深度学习，分割后处理之连通成分分析-Connected-Components

背景：用深度学习方法得到的分割结果，会有一些假阳性区域。比如说做肾分割，大家都知道，肾只有左右两边有，如果分割结果出现了三个区域，则可以根据常识，去除那个假阳性区域。用到的方法就是连通成分分析Connected-Components。

我也是刚接触，只知道OpenCV提供了这样的一个函数

cv2.connectedComponents  以及 进阶版 cv2.connectedComponentsWithStats

1.cv2.connectedComponents

实例：

import cv2
import numpy as np
img = np.array([[0, 255, 0, 0],
                [0, 0, 255, 255],
                [0, 0, 0, 255],
                [255, 0, 0, 0]], np.uint8)
res, labels = cv2.connectedComponents(img, connectivity=4)
res
Out[5]: 4
labels
Out[6]: 
array([[0, 1, 0, 0],
       [0, 0, 2, 2],
       [0, 0, 0, 2],
       [3, 0, 0, 0]], dtype=int32)

假设img是分割结果，值为255的是目标区域，可以发现，目标区域有3块。res代表区域的数量（0，1，2，3），labels为经过连通区域分析后的标记，把不同区域的相同值标记为不同的类别（有点绕口）。这样标记后，如果我们觉得3那个区域是假阳性，那我们就可以把3那个区域的值变为0， 其余区域的值标记为255， 这样就消除掉3这个区域的阳性值了。

label = np.where(labels > 2, 0, labels)
# 把labels中，大于2的值，赋值为0， 其余的就是labels原来的值。这样就剩下了两个区域
print(label)

结果如下： 

[[0 1 0 0]
 [0 0 2 2]
 [0 0 0 2]
 [0 0 0 0]]

上述例子例子中，参数connectivity =4 表示在4邻域（上下左右）范围内查找元素，也是可以改成8邻域对比一下

 

2. cv2.connectedComponentsWithStats

stats 是bounding box的信息，N*5的矩阵，行对应每个label，五列分别为[x0, y0, width, height, area]

以上内容参考 https://www.jianshu.com/p/a9cc11af270c

总结：该方法对二维图像去除假阳性区域很好用，但是无法对三维图像进行操作。