OpenCV骨架化后connectedComponentsWithStats组件数统计错误问题

核心问题分析 #

Matlab的bwmorph(bw1,'skel',inf)采用迭代形态学细化算法，在保留连通性的前提下逐步细化前景区域；而你使用的EuclideanSkeleton、medial_axis等方法基于距离变换或轴提取，对椭圆这类平滑区域易产生断裂，导致连通组件计数偏差。

具体修复步骤 #

1. 采用与Matlab对齐的形态学细化算法 #

使用scikit-image的skeletonize函数（默认Zhang-Suen算法），其逻辑与Matlab的bwmorph('skel',inf)高度匹配，能稳定保留椭圆等区域的连通性：

import cv2
from skimage.morphology import skeletonize
import numpy as np

# 读取并预处理二值图像（确保前景为255，背景为0）
bw_img = cv2.imread("your_image.png", cv2.IMREAD_GRAYSCALE)
# 转为0/1格式适配skimage
binary_img = (bw_img == 255).astype(np.uint8)

# 执行骨架化
skel = skeletonize(binary_img)
# 转回OpenCV兼容的8位格式
skel_cv = (skel * 255).astype(np.uint8)

# 统计组件数（使用8连通，与Matlab默认一致）
num_labels, _, _, _ = cv2.connectedComponentsWithStats(skel_cv, connectivity=8)
# 减去背景标签（0）
correct_component_count = num_labels - 1
print(f"正确组件数：{correct_component_count}")

2. 预处理优化椭圆区域连通性 #

若原图像椭圆区域存在微小间隙，先执行形态学闭操作填补间隙，再骨架化：

# 生成3x3椭圆结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
# 闭操作填补微小断裂
closed_img = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)
# 再骨架化
skel = skeletonize(closed_img)

3. 调整DIPlib的骨架化参数 #

如果坚持使用DIPlib，需切换到形态学细化模式（而非Euclidean骨架），匹配Matlab逻辑：

import diplib as dip

# 读取二值图像
bw_img = dip.ImageRead("your_image.png")
# 形态学骨架化（迭代至稳定）
skel = dip.Skeleton(bw_img, method="morphological")
# 转换为OpenCV格式并统计组件
skel_cv = np.array(skel).astype(np.uint8) * 255
num_labels, _, _, _ = cv2.connectedComponentsWithStats(skel_cv, connectivity=8)
correct_component_count = num_labels - 1

4. 确认连通性参数匹配 #

确保connectedComponentsWithStats的connectivity参数设为8（Matlab默认8连通），若误设为4会导致组件数被过度拆分。

内容的提问来源于stack exchange，提问作者Dio