真阳性假阳性假阴性分割可视化

1.分割掩码二值化

分割掩码转化为图像格式时会在分割边界处有很多灰度像素点，这将导致后续利用分割掩码和预测分割掩码进行处理时会在边界处出现很多噪声点，因此利用阈值将分割掩码转换为二值图，消除边界上的灰度像素点。
代码

import numpy as np
import cv2

# 读取分割掩码
mask = cv2.imread('../model2ISIC_0000014.png', cv2.IMREAD_GRAYSCALE)

# 将灰度像素点消除
mask[mask < 128] = 0
mask[mask >= 128] = 255

# 保存处理后的结果
cv2.imwrite('mask_processed1.png', mask)

2.可视化分割结果

使用真实分割掩码和预测出分割掩码进行运算，将真阳性，假阳性，假阴性分别用红色、蓝色、绿色表示。
代码

import cv2
import numpy as np

gt_mask = cv2.imread("../mask_processed.png", cv2.IMREAD_GRAYSCALE)
pr_mask = cv2.imread("../mask_processed1.png", cv2.IMREAD_GRAYSCALE)



# kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (2, 2))
# gt_mask = cv2.morphologyEx(gt_mask, cv2.MORPH_OPEN, kernel)
# gt_mask = cv2.morphologyEx(gt_mask, cv2.MORPH_CLOSE, kernel)
# pr_mask = cv2.morphologyEx(pr_mask, cv2.MORPH_OPEN, kernel)
# pr_mask = cv2.morphologyEx(pr_mask, cv2.MORPH_CLOSE, kernel)

h, w = gt_mask.shape[:2]
result = np.zeros((h, w, 3), dtype=np.uint8)

# True positive (red)
result[(gt_mask == 255) & (pr_mask == 255)] = [0, 0, 255]

# False positive (blue)
result[(gt_mask == 0) & (pr_mask == 255)] = [255, 0, 0]

# False negative (green)
result[(gt_mask == 255) & (pr_mask == 0)] = [0, 255, 0]

cv2.imwrite("result1.png", result)

3.结果图