如何用Numpy从黑白RGB掩码图像提取最大的X个白色像素聚类？

一、更简便的实现方式（推荐） #

纯Numpy手写连通域分析并不简便，更推荐借助专门的计算机视觉工具库（如scikit-image）来快速完成需求，这类库内置了成熟的连通域标记与分析功能，代码简洁且效率更高：

步骤与代码示例 #

import numpy as np
from skimage.measure import label, regionprops

# 假设你的RGB掩码数组为mask_rgb，形状为(512, 512, 3)
# 转换为单通道二值图（取任意通道即可，白色像素设为True，黑色为False）
mask_gray = mask_rgb[..., 0] > 127  # 基于灰度阈值区分黑白，可根据实际调整阈值

# 标记所有白色连通聚类（background=0表示黑色为背景）
labeled_mask = label(mask_gray, background=0)

# 获取每个聚类的属性，并按面积降序排序
regions = sorted(regionprops(labeled_mask), key=lambda x: x.area, reverse=True)

# 选取前X个规模最大的聚类
X = 2
top_regions = regions[:X]

# 生成仅包含单个聚类的新图像
single_cluster_masks = []
for region in top_regions:
    cluster_mask = np.zeros_like(mask_rgb)
    # 将当前聚类的位置设置为白色
    cluster_mask[labeled_mask == region.label] = [255, 255, 255]
    single_cluster_masks.append(cluster_mask)

# single_cluster_masks列表中存储了X个目标图像数组

二、纯Numpy的实现思路（不推荐，较繁琐） #

如果一定要用纯Numpy实现，你的DFS思路是可行的，但需要手动处理连通域遍历与标记，代码量更大且效率较低：

步骤与代码示例 #

import numpy as np

def extract_connected_components(mask_gray):
    h, w = mask_gray.shape
    visited = np.zeros_like(mask_gray, dtype=bool)
    components = []

    # 遍历所有像素，寻找未标记的白色像素
    for i in range(h):
        for j in range(w):
            if mask_gray[i, j] and not visited[i, j]:
                # DFS遍历整个连通域
                stack = [(i, j)]
                visited[i, j] = True
                coords = []
                while stack:
                    x, y = stack.pop()
                    coords.append((x, y))
                    # 检查上下左右4个方向（如需8连通可添加对角线方向）
                    for dx, dy in [(-1,0), (1,0), (0,-1), (0,1)]:
                        nx, ny = x + dx, y + dy
                        if 0 <= nx < h and 0 <= ny < w and mask_gray[nx, ny] and not visited[nx, ny]:
                            visited[nx, ny] = True
                            stack.append((nx, ny))
                components.append((len(coords), coords))
    
    # 按聚类规模降序排序
    components.sort(reverse=True, key=lambda x: x[0])
    return components

# 处理流程
mask_rgb = np.random.randint(0, 256, (512, 512, 3))  # 示例掩码数组
mask_gray = mask_rgb[..., 0] > 127
components = extract_connected_components(mask_gray)

X = 2
top_components = components[:X]

# 生成单个聚类图像
single_cluster_masks = []
for area, coords in top_components:
    cluster_mask = np.zeros_like(mask_rgb)
    for x, y in coords:
        cluster_mask[x, y] = [255, 255, 255]
    single_cluster_masks.append(cluster_mask)

内容的提问来源于stack exchange，提问作者Ben123