如何为此微观图像高效创建BW蒙版？

Question

所以有些背景知识。我的任务是编写一个matlab程序来计算可见光显微图像中酵母细胞的数量。为此，我认为第一步将是细胞分割。在我得到真正的实验图像集之前，我开发了一个使用分水岭的测试图像集的算法。看起来像这样：

分水岭的第一步是为细胞生成BW掩模。然后我将生成一个bwdist图像，该图像具有从BW蒙版生成的强制局部最小值。有了这个，我就可以轻松地产生分水岭。

正如您所看到的，我的算法依赖于BW掩码的成功生成。因为我需要从中生成bwdist图像和标记。最初，我按照以下步骤生成BW掩码：

1. 生成图像的局部标准差 sdImage = stdfilt（grayImage，ones（9））



1. 使用BW阈值生成初始BW掩码 binaryImage = sdImage＆lt; 8;



1. 使用 imclearborder 清除背景。使用其他一些代码在边框上添加单元格。



后台已完成。这是我的问题

但是今天我收到了新的真实数据集。图像分辨率小得多，光照条件与测试图像集不同。颜色深度也小得多。这些使我的算法无用。这是它：



使用 stdfilt 无法生成干净的图像。而是生成这样的东西（注意：我已经调整了 stdfilt 函数的参数和BW阈值，以下是我能得到的最好结果）：



正如您所看到的，细胞中心的光像素不必比膜更暗。哪个引导bw阈值产生这样的东西：



bw阈值处理后的新bw图像具有不完整的膜或分段的细胞中心，并使它们不适合其他步骤。

我最近才开始进行图像处理，不知道该怎么办。如果您有任何想法请帮助我！谢谢！

为了您的方便，我在Dropbox上附加了subset of the images

的链接

Answer 1

我认为你的方法存在根本问题。您的算法使用stdfilt来对图像进行二值化。但这实际上意味着你假设在单元格中的背景和中存在低“纹理”。这适用于您的第一张图片。但是，在第二个图像中，单元格内部存在“纹理”，因此该假设被破坏。

我认为更强的假设是每个单元格周围都有一个“响铃”（对于你发布的两个图像都有效）。所以我采取了检测此环的方法。

所以我的方法基本上是：

1. 检测这些响铃（我使用'日志'过滤器，然后根据正值进行二值化。但是，这会产生很多“喋喋不休”
2. 最初通过过滤掉非常小且非常大的区域来尝试删除一些“喋喋不休”
3. 现在，填写这些戒指。但是，在单元格之间仍然存在一些“喋喋不休”和填充区域
4. 同样，删除小区域和大区域，但由于单元格已填满，请增加可接受范围的界限。
5. 仍然存在一些不良区域，大多数不良区域将成为细胞之间的区域。通过观察区域边界周围的曲率可以检测细胞之间的区域。它们“向内弯曲”很多，这在数学上表示为具有负曲率的边界的大部分。此外，为了消除“颤振”的其余部分，这些区域的边界曲率将具有较大的标准偏差，因此也要去除具有较大标准偏差的边界。

总的来说，最困难的部分是在不移除实际细胞的情况下去除细胞之间的区域和“颤动”。

无论如何，这里是代码（请注意，有很多启发式方法，并且它非常粗糙，并且基于旧项目，homeworks和stackoverflow答案的代码，所以它肯定远未完成）：

cell = im2double(imread('cell1.png'));
if (size(cell,3) == 3) 
    cell = rgb2gray(cell);
end

figure(1), subplot(3,2,1)
imshow(cell,[]);

% Detect edges
hw = 5;
cell_filt = imfilter(cell, fspecial('log',2*hw+1,1));

subplot(3,2,2)
imshow(cell_filt,[]);

% First remove hw and filter out noncell hws
mask = cell_filt > 0;
hw = 5;
mask = mask(hw:end-hw-1,hw:end-hw-1);

subplot(3,2,3)
imshow(mask,[]);

rp = regionprops(mask, 'PixelIdxList', 'Area');
rp = rp(vertcat(rp.Area) > 50 & vertcat(rp.Area) < 2000);

mask(:) = false;
mask(vertcat(rp.PixelIdxList)) = true;

subplot(3,2,4)
imshow(mask,[]);

% Now fill objects
mask1 = true(size(mask) + hw);
mask1(hw+1:end, hw+1:end) = mask;
mask1 = imfill(mask1,'holes');
mask1 = mask1(hw+1:end, hw+1:end);

mask2 = true(size(mask) + hw);
mask2(hw+1:end, 1:end-hw) = mask;
mask2 = imfill(mask2,'holes');
mask2 = mask2(hw+1:end, 1:end-hw);

mask3 = true(size(mask) + hw);
mask3(1:end-hw, 1:end-hw) = mask;
mask3 = imfill(mask3,'holes');
mask3 = mask3(1:end-hw, 1:end-hw);

mask4 = true(size(mask) + hw);
mask4(1:end-hw, hw+1:end) = mask;
mask4 = imfill(mask4,'holes');
mask4 = mask4(1:end-hw, hw+1:end);

mask = mask1 | mask2 | mask3 | mask4;

% Filter out large and small regions again
rp = regionprops(mask, 'PixelIdxList', 'Area');
rp = rp(vertcat(rp.Area) > 100 & vertcat(rp.Area) < 5000);

mask(:) = false;
mask(vertcat(rp.PixelIdxList)) = true;

subplot(3,2,5)
imshow(mask);

% Filter out regions with lots of positive concavity

% Get boundaries
[B,L] = bwboundaries(mask);

% Cycle over boundarys
for i = 1:length(B)
    b = B{i};

    % Filter boundary - use circular convolution
    b(:,1) = cconv(b(:,1),fspecial('gaussian',[1 7],1)',size(b,1));
    b(:,2) = cconv(b(:,2),fspecial('gaussian',[1 7],1)',size(b,1));

    % Find curvature
    curv_vec = zeros(size(b,1),1);
    for j = 1:size(b,1)
        p_b = b(mod(j-2,size(b,1))+1,:);  % p_b = point before
        p_m = b(mod(j,size(b,1))+1,:);    % p_m = point middle
        p_a = b(mod(j+2,size(b,1))+1,:);  % p_a = point after

        dx_ds = p_a(1)-p_m(1);              % First derivative
        dy_ds = p_a(2)-p_m(2);              % First derivative
        ddx_ds = p_a(1)-2*p_m(1)+p_b(1);    % Second derivative
        ddy_ds = p_a(2)-2*p_m(2)+p_b(2);    % Second derivative
        curv_vec(j+1) = dx_ds*ddy_ds-dy_ds*ddx_ds;
    end


    if (sum(curv_vec > 0)/length(curv_vec) > 0.4 || std(curv_vec) > 2.0)
        L(L == i) = 0;
    end
end

mask = L ~= 0;

subplot(3,2,6)
imshow(mask,[])

输出1：



输出2：