二值图像中的连通成分标记

在上一篇文章《复杂背景下基于肤色的人脸检测和性别识别》中，为了提取二值化后的照片中的不同区域的特征（面积、中心、矩形度、圆形度等等），需要先进行连通成分标记。实验室有课题曰“肺结节计算机辅助诊断系统”，涉及肺结节分割、检测、良恶性识别和三维可视化等。（我是负责当中的3D可视化部分，用CUDA加速ray casting算法。）肺结节检测和良恶性识别需要精准地提取各种区域特征，连通成分标记也大有作为。这在MatLab中有现成的函数，但具体如何实现？不同的算法在时间、空间复杂度上各异。

我们或许可以想出一些比较简单的方法，如贾云得《机器视觉(1999))》中所述。在Robert M. Haralick和Linda G. Shapiro的"Computer and Robot Vision - Volume I (1992)"一书中有较为详细的介绍。至于最近的发展，笔者没有做过多的了解。

--------------------------------------------------------------------------

近日在看实验室师兄做过的东西，其中有关于Connected Component Labeling的比较好的总结：

目前的二值图像标记算法大致可以分为以下三类：

（1）基于像素标记：典型算法有两次扫描法、单向反复扫描法以及双向反复扫描法。此类算法以点为单位作标记并形成等价对，遇到标记冲突时，按预定的扫描方式，对满足连通条件的点传播等价对中最小标号。优点是思路简单，效率较高。

（2）基于线的标记：典型算法有基于游程的标记算法。该算法分两次扫描，第一次以目标段（目标物体同一行中两个边界点像素集合，包括边界点为单位作标记并形成等价对；第二次当遇到标记冲突时，对满足连通条件的目标段传播等价对中最小标号。优点是实时性很好。

（3）基于块的标记：经典算法有基于模块的标记算法。该算法已块为单位作标记，先创建2×2的模块，然后逐行扫描图像，标记满足连通条件的像素。优点是思路简单，准确度高。

参考文献：

[1] Implementation of a labeling algorithm based on contour tracing with feature extraction, 2007

[2] Optimized block-based connected components labeling with decision trees, 2010

--------------------------------------------------------------------------