floodFill详解

https://blog.csdn.net/weixin_42296411/article/details/80966724

函数原型

参数：

image 【输入/输出】 1或者3通道、 8bit或者浮点图像。仅当参数flags的FLOODFILL_MASK_ONLY标志位被设置时image不会被修改，否则会被修改。

mask 【输入/输出】操作掩码，必须为单通道、8bit，且比image宽2个像素、高2个像素。使用前必须先初始化。Flood-filling无法跨越mask中的非0像素。例如，一个边缘检测的结果可以作为mask来阻止边缘填充。在输出中，mask中与image中填充像素对应的像素点被设置为1，或者flags标志位中设置的值(详见flags标志位的解释)。此外，该函数还用1填充了mask的边缘来简化内部处理。因此，可以在多个调用中使用同一mask，以确保填充区域不会重叠。

seedPoint 起始像素点

newVal 重绘像素区域的新的填充值(颜色)

rect 可选输出参数，返回重绘区域的最小绑定矩形。

loDiff 当前选定像素与其连通区中相邻像素中的一个像素，或者与加入该连通区的一个seedPoint像素，二者之间的最大下行差异值。

upDiff 当前选定像素与其连通区中相邻像素中的一个像素，或者与加入该连通区的一个seedPoint像素，二者之间的最大上行差异值。

flags flags标志位是一个32bit的int类型数据，其由3部分组成： 0-7bit表示邻接性(4邻接、8邻接)；8-15bit表示mask的填充颜色；16-31bit表示填充模式（详见填充模式解释）

flood fill填充模式:

//! floodfill algorithm flags

enum FloodFillFlags {

/** If set, the difference between the current pixel andseed pixel is considered. Otherwise,

the difference between neighbor pixels is considered (that is, the rangeis floating). */

FLOODFILL_FIXED_RANGE = 1 << 16,

/** If set, the function does not change the image ( newValis ignored), and only fills the

mask with the value specified in bits 8-16 of flags as described above.This option only make

sense in function variants that have the mask parameter. */

FLOODFILL_MASK_ONLY = 1 <<17

};

FLOODFILL_FIXED_RANGE：如果设置了该值，则考虑当前像素与seed像素之间的差异，否则考虑相邻像素之间的差异(即浮动区间)。

FLOODFILL_MASK_ONLY：如果设置了该值，floodFill函数不会修改image的内容(newVal被忽略)，只使用flags标志中bit8-15的值填充mask。该选项仅在含mask参数的floodFill函数中有效。

函数作用：

用给定的颜色填充一个连通区域。

下面我们通过Code来演示floodFill函数的用法及效果：

先创建一个20*10像素的灰度图像，为了便于观察，我们以60个灰度为一个等级填充图片。

Code-1：

import cv2
import numpy as np
img = np.zeros((20,10), dtype=np.uint8)
i = 0
for v in img:
v[:] = i//5 * 60
i += 1
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

得到的图片输出(为方便观察，使用画图软件打开，下同)：

该图片被分为4个横条块，其灰度值自顶向下依次为：0、60、120、180。

接下来，我们选定seed=(7,7), 该点落在这里(下图第二个横条小白点处)：

我们选定该点作为seedPoint，对img图片进行floodFill。

Code-2：

#encoding=utf-8
import cv2
import numpy as np
img = np.zeros((20,10), dtype=np.uint8)
i = 0
for v in img:
v[:] = i//5 * 60
i += 1
cv2.imwrite('img_init.png', img)
seed = (7, 7)
#构建mask,根据mask参数的介绍,其size必须为宽img+2,高img+2
mask = np.zeros((img.shape[0]+2, img.shape[1] +2), dtype=np.uint8)
newVal = (127) #img fill的填充值
mask_fill = 252 #mask的填充值
#floodFill充值标志
flags = 4|(mask_fill<<8)|cv2.FLOODFILL_FIXED_RANGE
#连通区范围设定
loDiff, upDiff = 20,20
#执行floodFill操作
ret, image, mask, rect = cv2.floodFill(img, mask, seed, newVal,(loDiff), (upDiff), flags)
cv2.imwrite('img.png', img)
cv2.imwrite('img_mask.png', mask)

floodFill前、后的img图像(左前右后)：

对比发现，img图像的第二行颜色变了，check一下第二行的颜色值，发现变为了127，这与Code-2中

newVal =(127)#img fill的填充值

是一致的：

再check一下得到的mask图像:

其像素值为：

我们观察mask的像素组成会发现，执行floodFill后得到的mask值，其被填充部分的值来自于：

mask_fill =252 #mask的填充值

并且，最外围边缘一周的像素点，全部被填充为1，这与mask参数的描述完全一致。

接下来，我们调整一下loDiff的值为70，我们看看会有什么不一样：

loDiff, upDiff =70,20

得到的img图像为：

与原始img图片对比：

观察floodFill后的img像素值：

我们发现img图像第一、二行的值均被置为127了，这是因为当loDiff值为70时，seed=(7,7)所在点的值为60，而60-loDiff=-10,60+upDiff=80,而img图片第一、二行的像素值分别为0和60，均值[-10,80]这个区间内，故img图片第一、二行均被填充。

以上都是基于FLOODFILL_FIXED_RANGE这种填充方式的，下面我们对比一下使用FLOODFILL_MASK_ONLY方式来填充会有什么不一样。其他code保存不变，我们只需将

flags =4|(mask_fill<<8)|cv2.FLOODFILL_FIXED_RANGE

改为：

flags =4|(mask_fill<<8)|cv2.FLOODFILL_MASK_ONLY

运行程序后，发现img图片第一、第二行的值均未发生变化：

但mask图片第一、第二行的值与前面使用FLOODFILL_FIXED_RANGE时是一样的：

故此，可以验证前面对FLOODFILL_MASK_ONLY的解释，只影响mask的输出，对image无影响。

最后，对flags的0-7bit邻接性进行分析。

相邻像素

1) 4领域

对位于坐标(x,y)的像素p有4个水平和垂直的相邻像素，它们的坐标是：

(x+1,y), (x-1,y),(x,y+1),(x,y-1)

这组像素称为p的4邻域，用N₄(p)表示：

对角相邻像素

p的四个对角像素的坐标为：

(x+1,y+1), (x+1,y-1),(x-1,y+1),(x-1,y-1)

用N_D(p)表示：

8领域

N₄(p)和N_D(p)组成像素p的8个相邻像素，称为p的8邻域，用N₈(p)表示：

邻接性

4邻接-如果q在集合N₄(p)中，则p和q是4邻接。

8邻接-如果q在集合N₈(p)中，则p和q是8邻接。

最后，通过代码来演示一下：

Code-3-1:

#encoding=utf-8
#创建一个8x8的图片
import cv2
import numpy as np
size = 8
img = np.zeros((size,size), dtype=np.uint8)
img[:] = 0
img[4,4] = 1
img[3,4] = 1
img[4,3] = 1
img[4,5] = 1
img[5,4] = 1
img[2,4] = 1
img[1,5] = 1
img[1,3] = 1
img[2,2] = 1
img[3,1] = 1
img[4,0] = 1
img[5,1] = 1
img[6,2] = 1
img[7,3] = 1
print(img)

创建一个以p(4,4)为中心像素的8x8图像：

下面以p(4,4)作为seed，对该图像进行floodFill操作,对比4邻接和8邻接的差异。

Code-3-2：

#encoding=utf-8
#创建一个8x8的图片
import cv2
import numpy as np
size = 8
img = np.zeros((size,size), dtype=np.uint8)
img[:] = 0
seed_x = 4
seed_y = 4
img[seed_x, seed_y] = 1
img[4,4] = 1
img[3,4] = 1
img[4,3] = 1
img[4,5] = 1
img[5,4] = 1
img[2,4] = 1
img[1,5] = 1
img[1,3] = 1
img[2,2] = 1
img[3,1] = 1
img[4,0] = 1
img[5,1] = 1
img[6,2] = 1
img[7,3] = 1
seed = (seed_x, seed_y)
mask= np.zeros((size+2,size+2), dtype=np.uint8)
img1 = img.copy()
img2 = img.copy()
mask1 = mask.copy()
mask2 = mask.copy()
ret, img1,mask1, rect=cv2.floodFill(img1, mask1, seed,(8), (0),(0), flags=4|(3<<2)|cv2.FLOODFILL_FIXED_RANGE)
ret, img2,mask2, rect=cv2.floodFill(img2, mask2, seed,(8), (0),(0), flags=8|(3<<2)|cv2.FLOODFILL_FIXED_RANGE)
print(img)
print(img1)
print(img2)

img1为4邻接填充：

img2为8邻接填充：

                    <li class="tool-item tool-active is-like "><a href="javascript:;"><svg class="icon" aria-hidden="true"><use xlink:href="#csdnc-thumbsup"></use></svg><span class="name">点赞</span><span class="count">4</span></a></li><li class="tool-item tool-active is-collection "><a href="javascript:;" data-report-click="{&quot;mod&quot;:&quot;popu_824&quot;}"><svg class="icon" aria-hidden="true"><use xlink:href="#icon-csdnc-Collection-G"></use></svg><span class="name">收藏</span></a></li><li class="tool-item tool-active is-share"><a href="javascript:;"><svg class="icon" aria-hidden="true"><use xlink:href="#icon-csdnc-fenxiang"></use></svg>分享</a></li><!--打赏开始--><!--打赏结束--><li class="tool-item tool-more"><a><svg t="1575545411852" class="icon" viewBox="0 0 1024 1024" version="1.1" xmlns="http://www.w3.org/2000/svg" p-id="5717" xmlns:xlink="http://www.w3.org/1999/xlink" width="200" height="200"><defs><style type="text/css"></style></defs><path d="M179.176 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5718"></path><path d="M509.684 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5719"></path><path d="M846.175 499.222m-113.245 0a113.245 113.245 0 1 0 226.49 0 113.245 113.245 0 1 0-226.49 0Z" p-id="5720"></path></svg></a><ul class="more-box"><li class="item"><a class="article-report">文章举报</a></li></ul></li></ul></div></div><div class="person-messagebox"><div class="left-message"><a href="https://blog.csdn.net/weixin_42296411"><img src="https://profile.csdnimg.cn/0/4/8/3_weixin_42296411" class="avatar_pic" username="weixin_42296411"><img src="https://g.csdnimg.cn/static/user-reg-year/2x/2.png" class="user-years"></a></div><div class="middle-message"><div class="title"><span class="tit"><a href="https://blog.csdn.net/weixin_42296411" data-report-click="{&quot;mod&quot;:&quot;popu_379&quot;}" target="_blank">weixin_42296411</a></span></div><div class="text"><span>发布了2 篇原创文章</span> · <span>获赞 10</span> · <span>访问量 2万+</span></div></div><div class="right-message"><a href="https://im.csdn.net/im/main.html?userName=weixin_42296411" target="_blank" class="btn btn-sm btn-red-hollow bt-button personal-letter">私信</a><a class="btn btn-sm  bt-button personal-watch" data-report-click="{&quot;mod&quot;:&quot;popu_379&quot;}">关注</a></div></div></div>