如何从2D NumPy数组分割图中提取各连通簇边界框（同类可多簇）

没问题，你找对方向了！用scikit-image的measure模块完全能解决这个需求，我给你一步步拆解实现方法：

核心思路 #

首先用skimage.measure.label()给每个连通簇分配唯一标记（同一个类别下的不同连通簇会被标上不同数字），然后通过skimage.measure.regionprops()提取每个连通簇的属性，其中就包含我们需要的边界框坐标。

步骤详解&代码示例 #

1. 导入依赖库 #

import numpy as np
from skimage import measure

2. 准备分割图（或用你自己的2D NumPy数组） #

这里我模拟一个包含背景和多个类别、每个类别有多个连通簇的示例分割图：

# 构造示例分割图：0=背景，1=类别A，2=类别B，3=类别C
seg_map = np.array([
    [0, 0, 1, 1, 0, 2],
    [0, 1, 1, 0, 2, 2],
    [0, 0, 0, 0, 2, 0],
    [3, 3, 0, 1, 1, 1],
])

3. 标记连通区域 #

这里的connectivity参数要按需选择：

• connectivity=1：4连通（仅上下左右相邻算连通）
• connectivity=2：8连通（包含对角线相邻）
  如果要忽略背景类别（比如0），可以加上background=0参数：

# 生成连通区域标记图
labeled_seg = measure.label(seg_map, connectivity=1, background=0)

4. 提取每个连通簇的边界框及对应类别 #

遍历regionprops()返回的区域对象，就能拿到边界框和所属类别：

# 遍历所有连通区域
for region in measure.regionprops(labeled_seg, intensity_image=seg_map):
    # 获取连通簇的类别（同一区域内像素类别一致，均值就是类别值）
    class_id = int(region.intensity_mean)
    # 获取边界框：格式为(min_row, min_col, max_row, max_col)
    # 注意：max_row和max_col是开区间，若要包含最后一行/列，需+1
    min_row, min_col, max_row, max_col = region.bbox
    # 输出结果
    print(f"类别{class_id}的连通簇，边界框：行[{min_row}:{max_row}]，列[{min_col}:{max_col}]")

输出结果示例 #

运行代码后会得到类似这样的输出：

类别1的连通簇，边界框：行[0:2]，列[2:4]
类别2的连通簇，边界框：行[0:3]，列[5:6]
类别2的连通簇，边界框：行[1:2]，列[4:5]
类别3的连通簇，边界框：行[3:4]，列[0:2]
类别1的连通簇，边界框：行[3:4]，列[3:6]

额外实用技巧 #

• 如果需要把结果整理成结构化数据（比如按类别分组存储边界框），可以用字典收集：

class_bboxes = {}
for region in measure.regionprops(labeled_seg, intensity_image=seg_map):
    class_id = int(region.intensity_mean)
    bbox = region.bbox
    if class_id not in class_bboxes:
        class_bboxes[class_id] = []
    class_bboxes[class_id].append(bbox)

• 若不需要忽略背景，去掉background参数即可，label()会给所有非零像素的连通簇标记。

内容的提问来源于stack exchange，提问作者gustavz