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

Question

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:

Answer 1

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

<小时/>

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。