边界颜色为止。
种子填充算法常用四连通域和八连通域技术进行填充操作。
从区域内任意一点出发，通过上、下、左、右四个方向到达区域内的任意像素。用这种方法填充的区域就称为四连通域；这种填充方法称为四向连通算法。
从区域内任意一点出发，通过上、下、左、右、左上、左下、右上和右下八个方向到达区域内的任意像素。用这种方法填充的区域就称为八连通域；这种填充方法称为八向连通算法。
一般来说，八向连通算法可以填充四向连通区域，而四向连通算法有时不能填充八向连通区域。例如，八向连通填充算法能够正确填充如图2.4a所示的区域的内部，而四向连通填充算法只能完成如图2.4b的部分填充。
图2.4 四向连通填充算法
a) 连通域及其内点 b) 填充四连通域
四向连通填充算法：
a） 种子像素压入栈中；
b） 如果栈为空，则转e)；否则转c)；
c） 弹出一个像素，并将该像素置成填充色；并判断该像素相邻的四连通像素是否为边界色或已经置成多边形的填充色，若不是，则将该像素压入栈；
d） 转b）；
e） 结束。
http://ke..com/link?url=jAM4UlhNMYk8__THzHZ2vN__KtQHm7CErVWq
要善用搜索
④ 如何判断一个区域是否是连通的 matlab
matlab函数_连通区域
1、 matlab函数bwareaopen──删除小面积对象
格式：BW2 = bwareaopen(BW,P,conn)
作用：删除二值图像BW中面积小于P的对象，默认情况下使用8邻域。
算法：
(1)Determine the connected components.
L = bwlabeln(BW, conn);
(2)Compute the area of each component.
S = regionprops(L, 'Area');
(3)Remove small objects.
bw2 = ismember(L, find([S.Area] >= P));
2、matlab函数bwarea──计算对象面积
格式：total = bwarea(BW)
作用：估计二值图像中对象的面积。
注：该面积和二值图像中对象的像素数目不一定相等。
3、matlab函数imclearborder──边界对象抑制
格式：IM2 = imclearborder(IM,conn)
作用：抑制和图像边界相连的亮对象。若IM是二值图，imclearborder将删除和图像边界相连的对象。默认情况conn=8。
注：For grayscale images, imclearborder tends to rece the overall intensity level in addition to suppressing border structures.
算法：
(1)Mask image is the input image.
(2)Marker image is zero everywhere except along the border, where it equals the mask image.
4、matlab函数bwboundaries──获取对象轮廓
格式：B = bwboundaries(BW,conn)（基本格式）
作用：获取二值图中对象的轮廓，和OpenCV中cvFindContours函数功能类似。B是一个P×1的cell数组，P为对象个数，每个cell 是Q×2的矩阵，对应于对象轮廓像素的坐标。
5、matlab函数imregionalmin──获取极小值区域
格式：BW = imregionalmin(I,conn)
作用：寻找图像I的极小值区域（regional maxima），默认情况conn=8。
Regional minima are connected components of pixels with a constant intensity value, and whose external boundary pixels all have a higher value.
6、matlab函数bwulterode──距离变换的极大值
格式：BW2 = bwulterode(BW,method,conn)
作用：终极腐蚀。寻找二值图像BW的距离变换图的区域极大值（regional maxima）。用于距离变换的距离默认为euclidean，连通性为8邻域。
7、regionprops统计被标记的区域的面积分布，显示区域总数。
函数regionprops语法规则为：STATS = regionprops(L,properties)
该函数用来测量标注矩阵L中每一个标注区域的一系列属性。
L中不同的正整数元素对应不同的区域，例如：L中等于整数1的元素对应区域1；L中等于整数2的元素对应区域2；以此类推。
返回值STATS是一个 长度为max(L(:))的结构数组，结构数组的相应域定义了每一个区域相应属性下的度量。
Properties可以是由逗号分割的字符串行表、包含字符 串的单元数组、单个字符串'all'或者'basic'。如果properties等于字符串'all'，则表4.1中的度量数据都将被计算；如果properties等于字符串'basic'，则属性：'Area'，'Centroid'和'BoundingBox'将被计算。表1就是所有有效的属性字符串。
表1 属性字符串行表----度量图像区域的属性或功能
'Area' 图像各个区域中像素总个数
'BoundingBox' 包含相应区域的最小矩形
'Centroid' 每个区域的质心（重心）
'MajorAxisLength' 与区域具有相同标准二阶中心矩的椭圆的长轴长度（像素意义下）
'MinorAxisLength' 与区域具有相同标准二阶中心矩的椭圆的短轴长度（像素意义下）
'Eccentricity' 与区域具有相同标准二阶中心矩的椭圆的离心率（可作为特征）
'Orientation' 与区域具有相同标准二阶中心矩的椭圆的长轴与x轴的交角（度）
'Image' 与某区域具有相同大小的逻辑矩阵
'FilledImage' 与某区域具有相同大小的填充逻辑矩阵
'FilledArea' 填充区域图像中的on像素个数
'ConvexHull' 包含某区域的最小凸多边形
'ConvexImage' 画出上述区域最小凸多边形
'ConvexArea' 填充区域凸多边形图像中的on像素个数
'EulerNumber' 几何拓扑中的一个拓扑不变量——欧拉数
'Extrema' 八方向区域极值点
'EquivDiameter' 与区域具有相同面积的圆的直径
'Solidity' 同时在区域和其最小凸多边形中的像素比例
'Extent' 同时在区域和其最小边界矩形中的像素比例
'PixelIdxList' 存储区域像素的索引下标
'PixelList' 存储上述索引对应的像素坐标
⑤ opencv如何标记连通区域 并且提取连通区域
代码
1）Two-pass算法的一种实现
说明：
基于OpenCV和C++实现，领域：4-领域。实现与算法描述稍有差别（具体为记录具有相等关系的label方法实现上）。
// Connected Component Analysis/Labeling By Two-Pass Algorithm
// Author: www.icvpr.com
// Blog : http://blog.csdn.net/icvpr
#include <iostream>
#include <string>
#include <list>
#include <vector>
#include <map>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
void icvprCcaByTwoPass(const cv::Mat& _binImg, cv::Mat& _lableImg)
{
// connected component analysis (4-component)
// use two-pass algorithm
// 1. first pass: label each foreground pixel with a label
// 2. second pass: visit each labeled pixel and merge neighbor labels
//
// foreground pixel: _binImg(x,y) = 1
// background pixel: _binImg(x,y) = 0
if (_binImg.empty() ||
_binImg.type() != CV_8UC1)
{
return ;
}
// 1. first pass
_lableImg.release() ;
_binImg.convertTo(_lableImg, CV_32SC1) ;
int label = 1 ; // start by 2
std::vector<int> labelSet ;
labelSet.push_back(0) ; // background: 0
labelSet.push_back(1) ; // foreground: 1
int rows = _binImg.rows - 1 ;
int cols = _binImg.cols - 1 ;
for (int i = 1; i < rows; i++)
{
int* data_preRow = _lableImg.ptr<int>(i-1) ;
int* data_curRow = _lableImg.ptr<int>(i) ;
for (int j = 1; j < cols; j++)
{
if (data_curRow[j] == 1)
{
std::vector<int> neighborLabels ;
neighborLabels.reserve(2) ;
int leftPixel = data_curRow[j-1] ;
int upPixel = data_preRow[j] ;
if ( leftPixel > 1)
{
neighborLabels.push_back(leftPixel) ;
}
if (upPixel > 1)
{
neighborLabels.push_back(upPixel) ;
}
if (neighborLabels.empty())
{
labelSet.push_back(++label) ; // assign to a new label
data_curRow[j] = label ;
labelSet[label] = label ;
}
else
{
std::sort(neighborLabels.begin(), neighborLabels.end()) ;
int smallestLabel = neighborLabels[0] ;
data_curRow[j] = smallestLabel ;
// save equivalence
for (size_t k = 1; k < neighborLabels.size(); k++)
{
int tempLabel = neighborLabels[k] ;
int& oldSmallestLabel = labelSet[tempLabel] ;
if (oldSmallestLabel > smallestLabel)
{
labelSet[oldSmallestLabel] = smallestLabel ;
oldSmallestLabel = smallestLabel ;
}
else if (oldSmallestLabel < smallestLabel)
{
labelSet[smallestLabel] = oldSmallestLabel ;
}
}
}
}
}
}
// update equivalent labels
// assigned with the smallest label in each equivalent label set
for (size_t i = 2; i < labelSet.size(); i++)
{
int curLabel = labelSet[i] ;
int preLabel = labelSet[curLabel] ;
while (preLabel != curLabel)
{
curLabel = preLabel ;
preLabel = labelSet[preLabel] ;
}
labelSet[i] = curLabel ;
}
// 2. second pass
for (int i = 0; i < rows; i++)
{
int* data = _lableImg.ptr<int>(i) ;
for (int j = 0; j < cols; j++)
{
int& pixelLabel = data[j] ;
pixelLabel = labelSet[pixelLabel] ;
}
}
}
2）Seed-Filling种子填充方法
说明：
基于OpenCV和C++实现；领域：4-领域。
// Connected Component Analysis/Labeling By Seed-Filling Algorithm
// Author: www.icvpr.com
// Blog : http://blog.csdn.net/icvpr
#include <iostream>
#include <string>
#include <list>
#include <vector>
#include <map>
#include <stack>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
void icvprCcaBySeedFill(const cv::Mat& _binImg, cv::Mat& _lableImg)
{
// connected component analysis (4-component)
// use seed filling algorithm
// 1. begin with a foreground pixel and push its foreground neighbors into a stack;
// 2. pop the top pixel on the stack and label it with the same label until the stack is empty
//
// foreground pixel: _binImg(x,y) = 1
// background pixel: _binImg(x,y) = 0
if (_binImg.empty() ||
_binImg.type() != CV_8UC1)
{
return ;
}
_lableImg.release() ;
_binImg.convertTo(_lableImg, CV_32SC1) ;
int label = 1 ; // start by 2
int rows = _binImg.rows - 1 ;
int cols = _binImg.cols - 1 ;
for (int i = 1; i < rows-1; i++)
{
int* data= _lableImg.ptr<int>(i) ;
for (int j = 1; j < cols-1; j++)
{
if (data[j] == 1)
{
std::stack<std::pair<int,int>> neighborPixels ;
neighborPixels.push(std::pair<int,int>(i,j)) ; // pixel position: <i,j>
++label ; // begin with a new label
while (!neighborPixels.empty())
{
// get the top pixel on the stack and label it with the same label
std::pair<int,int> curPixel = neighborPixels.top() ;
int curX = curPixel.first ;
int curY = curPixel.second ;
_lableImg.at<int>(curX, curY) = label ;
// pop the top pixel
neighborPixels.pop() ;
// push the 4-neighbors (foreground pixels)
if (_lableImg.at<int>(curX, curY-1) == 1)
{// left pixel
neighborPixels.push(std::pair<int,int>(curX, curY-1)) ;
}
if (_lableImg.at<int>(curX, curY+1) == 1)
{// right pixel
neighborPixels.push(std::pair<int,int>(curX, curY+1)) ;
}
if (_lableImg.at<int>(curX-1, curY) == 1)
{// up pixel
neighborPixels.push(std::pair<int,int>(curX-1, curY)) ;
}
if (_lableImg.at<int>(curX+1, curY) == 1)
{// down pixel
neighborPixels.push(std::pair<int,int>(curX+1, curY)) ;
}
}
}
}
}
}
3）颜色标记（用于显示）
// Connected Component Analysis/Labeling -- Color Labeling
// Author: www.icvpr.com
// Blog : http://blog.csdn.net/icvpr
#include <iostream>
#include <string>
#include <list>
#include <vector>
#include <map>
#include <stack>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
cv::Scalar icvprGetRandomColor()
{
uchar r = 255 * (rand()/(1.0 + RAND_MAX));
uchar g = 255 * (rand()/(1.0 + RAND_MAX));
uchar b = 255 * (rand()/(1.0 + RAND_MAX));
return cv::Scalar(b,g,r) ;
}
void icvprLabelColor(const cv::Mat& _labelImg, cv::Mat& _colorLabelImg)
{
if (_labelImg.empty() ||
_labelImg.type() != CV_32SC1)
{
return ;
}
std::map<int, cv::Scalar> colors ;
int rows = _labelImg.rows ;
int cols = _labelImg.cols ;
_colorLabelImg.release() ;
_colorLabelImg.create(rows, cols, CV_8UC3) ;
_colorLabelImg = cv::Scalar::all(0) ;
for (int i = 0; i < rows; i++)
{
const int* data_src = (int*)_labelImg.ptr<int>(i) ;
uchar* data_dst = _colorLabelImg.ptr<uchar>(i) ;
for (int j = 0; j < cols; j++)
{
int pixelValue = data_src[j] ;
if (pixelValue > 1)
{
if (colors.count(pixelValue) <= 0)
{
colors[pixelValue] = icvprGetRandomColor() ;
}
cv::Scalar color = colors[pixelValue] ;
*data_dst++ = color[0] ;
*data_dst++ = color[1] ;
*data_dst++ = color[2] ;
}
else
{
data_dst++ ;
data_dst++ ;
data_dst++ ;
}
}
}
}
4）测试程序
// Connected Component Analysis/Labeling -- Test code
// Author: www.icvpr.com
// Blog : http://blog.csdn.net/icvpr
#include <iostream>
#include <string>
#include <list>
#include <vector>
#include <map>
#include <stack>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
int main(int argc, char** argv)
{
cv::Mat binImage = cv::imread("../icvpr.com.jpg", 0) ;
cv::threshold(binImage, binImage, 50, 1, CV_THRESH_BINARY_INV) ;
// connected component labeling
cv::Mat labelImg ;
icvprCcaByTwoPass(binImage, labelImg) ;
//icvprCcaBySeedFill(binImage, labelImg) ;
// show result
cv::Mat grayImg ;
labelImg *= 10 ;
labelImg.convertTo(grayImg, CV_8UC1) ;
cv::imshow("labelImg", grayImg) ;
cv::Mat colorLabelImg ;
icvprLabelColor(labelImg, colorLabelImg) ;
cv::imshow("colorImg", colorLabelImg) ;
cv::waitKey(0) ;
return 0 ;
}
⑥ NI Vision：二值图像连通域标记算法
前面说到，要使用Labwindows + NI Vision（IMAQ Vision）这套商用开发框架来做数图课设。很明显，这套虚拟仪器开发平台由NI Instrument（美国国家仪器公司）开发的。大名鼎鼎的Labview软件就是这个公司开发的。相比较而言，Labwindows使用ANSI C开发，但应用场景是差不多的。
在做课程作业的时候，遇到了一个很有趣的应用。输入是米粒，比背景灰度要低，目的是输出米粒的颗数、面积、周长和孔数，这是工业上的一个很常见的应用。具体处理过程是二值化后使用低通滤波，并计算各种性质。
界面设计如下，可以看到米粒的详细情况。
让我感兴趣的，是通过怎样的算法能够得到米粒的数量？之前曾经用过OpenCV中找最大外界矩形这个函数，但没有具体了解算法实现。直觉告诉我原理应该是相似的。
可以看到，每一个米粒之间都是不连通的。这里就就提出了一个概念。 连通区域（Connected Component） 是指图像中相邻并有相同像素值的图像区域。 连通区域分析（Connected Component Analysis,Connected Component Labeling） 是指将图像中的各个连通区域找出并标记。
二值图像分析最重要的方法就是连通区域标记，它是所有二值图像分析的基础，它通过对二值图像中白色像素（目标）的标记，让每个单独的连通区域形成一个被标识的块，进一步的我们就可以获取这些块的轮廓、外接矩形、质心、不变矩等几何参数。如果要得到米粒的数量，那么通过连通区域分析（这里是二值图像的连通区域分析），就可以得到标记的数量，从而得到米粒的数量。
下面这幅图中，如果考虑4邻接，则有3个连通区域，8邻接则是2个。
从连通区域的定义可以知道，一个连通区域是由具有相同像素值的相邻像素组成像素集合，因此，我们就可以通过这两个条件在图像中寻找连通区域，对于找到的每个连通区域，我们赋予其一个唯一的 标识（Label） ，以区别其他连通区域。
连通区域分析的基本算法有两种：1）Two-Pass两便扫描法 2）Seed-Filling种子填充法 。
两遍扫描法（Two-Pass），正如其名，指的就是通过扫描两遍图像，就可以将图像中存在的所有连通区域找出并标记。
说了一堆数学语言，其实用图很好理解
种子填充方法来源于计算机图形学，常用于对某个图形进行填充。它基于区域生长算法。至于区域生长算法是什么，可以参照我的这篇 文章 。
同样的，上动图
NI Vision 中的算子定义如下
OpenCV中也有相应的算子
这里参照其他博客实现一下Two-Pass算法，Seed-Filling算法就偷懒不搞了。
Reference:
OpenCV实现图像连通组件标记与分析
OpenCV-二值图像连通域分析
数字图像处理技术 ——邓继忠（我的任课老师）
⑦ 简述边界表示的四连通区域的种子填充算法的基本思想和执行步骤
一、种子填充算法思想：
首先填充种子所在的尚未填充的一区段,然后确定与这一区段相邻的上下两条扫描线上位于该区段内是否存在需要填充的新区段,如果存在,则依次把每个新区段最右端的象素作为种子放入堆栈。反复这个过程,直到堆栈为空。
二、种子填充算法步骤：
1、初始化堆栈。
2、种子压入堆栈。
3、While（堆栈非空）从堆栈弹出种子象素。
⑧ matlab bwboundaries 函数思想原理
只不是一个简单的问题
首先要明白这个函数是给出二值图像的边界
二值图像就是数值只有0和1两种值的图像，或者叫逻辑真或假
其边界，就是0和1数据的交接出，一般是求数据为1的区域的边界
由于图像中本身数据为一的区域可能不止一块
所以最用边界也可能不止一条，连在一起的一个全是1的区域，我们叫它做连通域
所以本身这个问题，可以分为两个子问题
第一，求图像的连通域
第二，求每个连通域的边界
这两个问题都不是简单用一两句语句就能解决的
对于第一个问题，matlab有bwlable函数标记每个连通域
而bwlable函数的具体工作代码，matlab没有给出
关键的函数的源代码，matlab是保密的，所以不确切知道其所用的算法
而具体的思想，是扫描矩阵，然后合拼互相连接的区域
你可以搜索 二值图像 连通域 看看，有很多种算法，效率各不相同，不知道matlab用的哪种
第二个问题，也不是个简单的问题
在matlab内部bwboundaties函数首先是调用bwlable解决第一个问题的
而第二个问题又调用了一个内部的不提供源代码的函数，所以具体算法也不得而知
实际上连通域问题解决后，在单一连通域上提取边界也不算太难
比较麻烦的是，在连通域中有洞的情况下，一个连通域也可能有多个边界
一个对外的边界，和若干个内部洞洞的边界
如果是有心想学习算法，最好多找资料看看。
如果只是想了解一下，尝试自己编着玩玩，没有很硬行的规定需要
还是用系统提供的现成函数好了，自己编的即便运行无误多半效率不及系统提供的