一貫性のある最大領域（最大ブロブ）を取得

Get biggest coherent area – StackOverflow

処理としては，（必要ならば数理形態学的な前処理をした後で）ラベリングして，
カウントして，最大領域のインデックスを得る．その為のモジュールとしては，
Numpy/Scipy/scikit-imageを用いるか，OpenCVを用いるか．

Numpy/Scipy/Scikit-Imageを用いる場合

回答の通り．ただ，「skimage.measure.label」よりも，
「scipy.ndimage.label」の方が効率が良いので（1.5倍位速い），
それだけ置き換える．

import numpy as np
from scipy import ndimage
from skimage import io
import matplotlib.pyplot as plt


img = io.imread('https://i.stack.imgur.com/6ptZC.png', as_grey=True)
l = ndimage.label(img)[0]
out = (l==np.bincount(l.ravel())[1:].argmax()+1).astype(np.uint8)
plt.imshow(out)
plt.axis('off')

OpenCVを用いる場合

import cv2


nLabels, labelImages, data, center = cv2.connectedComponentsWithStats(img)
out = (labelImages==data[1:, 4].argmax()+1).astype(np.uint8)
plt.imshow(out)
plt.axis('off')

Runtime Test

%%timeit
l = label(img) # from skimage.measure import label
out = (l==np.bincount(l.ravel())[1:].argmax()+1).astype(np.uint8)

100 loops, best of 3: 3.36 ms per loop

%%timeit
l = ndimage.label(img)[0]
out = (l==np.bincount(l.ravel())[1:].argmax()+1).astype(np.uint8)

100 loops, best of 3: 2.23 ms per loop

%%timeit
nLabels, labelImages, data, center = cv2.connectedComponentsWithStats(img)
out = (labelImages==data[1:, 4].argmax()+1).astype(np.uint8)

1000 loops, best of 3: 1.75 ms per loop

色々比較した訳ではないけど，Scipy, Scikit-Image, OpenCV等々，
手軽に使えるモジュールの中でOpenCVが最も時間効率が良いイメージ．

幾つかのベンチマークをみるに，その感覚は尤もらしいと思う．

参考：
[1] Pythonの画像読み込み: PIL, OpenCV, scikit-image – Qiita
[2] Fast benchmark: Pillow vs OpenCV – kaggle
[3] Python image processing libraries performance: OpenCV vs Scipy vs Scikit-Image – mmas.github.io

　
　

ただ，ちょっとした作業の場合，OpenCVよりも「scipy.ndimage」や
「Scikit-Image」の方が簡便なので，まあ使い分ければ良い．