如何以最快矩阵式计算方式处理多区域Mask的区域值替换

你要处理的是把二值Mask里的每个连通区域，替换成该区域的总像素数，不用靠findContours循环，这几个方法更高效：

方法1：用scipy.ndimage.label + numpy.bincount #

这是最简洁的向量化解法，全程不需要循环处理：

import numpy as np
from scipy.ndimage import label

# 你的示例Mask
mask = np.array([[1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0],
                 [1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0],
                 [1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0],
                 [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0],
                 [0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0],
                 [0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0]], dtype=np.float32)

# 标记所有连通区域，labels中每个连通区域有唯一标识（从1开始）
labels, num_regions = label(mask)
# 统计每个标识对应的像素总数，index 0对应背景（值为0的区域）
region_sizes = np.bincount(labels.flatten())
# 将标记映射为对应区域的像素数
result = region_sizes[labels]
# 背景区域保持为0
result[mask == 0] = 0.0

print(result)

输出结果中，每个连通区域的所有像素会被替换成该区域的总像素数，比如左上角12像素的区域全为12，右下角6像素的区域全为6，左下角5像素的区域全为5。

方法2：用OpenCV的connectedComponents #

如果你的项目已经依赖OpenCV，这个方法更贴合现有技术栈，connectedComponents能直接返回区域标记和统计信息：

import numpy as np
import cv2

mask = np.array([[1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0],
                 [1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0],
                 [1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0],
                 [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0],
                 [0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0],
                 [0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0]], dtype=np.float32)

# 转换为OpenCV要求的8位单通道格式
mask_8u = (mask * 255).astype(np.uint8)
# 获取连通区域标记，num_labels包含背景的总区域数，labels为标记图
num_labels, labels = cv2.connectedComponents(mask_8u)

# 统计每个区域的像素数
region_sizes = np.bincount(labels.flatten())
# 映射为区域大小，背景置0
result = region_sizes[labels]
result[mask == 0] = 0.0

print(result)

这个方法和scipy的思路一致，但用OpenCV的连通区域检测实现，适合已经在使用OpenCV的项目场景。

为什么比findContours循环更优？ #

不管是scipy的label还是OpenCV的connectedComponents，都是批量向量化处理，时间复杂度为O(N)（N为总像素数）；而用findContours循环每个轮廓赋值，需要逐个遍历坐标点，时间效率低很多——尤其是当Mask包含大量小区域时，两者的性能差距会非常明显。

内容的提问来源于stack exchange，提问作者huanidz