Question

我一直在开发一个应用程序来计算圆形物体，例如图片中的细菌菌落。

事实上，对象通常与背景截然不同。

然而，很少有困难使分析变得棘手：

背景将呈现渐变和快速的强度变化。
在容器的边缘，对象将是椭圆形而不是圆形。
对象的边缘有时相当模糊。
对象将聚集。
物体可以非常小（直径6px）
最终，算法将由对图像分析没有深刻理解的人使用（通过GUI），因此参数必须直观且极少。

这个问题已在科学文献中多次提及并“解决”，例如，使用循环Hough变换或分水岭方法，但我从未对结果感到满意。

描述的一个简单方法是通过自适应阈值处理和分割（如我在this post中所描述的）使用距离变换分割聚类对象来获得前景。

我已经成功实施了这种方法，但它并不总能处理突然的强度变化。此外，我被同行们要求提出更“新颖”的方法。

因此，我正在寻找一种新方法来提取前景。

我最终推出了一种算法，到目前为止，它给了我很好的结果：

我分割了图像的三个通道并降低了噪点（模糊/中位模糊）。对于每个频道：
我通过计算原始通道和卷积（通过大内核模糊）之间的绝对差异来应用自适应阈值处理的第一步的手动实现。然后，对于所有相关的阈值值：
我对2）
查找轮廓
在授予其形状（大小，面积，凸度......）时验证或使轮廓无效
然后只在累加器中重绘有效的连续区域（即由轮廓分隔）（每个通道1个累加器）。
在超过阈值的值累积连续区域后，我最终得到“地区分数”的映射。强度最高的区域是最常满足形态过滤标准的区域。
然后将三个地图（每个通道一个）转换为灰度和阈值（阈值由用户控制）

只是为了向您展示我必须使用的图像： enter image description here 此图片代表顶部3个样本图像的一部分，以及底部各个部分的算法结果（蓝色=前景）。

这是我的C ++实现：3-7

/*
 * cv::Mat dst[3] is the result of the absolute difference between original and convolved channel.
 * MCF(std::vector<cv::Point>, int, int) is a filter function that returns an positive int only if the input contour is valid.
 */

/* Allocate 3 matrices (1 per channel)*/
cv::Mat accu[3];

/* We define the maximal threshold to be tried as half of the absolute maximal value in each channel*/
int maxBGR[3];
for(unsigned int i=0; i<3;i++){
    double min, max;
    cv::minMaxLoc(dst[i],&min,&max);
    maxBGR[i] = max/2;
    /* In addition, we fill accumulators by zeros*/
    accu[i]=cv::Mat(compos[0].rows,compos[0].cols,CV_8U,cv::Scalar(0));
}
/* This loops are intended to be multithreaded using
#pragma omp parallel for collapse(2) schedule(dynamic)
For each channel */
for(unsigned int i=0; i<3;i++){
    /* For each value of threshold (m_step can be > 1 in order to save time)*/
    for(int j=0;j<maxBGR[i] ;j += m_step ){
            /* Temporary matrix*/
            cv::Mat tmp;
            std::vector<std::vector<cv::Point> > contours;
            /* Thresholds dst by j*/
            cv::threshold(dst[i],tmp, j, 255, cv::THRESH_BINARY);
            /* Finds continous regions*/
            cv::findContours(tmp, contours, CV_RETR_LIST, CV_CHAIN_APPROX_TC89_L1);
            if(contours.size() > 0){
                /* Tests each contours*/
                for(unsigned int k=0;k<contours.size();k++){
                    int valid = MCF(contours[k],m_minRad,m_maxRad);
                    if(valid>0){
                        /* I found that redrawing was very much faster if the given contour was copied in a smaller container.
                         * I do not really understand why though. For instance,
                         cv::drawContours(miniTmp,contours,k,cv::Scalar(1),-1,8,cv::noArray(), INT_MAX, cv::Point(-rect.x,-rect.y));
                         is slower especially if contours is very long.
                         */
                        std::vector<std::vector<cv::Point> > tpv(1);
                        std::copy(contours.begin()+k, contours.begin()+k+1, tpv.begin());
                        /* We make a Roi here*/
                        cv::Rect rect = cv::boundingRect(tpv[0]);
                        cv::Mat miniTmp(rect.height,rect.width,CV_8U,cv::Scalar(0));
                        cv::drawContours(miniTmp,tpv,0,cv::Scalar(1),-1,8,cv::noArray(), INT_MAX, cv::Point(-rect.x,-rect.y));
                        accu[i](rect)    = miniTmp + accu[i](rect);
                    }
                }
            }
        }
    }
/* Make the global scoreMap*/
cv::merge(accu,3,scoreMap);
/* Conditional noise removal*/
if(m_minRad>2)
    cv::medianBlur(scoreMap,scoreMap,3);
cvtColor(scoreMap,scoreMap,CV_BGR2GRAY);

我有两个问题：

这种前景提取方法的名称是什么？你认为在这种情况下使用它的任何原因是不正确的吗？
由于递归查找和绘制轮廓是非常密集的，我想让我的算法更快。你能指出我实现这一目标的任何方法吗？

非常感谢你的帮助，

Answer 1

几年前，我写了一个检测显微镜图像中细胞的应用程序。代码是用Matlab编写的，我认为现在它比它应该更复杂（这是我的第一个CV项目），所以我只会概述那些对你有帮助的技巧。顺便说一句，这是致命的慢，但它真的很好地分离了大量的双胞胎。

我定义了一个度量标准，通过该度量标准来评估给定点是单元格中心的可能性： - 亮度在其周围呈圆形图案减少 - 纹理亮度的方差遵循给定的模式 - 单元格不会覆盖相邻单元格的％以上

有了它，我开始迭代地找到最好的单元格，将其标记为找到，然后寻找下一个单元格。因为这样的搜索很昂贵，我使用遗传算法在我的特征空间中搜索得更快。

下面给出了一些结果：

Cells 2 Cells

通过迭代自适应阈值处理和形状分析来检测圆形对象的簇

1 个答案: