基于OpenCV的细胞图像识别

软件开发说明

1.    基于OpenCV库，对含有细胞的图像进行处理。

2.    统计图像中所含细胞数量。

3.    输出最大和最小细胞的面积，周长（以像素为单位），方向，和该细胞的中心位置。

4.    输出所有细胞的平均面积。

5.    主要的中间步骤处理结果以cvShowImage的形式输出。

算法具体步骤

1.    图像的读入和转化

读入图像后转化为灰度图像

// Load image to src and Show source image       Mat source = imread("cell1.bmp", CV_LOAD_IMAGE_COLOR);     imshow("Source image", source);       // Get gray graph of source image.       Mat gray;     cvtColor(source, gray, CV_RGB2GRAY);     imshow("Gray image", gray);

 

2.    分离细胞与背景，并将图像二值化

int thresholdn = Otsu(gray);     Mat bin;     threshold(gray, bin, thresholdn, 255, CV_THRESH_BINARY);

在分离细胞与背景图像的时候，最重要的是要找到一个合适的阈值，来进行图像和背景的二值化分离。这里我阅读了一些参考文献，决定采用otsu算法即最大类间方差法，又称大津算法。它是按图像的灰度特性,将图像分成背景和目标2部分。背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。

3.    获取细胞外围轮廓，及其面积、周长等。

这里我们使用findContours()函数来实现对细胞轮廓的获取，在此基础上舍弃一些轮廓，留下最终我们需要的，由于图像中有些和细胞颜色接近而面积远小于细胞的杂质，因此我们还需要对面积进行判断并且舍弃部分杂质。

vector<vector<Point>> contours;    vector<Vec4i> hierarchy;    Mat cont = Mat::zeros(bin.size(), CV_8UC1);    Mat ellp = Mat::zeros(bin.size(), CV_8UC1);    findContours(bin, contours, hierarchy,        CV_RETR_TREE, CV_CHAIN_APPROX_SIMPLE, Point(0, 0));

计算平均面积：

for (int i = 0; i < contours.size(); i++){        if (hash[i]){            area[i] = contourArea(contours[i]);           totalarea += area[i];        }    }      int average = totalarea / counter;