我在完成一些生物样本照片的分割时遇到问题,我正在尝试通过图像处理来分析细菌的生长,理论上它应该有效。这是我拥有的原始图像之一:
我正在尝试分割圆圈内的区域,并查看像素值如何随着时间的推移而变化。我一直在尝试很多技术,因为我对分析此类样本还比较陌生。最初我使用的是 opencv,但没有得到我想要的结果,所以现在我使用 scikit-image 来处理所有问题图像处理和分割技术。 这是我到目前为止的代码:
from skimage import morphology, exposure, io, filters
from scipy import ndimage as ndi
from skimage.color import rgb2gray, label2rgb
from skimage.filters import sobel, rank
import matplotlib.pyplot as plt
y1=400
y2=1600
x1=700
x2=1900
test_img = io.imread(folders_path+hour_tested[0]+'5.jpg')
roi_test = test_img[y1:y2, x1:x2,:]
gray_img = rgb2gray(roi_test)
denoised_img = rank.median(gray_img, morphology.disk(5))
val = filters.threshold_otsu(denoised_img)
mask = denoised_img > val
elevation_map=sobel(denoised_img)
segmentation = morphology.watershed(elevation_map, mask=mask)
labeled_bio, num_seg = ndi.label(segmentation)
image_label_overlay = label2rgb(labeled_bio, image=gray_img)
plt.imshow(image_label_overlay)
plt.show()
在最后一行,我用不同的颜色分割样本区域,并在一个标签中获取我想要分析的部分,现在我不知道如何继续或至少如何看到它标签,然后创建蒙版。
我还分享了标记的图像供任何人查看,也许可以帮助我完成接下来的步骤,我觉得或者我真的很接近分割我感兴趣的领域,或者真的很远并且很困惑。
这是示例的标记图像:
最佳答案
这是一种使用简单图像处理技术的方法
获取二值图像。加载图像,转换为灰度,然后Otsu阈值得到二值图像
执行形态操作。我们创建一个椭圆形内核,然后执行变形接近以填充轮廓
隔离感兴趣的区域。我们使用轮廓近似+轮廓区域来查找轮廓和过滤。一旦我们隔离了轮廓,找到一个最小外接圆以获得一个完美的圆,然后将其绘制到空白蒙版上。获得完美圆的想法来自how to modify a mask to make a perfect circle
隔离 ROI。我们在蒙版上找到边界矩形 ROI,然后使用 Numpy 切片进行裁剪
按位与得到结果。最后我们对提取的两个ROI进行按位与
以下是每个步骤的可视化:
输入图片
二值图像
变形关闭
以绿色突出显示的孤立感兴趣区域,并在空白蒙版上绘制填充轮廓
孤立的 ROI
按位与求结果(两种版本,一种是黑色背景,一种是白色背景,具体取决于你想要的)
代码
import cv2
import numpy as np
# Load image, create blank mask, grayscale, Otsu's threshold
image = cv2.imread('1.jpg')
original = image.copy()
mask = np.zeros(image.shape, dtype=np.uint8)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
# Morph close
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
close = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=5)
# Find contours and filter using contour area + contour approximation
# Determine perfect circle contour then draw onto blank mask
cnts = cv2.findContours(close, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
peri = cv2.arcLength(c, True)
approx = cv2.approxPolyDP(c, 0.04 * peri, True)
area = cv2.contourArea(c)
if len(approx) > 4 and area > 10000 and area < 500000:
((x, y), r) = cv2.minEnclosingCircle(c)
cv2.circle(mask, (int(x), int(y)), int(r), (255, 255, 255), -1)
cv2.circle(image, (int(x), int(y)), int(r), (36, 255, 12), 3)
# Extract ROI
mask = cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)
x,y,w,h = cv2.boundingRect(mask)
mask_ROI = mask[y:y+h, x:x+w]
image_ROI = original[y:y+h, x:x+w]
# Bitwise-and for result
result = cv2.bitwise_and(image_ROI, image_ROI, mask=mask_ROI)
result[mask_ROI==0] = (255,255,255) # Color background white
cv2.imwrite('close.png', close)
cv2.imwrite('thresh.png', thresh)
cv2.imwrite('image.png', image)
cv2.imwrite('mask.png', mask)
cv2.imwrite('result.png', result)
cv2.waitKey()
注意:确定感兴趣的圆形区域的另一种方法是使用已实现为 cv2.HoughCircles()
的霍夫圆变换。但参数较多,可能不是最实用的方法。
关于python - 使用 Python 图像处理分割生物样本的照片以提取感兴趣的圆形区域,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59865712/