基于 OpenCV 的图像分割项目实战

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

本期我们将一起来实现一个有趣的问题 -图像分割的算法。

本文的示例代码可以在以下链接中找到：

https://github.com/kiteco/kite-python-blog-post-code/tree/master/image-segmentation

作为我们的例子，我们将对KESM显微镜获取的图像进行分割以获取其中的血管组织。

数据科学家和医学研究人员可以将这种方法作为模板，用于更加复杂的图像的数据集（如天文数据），甚至一些非图像数据集中。由于图像在计算机中表示为矩阵，我们有一个专门的排序数据集作为基础。在整个处理过程中，我们将使用 Python 包，以及OpenCV、scikit 图像等几种工具。除此之外，我们还将使用 numpy ，以确保内存中的值一致存储。

主要内容

去噪

为了消除噪声，我们使用简单的中位数滤波器来移除异常值，但也可以使用一些不同的噪声去除方法或伪影去除方法。这项工件由采集系统决定（显微镜技术），可能需要复杂的算法来恢复丢失的数据。工件通常分为两类：

1. 模糊或焦点外区域

2. 不平衡的前景和背景（使用直方图修改正确）

分割

对于本文，我们使用Otsu 的方法分割，使用中位数滤波器平滑图像后，然后验证结果。只要分段结果是二进制的，就可以对任何分段算法使用相同的验证方法。这些算法包括但不限于考虑不同颜色空间的各种循环阈值方法。

一些示例包括：

1. 李阈值

2. 依赖于局部强度的自适应阈值方法

3. 在生物医学图像分割中常用的Unet等深度学习算法

4. 在语义上对图像进行分段的深度学习方法

验证

我们从已手动分割的基础数据集开始。为了量化分段算法的性能，我们将真实数据与预测数据的二进制分段进行比较，同时显示准确性和更有效的指标。尽管真阳性 （TP） 或假阴性 （FN） 数量较低，但精度可能异常高。在这种情况下，F1 分数和 MCC是二进制分类的更好量化指标。稍后我们将详细介绍这些指标的优缺点。

为了定性验证，我们叠加混淆矩阵结果，即真正的正极、真负数、假阳性、假负数像素正好在灰度图像上。此验证也可以应用于二进制图像分割结果上的颜色图像，尽管本文中使用的数据是灰度图像。最后，我们将介绍整个实现过程。现在，让我们看看数据和用于处理这些数据的工具。

Loading and visualizing data

我们将使用以下模块加载、可视化和转换数据。这些对于图像处理和计算机视觉算法非常有用，具有简单而复杂的数组数学。如果单独安装，括号中的模块名称会有所帮助。

如果在运行示例代码中，遇到 matplotlib 后端的问题，请通过删除 plt.ion（） 调用来禁用交互式模式，或是通过取消注释示例代码中的建议调用来在每个部分的末尾调用 plt.show（）。"Agg"或"TkAgg"将作为图像显示的后端。绘图将显示在文章中。

代码导入

import cv2
 import matplotlib.pyplot as plt
 import numpy as np
 import scipy.misc
 import scipy.ndimage
 import skimage.filters
 import sklearn.metrics
 # Turn on interactive mode. Turn off with plt.ioff()
 plt.ion()

在本节中，我们将加载可视化数据。数据是小老鼠脑组织与印度墨水染色的图像，由显微镜（KESM）生成。此 512 x 512 图像是一个子集，称为图块。完整的数据集为 17480 x 8026 像素，深度为 799，大小为 10gb。因此，我们将编写算法来处理大小为 512 x 512 的图块，该图块只有 150 KB。

各个图块可以映射为在多处理/多线程（即分布式基础结构）上运行，然后再缝合在一起即获得完整的分段图像。我们不介绍具体的缝合方法。简而言之，拼接涉及对整个矩阵的索引并根据该索引将图块重新组合。可以使用map-reduce进行，Map-Reduce的指标例如所有图块的所有F1分数之和等。我们只需将结果添加到列表中，然后执行统计摘要即可。

左侧的黑色椭圆形结构是血管，其余的是组织。因此，此数据集中的两个类是：

• 前景（船只）—标记为255

• 背景（组织）—标记为0

右下方的最后一个图像是真实图像。通过绘制轮廓并填充轮廓以手动方式对其进行追踪，通过病理学家获得真实情况。我们可以使用专家提供的类似示例来训练深度学习网络，并进行大规模验证。我们还可以通过将这些示例提供给其他平台并让他们以更大的比例手动跟踪一组不同的图像以进行验证和培训来扩充数据。