含大量文本的答题卡图像连通域分析高效方法问询

你的代码在处理高分辨率答题卡时耗时过长，核心瓶颈在于循环逐个处理连通域并反复执行bitwise_or，同时预处理环节也有优化空间。下面是几个针对性的高效优化方案：

一、一次性生成目标掩码，避免循环逐次合并 #

connectedComponentsWithStats返回的values数组已经包含了所有连通域的面积数据，我们可以直接筛选符合条件的Label ID，一次性生成最终掩码，彻底省去循环里的多次图像操作：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread("20240328_145148.jpg")
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray_img, (7,7), 0)

# 二值化处理
threshold = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
# 连通域分析
totalLabels, label_ids, values, centroid = cv2.connectedComponentsWithStats(threshold, 4, cv2.CV_32S)

# 直接筛选面积小于10000的有效Label（跳过背景Label 0）
valid_labels = np.where((values[1:, cv2.CC_STAT_AREA] < 10000))[0] + 1
# 一次性生成掩码，替代循环中的bitwise_or操作
output = np.isin(label_ids, valid_labels).astype("uint8") * 255

plt.imshow(img)
plt.imshow(output, cmap='gray')
plt.show()

这种方式把多次逐元素的图像运算替换成一次数组匹配，连通域数量越多，效率提升越明显。

二、优化预处理环节 #

1. 缩小图像尺寸：如果答题卡分辨率极高，可以先按比例缩小图像再处理，最后按需还原尺寸（如果需要原尺寸结果）。注意面积阈值也要按缩放比例的平方调整：

scale = 0.5  # 缩小到原尺寸的50%
small_gray = cv2.resize(gray_img, None, fx=scale, fy=scale, interpolation=cv2.INTER_AREA)
blurred = cv2.GaussianBlur(small_gray, (7,7), 0)

# 后续二值化、连通域分析基于缩小图处理，面积阈值调整为10000*(0.5*0.5)=2500
# 如需原尺寸掩码，最后还原：
output = cv2.resize(output, gray_img.shape[::-1], interpolation=cv2.INTER_NEAREST)

2. 替换高斯模糊为更快的降噪方式：如果高斯模糊的7x7核不是必须的，改用cv2.blur（均值模糊）可以获得更快的速度，只要能满足降噪需求即可。

三、优化连通域分析的参数 #

把连通域分析的数据类型从cv2.CV_32S改为cv2.CV_16U——大部分场景下Label ID不会超过2^16-1，更小的数据类型能减少内存占用和处理时间：

totalLabels, label_ids, values, centroid = cv2.connectedComponentsWithStats(threshold, 4, cv2.CV_16U)

四、GPU加速（如果有硬件条件） #

如果你的环境有NVIDIA GPU，可以用OpenCV的CUDA模块加速二值化和连通域分析，速度会有数量级的提升：

import cv2.cuda as cuda

# 将图像上传到GPU
gray_gpu = cuda.GpuMat()
gray_gpu.upload(gray_img)
# GPU版高斯模糊
blurred_gpu = cuda.GaussianBlur(gray_gpu, (7,7), 0)
# GPU版二值化
_, threshold_gpu = cuda.threshold(blurred_gpu, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)
# GPU版连通域分析
cc_result = cuda.connectedComponentsWithStats(threshold_gpu, 4, cv2.CV_32S)
totalLabels = cc_result[0]
label_ids = cc_result[1].download()
values = cc_result[2].download()

# 后续筛选掩码的步骤和CPU版一致
valid_labels = np.where((values[1:, cv2.CC_STAT_AREA] < 10000))[0] + 1
output = np.isin(label_ids, valid_labels).astype("uint8") * 255

内容的提问来源于stack exchange，提问作者Llana