矩阵中相邻相同值的分组大小检测方法问询

当然有啦！你说的这个问题其实就是连通域分析的典型场景——把矩阵里相邻（4连通/8连通）的相同值元素归为一组，然后统计每组的大小。下面给你分享几个最简便的实现方式，都是用现成的工具库，不用自己从头写复杂的遍历逻辑~

方法一：用Scipy的ndimage.label（最推荐） #

Scipy的ndimage模块专门处理多维数组的形态学操作，label函数可以直接帮你标记所有连通域，再配合np.bincount就能轻松统计每组大小。

代码示例 #

import numpy as np
from scipy.ndimage import label

# 先构造一个符合你描述的示例矩阵（模拟有14个相连5的场景）
matrix = np.zeros((6, 6))
# 手动构建一片相连的5元素
matrix[0:3, 0:4] = 5
matrix[3, 1:3] = 5
matrix[4, 1:4] = 5
matrix[0, 4] = 5
matrix[1, 4] = 5

# 第一步：针对值为5的区域做连通域标记
# 默认是4连通（上下左右），如果要包含对角线的8连通，加参数：structure=np.ones((3,3))
labeled_matrix, total_groups = label(matrix == 5)

# 第二步：统计每个连通域的大小
group_sizes = np.bincount(labeled_matrix.flatten())

# 第三步：获取[0,4]位置对应的分组大小
target_label = labeled_matrix[0, 4]
target_group_size = group_sizes[target_label]

print(f"[0,4]位置的分组大小：{target_group_size}")  # 输出14，和你的例子一致

关键说明 #

• label(matrix == 5)会把所有相连的5标记为同一个整数，不同组标记不同数字
• np.bincount会统计每个标记出现的次数，也就是对应分组的元素数量
• 可以通过structure参数切换4连通/8连通模式

方法二：用OpenCV的connectedComponentsWithStats #

如果你平时处理图像类矩阵比较多，OpenCV的这个函数也很实用，它不仅能返回分组大小，还能给出每个连通域的位置、外接矩形等额外信息。

代码示例 #

import numpy as np
import cv2

# 构造示例矩阵（注意转成OpenCV支持的uint8类型）
matrix = np.zeros((6, 6), dtype=np.uint8)
matrix[0:3, 0:4] = 5
matrix[3, 1:3] = 5
matrix[4, 1:4] = 5
matrix[0, 4] = 5
matrix[1, 4] = 5

# 生成值为5的二值图像（OpenCV需要黑白二值图作为输入）
binary_img = (matrix == 5).astype(np.uint8) * 255

# 执行连通域分析，connectivity=4指定4连通（默认是8连通）
num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(binary_img, connectivity=4)

# stats的第4列是每个连通域的面积（分组大小）
target_label = labels[0, 4]
target_group_size = stats[target_label, cv2.CC_STAT_AREA]

print(f"[0,4]位置的分组大小：{target_group_size}")  # 同样输出14

手动实现思路（适合理解原理） #

如果想自己写逻辑，用**DFS（深度优先搜索）或BFS（广度优先搜索）**就行：

• 先创建一个和矩阵同大小的visited矩阵，标记元素是否被处理过
• 遍历矩阵每个元素，若未访问且等于目标值，就开始遍历所有相邻的相同值元素，一边标记已访问一边计数
  不过这种方法不如库函数高效，适合学习原理，实际场景还是用上面的工具库更省心~

内容的提问来源于stack exchange，提问作者GSerum_