它本質上是執行一個連接的組件分析，并用一個整數標記所有單獨閉合的組件。但在如何指定連接時，您需要小心。有4-連通性和8-連通性，前者只使用北、南、東和西方向尋找連通區域，而8-連通性則使用所有8個方向(北、南、東、西、東北、東南、西北、西南)。您將使用connectivity選項，并為4-連通性指定1，為8-連通性指定2。在

但是，默認連接將是完全連接，因此對于2D，它將是2選項。我懷疑你會這樣。矩陣中任何為零的斑點都將被標記為零。下面是一個非常簡單的可復制示例：In [1]: from skimage.measure import label

In [2]: import numpy as np

In [3]: x = np.zeros((8,8))

In [4]: x[0:4,0:4] = 1

In [5]: x[6:8,6:8] = 1

In [6]: x

Out[6]:

array([[ 1., 1., 1., 1., 0., 0., 0., 0.],

[ 1., 1., 1., 1., 0., 0., 0., 0.],

[ 1., 1., 1., 1., 0., 0., 0., 0.],

[ 1., 1., 1., 1., 0., 0., 0., 0.],

[ 0., 0., 0., 0., 0., 0., 0., 0.],

[ 0., 0., 0., 0., 0., 0., 0., 0.],

[ 0., 0., 0., 0., 0., 0., 1., 1.],

[ 0., 0., 0., 0., 0., 0., 1., 1.]])

In [7]: label(x)

Out[7]:

array([[1, 1, 1, 1, 0, 0, 0, 0],

[1, 1, 1, 1, 0, 0, 0, 0],

[1, 1, 1, 1, 0, 0, 0, 0],

[1, 1, 1, 1, 0, 0, 0, 0],

[0, 0, 0, 0, 0, 0, 0, 0],

[0, 0, 0, 0, 0, 0, 0, 0],

[0, 0, 0, 0, 0, 0, 2, 2],

[0, 0, 0, 0, 0, 0, 2, 2]], dtype=int64)

我們可以看到在左上角和右下角有兩個獨立的島。一旦運行label函數，它將返回一個標簽矩陣，標識屬于彼此的像素區域。具有相同ID的像素表示屬于同一區域。在

為了向您展示連接性是如何發揮作用的，下面是另一個簡單的示例：

^{pr2}$

輸入在左上角有一個交叉模式，在右下角有一個單獨的非零值。如果我們使用4-連通性，右下角將被分類為不同的標簽，但是如果我們使用默認的連通性(完全)，每個像素都將被歸類為同一個標簽。在

總結

以上是生活随笔為你收集整理的numpy 图片填充_numpy/python中的洪水填充分割图像的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。