如何计算布尔矩阵密度并圈选目标密集区域？

你的密度矩阵+凸包的思路完全可行，而且可以同时圈出两个目标区域，下面给你拆解落地方法，同时分享一个更高效的连通域分析方案：

一、你的思路落地步骤 #

1. 构建密度矩阵 #

密度矩阵的核心是计算每个像素邻域内1的数量，用滑动窗口实现即可：

• 选择合适的窗口大小（比如3×3，覆盖当前像素和周围8个像素）
• 遍历矩阵中每个像素，统计窗口内1的总数，将该值作为密度矩阵对应位置的元素
• 离群点的邻域1数量极少，高密度区域的密度值会显著更高

2. 阈值过滤离群点 #

根据目标区域的密度特点设置阈值（比如3×3窗口内1的数量≥4），将密度低于阈值的1置为0，这样就能过滤掉左上角和右下角的离群点，只保留两个高密度区域。

3. 提取双区域凸包 #

过滤后的矩阵会剩下两个独立的连通区域，分别提取每个区域的所有坐标点，再对每个区域单独计算凸包，就能同时圈出两个目标区域。

二、更高效的连通域分析方案 #

针对这类布尔矩阵的区域提取，连通域分析是更直接的方案，无需构建密度矩阵，步骤如下：

1. 提取有效点集：将矩阵中所有值为1的像素坐标提取出来
2. 连通域划分：用邻域搜索算法（4邻接或8邻接）将点集划分为不同的连通组件
3. 过滤小组件：根据目标区域的大小（比如4×4=16个点），过滤掉点数极少的组件（即离群点）
4. 圈选区域：对剩下的两个大组件，可直接用最小外接矩形圈选，或计算凸包得到更精确的边界

代码实现示例（Python） #

import numpy as np
from scipy.ndimage import label, find_objects
from scipy.spatial import ConvexHull

# 原始布尔矩阵
matrix = np.array([
    [1,0,0,0,0,0,1,1,1,1],
    [0,0,0,0,0,0,1,1,1,1],
    [0,0,0,0,0,0,1,1,1,1],
    [0,0,0,0,0,0,1,1,1,1],
    [0,0,0,0,0,0,0,0,0,0],
    [0,0,0,0,0,0,0,0,0,0],
    [1,1,1,1,0,0,0,0,0,0],
    [1,1,1,1,0,0,0,0,0,0],
    [1,1,1,1,0,0,0,0,1,1],
    [1,1,1,1,0,0,0,0,0,0]
])

# 8邻接连通域标记
labeled_mat, component_count = label(matrix, structure=np.ones((3,3)))

# 获取每个连通域的边界框
components = find_objects(labeled_mat)

# 筛选出目标区域（点数≥10，排除离群点）
target_components = []
for idx in range(1, component_count + 1):
    mask = labeled_mat == idx
    if np.sum(mask) >= 10:
        target_components.append(mask)

# 对每个目标区域计算凸包
for mask in target_components:
    coords = np.argwhere(mask)
    hull = ConvexHull(coords)
    print("区域凸包顶点坐标：", coords[hull.vertices])

补充说明 #

• 如果不需要凸包的精确边界，直接用find_objects返回的slice对象就能快速得到每个区域的矩形范围，实现更简单
• 邻接方式可根据需求选择：4邻接（上下左右）或8邻接（含对角线），目标区域是矩形，两种方式都能准确划分

内容的提问来源于stack exchange，提问作者Carl