一、什么是连通域连通域Connected Components是指图像中像素值相同且彼此连通的一组像素集合。在工业视觉中连通域分析通常用于将目标从背景中分离并统计目标数量、面积、位置等关键信息。典型处理流程原图 ↓ 灰度化 ↓ 二值化 ↓ Connected Components ↓ 面积过滤 ↓ 目标分析工业应用场景OCR 字符分割胶滴检测异物检测Connector Pin 数量统计二、四邻域与八邻域连通性的定义决定了像素如何被归为同一区域。四邻域4-Connectivity仅包含上下左右四个方向的连接。X X O X X八邻域8-Connectivity包含上下左右及四个对角线方向的连接。X X X X O X X X XOpenCV 参数设置# 4邻域连接connectivity4# 8邻域连接工业视觉推荐connectivity8建议在大多数工业视觉场景中推荐使用connectivity8以避免目标被错误分割。三、connectedComponents() 基础用法函数原型num_labels,labelscv2.connectedComponents(image,connectivity8)参数说明参数说明image8位单通道二值图像connectivity连通性定义4 或 8返回值详解num_labels连通域总数量包含背景。例如背景 2个目标 num_labels 3labels标签图Label Map。背景像素值为0。其他目标依次编号1, 2, 3...标签图示例 0 0 0 0 0 1 1 0 0 2 2 0四、案例统计目标数量importcv2# 1. 读取图像imgcv2.imread(binary.png,0)# 2. 二值化_,binarycv2.threshold(img,0,255,cv2.THRESH_BINARYcv2.THRESH_OTSU)# 3. 连通域分析num_labels,labelscv2.connectedComponents(binary)# 4. 输出结果减去背景print(目标数量,num_labels-1)五、connectedComponentsWithStats() 进阶用法相比基础函数该函数额外返回每个连通域的统计信息和质心坐标。函数原型num_labels,labels,stats,centroidscv2.connectedComponentsWithStats(binary,connectivity8)stats 统计矩阵每一行对应一个连通域索引0为背景包含以下属性属性常量说明LEFTcv2.CC_STAT_LEFT边界框左上角 X 坐标TOPcv2.CC_STAT_TOP边界框左上角 Y 坐标WIDTHcv2.CC_STAT_WIDTH边界框宽度HEIGHTcv2.CC_STAT_HEIGHT边界框高度AREAcv2.CC_STAT_AREA连通域像素面积读取示例xstats[i,cv2.CC_STAT_LEFT]ystats[i,cv2.CC_STAT_TOP]wstats[i,cv2.CC_STAT_WIDTH]hstats[i,cv2.CC_STAT_HEIGHT]areastats[i,cv2.CC_STAT_AREA]centroids 质心矩阵返回每个连通域的几何中心(cx, cy)。cx,cycentroids[i]六、完整案例目标检测与标注importcv2# 1. 预处理imgcv2.imread(binary.png,0)_,binarycv2.threshold(img,0,255,cv2.THRESH_BINARYcv2.THRESH_OTSU)# 2. 连通域分析num,labels,stats,centerscv2.connectedComponentsWithStats(binary)# 3. 创建彩色画布colorcv2.cvtColor(binary,cv2.COLOR_GRAY2BGR)# 4. 遍历并过滤目标foriinrange(1,num):# 从1开始跳过背景areastats[i,cv2.CC_STAT_AREA]# 面积过滤忽略小噪点ifarea200:continue# 获取边界框xstats[i,cv2.CC_STAT_LEFT]ystats[i,cv2.CC_STAT_TOP]wstats[i,cv2.CC_STAT_WIDTH]hstats[i,cv2.CC_STAT_HEIGHT]# 绘制矩形框cv2.rectangle(color,(x,y),(xw,yh),(0,255,0),2)# 标注面积cv2.putText(color,str(area),(x,y-5),cv2.FONT_HERSHEY_SIMPLEX,0.6,(0,0,255),2)cv2.imshow(Result,color)cv2.waitKey()七、Blob 分析与过滤策略连通域在机器视觉中常被称为 Blob斑点。常见的过滤维度包括面积 (Area)去除噪点或过大背景块。宽高 (Width/Height)限制目标尺寸范围。长宽比 (Aspect Ratio)筛选特定形状目标。圆度 (Circularity)区分圆形与非圆形目标。长宽比过滤示例ratiow/hifratio0.5orratio2:continue# 跳过不符合比例的目标八、工业视觉实战案例1. 缺件检测通过统计有效连通域数量判断是否缺件ifnum_labels-110:print(报警存在缺件)2. OCR 字符分割提取字符区域并送入识别引擎roiimage[y:yh,x:xw]# cv2.imshow(Char, roi)# result ocr_engine.recognize(roi)3. Connector Pin 统计pin_countnum_labels-1ifpin_count!expected_count:trigger_alarm()九、Connected Components vs findContours特性连通域 (Connected Components)轮廓 (findContours)统计数量★★★★★ (极快)★★★★ (较快)面积过滤★★★★★ (内置)★★★★★ (需计算)边界分析★★ (仅矩形框)★★★★★ (任意形状)形状分析★★ (基础)★★★★★ (拟合/矩)执行速度★★★★★★★★★选型建议仅需计数、面积过滤、位置定位→ 优先使用连通域。需要形状拟合、轮廓点提取、复杂几何分析→ 使用findContours。十、常见问题排查Q1: 为什么检测到的目标数量异常多原因图像噪声过多导致微小噪点被识别为独立连通域。解决方案在连通域分析前增加形态学开运算kernelcv2.getStructuringElement(cv2.MORPH_RECT,(3,3))binarycv2.morphologyEx(binary,cv2.MORPH_OPEN,kernel)Q2: 为什么面积统计不正确检查二值化阈值是否准确。检查目标是否发生粘连可尝试形态学腐蚀或距离变换分水岭。确认connectivity参数是否符合预期。十一、总结OpenCV 连通域分析是工业视觉中最基础且高效的工具适用于目标计数、Blob 分析、字符分割等任务。核心 APIcv2.connectedComponents()轻量级计数。cv2.connectedComponentsWithStats()带统计信息的完整分析。最佳实践工业项目中通常采用形态学预处理 连通域分析 几何/面积过滤的组合策略可快速、稳定地完成大量目标检测任务。