血管图像处理问题

Question

我正在尝试从图像中提取血管，为此，我首先使图像均衡，应用CLAHE直方图以获得以下结果：

        clahe = cv2.createCLAHE(clipLimit=100.0, tileGridSize=(100,100))
        self.cl1 = clahe.apply(self.result_array)
        self.cl1 = 255 - self.cl1

然后我使用OTSU阈值来提取血管，但没有做好：

self.ret, self.thresh = cv2.threshold(self.cl1, 0,255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)
        kernel = np.ones((1,1),np.float32)/1
        self.thresh = cv2.erode(self.thresh, kernel, iterations=3)
        self.thresh = cv2.dilate(self.thresh, kernel, iterations=3)

结果如下：

显然会有很多噪音。我尝试过使用中位数模糊，但它只是将噪点聚集在一起，并在某些地方将其变成斑点。我如何去除噪音以获得血管？

这是我试图提取血管的原始图像：

Answer 1

获得非常好的结果是一个难题（你可能不得不以某种方式模拟血管结构和噪音），但你可能仍然比过滤更好。

在Canny边缘检测器的启发下，解决此类问题的一种技术是使用两个阈值 - [hi,low]并将响应p的像素r归类为属于血液如果V ||，则为r > hi （r > lo＆amp;＆amp; p的一个邻居位于V）。

此外，在滤波方面，双边滤波和均值滤波都适用于噪声图像。

kernel3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
kernel5 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
kernel7 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(7,7))
t_lo = 136
t_hi = 224

blured = cv2.pyrMeanShiftFiltering(img, 3, 9)
#blured = cv2.bilateralFilter(img, 9, 32, 72)

clahe = cv2.createCLAHE(clipLimit=128.0, tileGridSize=(64, 64))
cl1 = clahe.apply(blured)
cl1 = 255 - cl1

ret, thresh_hi = cv2.threshold(cl1, t_hi, 255, cv2.THRESH_TOZERO)
ret, thresh_lo = cv2.threshold(cl1, t_lo, 255, cv2.THRESH_TOZERO)

低阈值图像 嗨阈值图像

准备和清理：

current = np.copy(thresh_hi)
prev = np.copy(current)
prev[:] = 0
current = cv2.morphologyEx(current, cv2.MORPH_OPEN, kernel5)
iter_num = 0
max_iter = 1000

这不是最有效的方法......但易于实施：

while np.sum(current - prev) > 0 and iter_num < max_iter:
    iter_num = iter_num+1
    prev = np.copy(current)
    current = cv2.dilate(current, kernel3)
    current[np.where(thresh_lo == 0)] = 0

初始掩码

删除小blob：

contours, hierarchy = cv2.findContours(current, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
for contour in contours:
    area = cv2.contourArea(contour)
    if area < 256:
        cv2.drawContours( current, [contour], 0, [0,0,0], -1 )

删除小blob后

形态清理：

opening = cv2.morphologyEx(current, cv2.MORPH_OPEN, kernel7)   
cl1[np.where(opening == 0)] = 0

结果

这绝不是最佳选择，但我认为它应该为您提供足够的工具来启动。

Answer 2

怎么样： 高通（图像减去高斯光滑，带有sigma 12），然后是阈值（126），然后是小物体抑制（小于300像素的物体被移除）？

（我使用了你的上一张照片）