### 提取二值图像中的连通区域 为了从二值图像中提取连通区域，可以使用 `OpenCV` 和 `scipy.ndimage` 库来实现这一目标。以下是两种不同的方法。 #### 方法一：使用 OpenCV 的 findContours 函数 通过 `cv2.findContours()` 函数可以从二值图像中找到所有的轮廓，并进一步分析这些轮廓对应的连通区域。 ```python import cv2 import numpy as np def extract_connected_components(image_path): # 读取灰度图 image = cv2.imread(image_path, 0) # 转换为二值图像 _, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) # 查找轮廓 contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) components = [] for contour in contours: mask = np.zeros_like(binary_image) cv2.drawContours(mask, [contour], -1, color=255, thickness=cv2.FILLED) component = cv2.bitwise_and(image, image, mask=mask) components.append(component) return components ``` 此函数会返回一系列由不同连通组件组成的列表[^1]。 #### 方法二：使用 SciPy 的 label 函数 另一种方式是采用 `scipy.ndimage.label()` 来标记二值图像中的各个连通域： ```python from scipy import ndimage import matplotlib.pyplot as plt import numpy as np def get_labeled_regions(image_path): # 加载并转换成二值化图片 image = plt.imread(image_path) gray = rgb2gray(image) > 0.5 structure = [[1,1,1], [1,1,1], [1,1,1]] labeled_array, num_features = ndimage.label(gray, structure=np.array(structure)) regions = {} for i in range(1, num_features + 1): region_mask = (labeled_array == i).astype(int) regions[i] = region_mask return regions ``` 这段代码定义了一个名为 `get_labeled_regions` 的函数，该函数接收一张路径形式的输入图像文件名作为参数，并输出字典类型的变量 `regions`，其中键表示各独立连通区编号，而值则对应于布尔型数组——即每个像素位置处如果属于当前连通区，则设置为 True；反之设为 False[^2]。