Question

我最近一直在为角膜分割过程内皮细胞，我发现了一篇相当不错的论文，描述了如何以良好的效果执行它。我一直在尝试使用scikit-image和openCV来实现这一切，但我已经陷入了分水岭分割。

我将简要介绍该过程应该如何：

首先，你有原始的内皮细胞图像 original image

然后，他们指示你进行形态灰度重建，以便稍微调整图像的灰度（但是，他们没有解释如何获得灰度标记，所以我已经鬼混，并试图以自己的方式得到一些）

重建图像应该是这样的： desired reconstruction

这是我重建的图像（让我们将其标记为 r ）看起来像： my reconstruction

目的是使用重建的图像来获得分水岭分割的标记，我们该怎么做？！我们得到原始图像（将其标记为 f ），并在（ f - r ）中执行阈值以提取单元格的h-dome，即我们的标记。

这就是hdomes图像应该是这样的： desired hdomes

这是我的hdomes图片的样子： my hdomes

我相信我得到的hdomes和他们一样好，所以，最后一步是最终对原始图像执行分水岭分割，使用我们一直努力工作的hdomes搞定！

作为输入图像，我们将使用反转的原始图像，并作为标记，使用我们的标记。

这是侮辱的输出：

desired output

然而，我只是得到一张黑色的图像，每个像素都是黑色的，我不知道发生了什么......我也试过使用他们的标记和倒像，但是，也得到了黑色图像。我一直在使用的论文是 Luc M. Vincent，Barry R. Masters，＆＃34;角膜内皮细胞图像的形态学图像处理和网络分析＆＃34;，Proc。 SPIE 1769

我为长篇文章道歉，但是我真的想详细解释到目前为止我的理解是什么，顺便说一下，我已尝试过scikit-image和opencv的分水岭分割，两者都给了我黑色图像。

以下是我一直在使用的代码

img = cv2.imread('input.png',0)
mask = img


marker = cv2.erode(mask, cv2.getStructuringElement(cv2.MORPH_ERODE,(3,3)), iterations = 3)
reconstructedImage = reconstruction(marker, mask)


hdomes = img - reconstructedImage
cell_markers = cv2.threshold(hdomes, 0, 255, cv2.THRESH_BINARY)[1]


inverted = (255 - img)
labels = watershed(inverted, cell_markers)

cv2.imwrite('test.png', labels)


plt.figure()
plt.imshow(labels)
plt.show()

谢谢！

Answer 1

以下是使用scikit-image对图像进行分水岭分割的粗略示例。

您的脚本中缺少的是计算欧几里德距离（请参阅here和here）并从中提取局部最大值。

注意，分水岭算法输出分段恒定图像，其中相同区域中的像素被赋予相同的值。您所希望的输出中显示的内容＆＃39;面板（e）是区域之间的边缘。

import numpy as np
import cv2
import matplotlib.pyplot as plt
from skimage.morphology import watershed
from scipy import ndimage as ndi
from skimage.feature import peak_local_max
from skimage.filters import  threshold_local

img = cv2.imread('input.jpg',0)

'''Adaptive thersholding 
   calculates thresholds in regions of size block_size surrounding each pixel
   to handle the non-uniform background'''
block_size = 41
adaptive_thresh = threshold_local(img, block_size)#, offset=10)
binary_adaptive = img > adaptive_thresh

# Calculate Euclidean distance
distance = ndi.distance_transform_edt(binary_adaptive)

# Find local maxima of the distance map 
local_maxi = peak_local_max(distance, labels=binary_adaptive, footprint=np.ones((3, 3)), indices=False)
# Label the maxima
markers = ndi.label(local_maxi)[0]

''' Watershed algorithm
    The option watershed_line=True leave a one-pixel wide line 
    with label 0 separating the regions obtained by the watershed algorithm '''
labels = watershed(-distance, markers, watershed_line=True)

# Plot the result
plt.imshow(img, cmap='gray')
plt.imshow(labels==0,alpha=.3, cmap='Reds')
plt.show()

分水岭分割始终返回黑色图像

1 个答案: