Python实现像素邻域分组：按连通性归类离散像素

刚好遇到过类似的图像像素分组需求，结合你提到的思路，这里整理出一个高效且易理解的实现方案：

核心思路 #

我们用**深度优先搜索（DFS）**来遍历并分组连通像素：

• 先把所有像素坐标转成集合，这样查找和删除操作会非常高效
• 每次从剩余的点里取一个作为起点，然后顺着它的8邻域（上下左右+四个对角线）递归查找所有连通点，把这些点归为一组
• 重复这个过程，直到所有点都被分到对应的组里

完整实现代码 #

def candidate_neighbors(node):
    # 生成当前点的8个邻域坐标
    return (
        (node[0]-1, node[1]-1), (node[0]-1, node[1]), (node[0]-1, node[1]+1),
        (node[0], node[1]-1),                          (node[0], node[1]+1),
        (node[0]+1, node[1]-1), (node[0]+1, node[1]), (node[0]+1, node[1]+1)
    )

def neighboring_groups(nodes):
    remain = set(nodes)  # 集合存储剩余未分组点，提升操作效率
    while len(remain) > 0:
        visit = [remain.pop()]  # 取出一个起点，开始遍历连通区域
        group = []
        while len(visit) > 0:
            node = visit.pop()
            group.append(node)
            # 检查当前点的所有邻域
            for nb in candidate_neighbors(node):
                if nb in remain:
                    remain.remove(nb)
                    visit.append(nb)
        yield tuple(group)  # 用生成器返回分组，节省内存

# 测试示例
nodes = ((22, 23), (22, 24), (21, 23), (1, 5), (2, 6), (21, 22), (3, 5))
print(tuple(neighboring_groups(nodes)))

代码细节说明 #

• candidate_neighbors：专门生成当前像素的8个邻点，确保不会漏掉任何连通的像素（如果只需要4连通，去掉对角线的四个坐标即可）
• neighboring_groups：
  • 用集合而非列表存储剩余点，因为集合的成员检查和删除操作是O(1)，比列表的O(n)高效太多，处理大量像素时差异明显
  • 用循环模拟DFS（避免递归深度过大导致栈溢出），每次处理一个连通区域，把所有连通点收集到一个组里
  • 生成器的方式返回分组，不需要一次性把所有组都存在内存里，适合处理超大图像的像素列表

执行效果 #

运行测试代码后，会得到你期望的分组结果：

(((1, 5), (2, 6), (3, 5)), ((22, 24), (22, 23), (21, 22), (21, 23)))

同一连通区块的像素都被归到了同一个子结构里，内部顺序不影响后续使用。

内容的提问来源于stack exchange，提问作者Heath24