五自适应阈值与轮廓检测应用实例——细胞计数统计

Posted 2021-11-01 舞刀书生

教程汇总：python基础入门系列

假设有这样一个任务，通过显微镜拍下的某藻类细胞的玻片图，需要统计图中细胞个数。如果每天都要人工处理这项工作，那么将会浪费大量的时间与人力，我们既然学习了python那么自然可以想办法自动化高效率（偷懒）的完成这项任务。显微镜下藻类细胞图如下：

图像预处理

这种图是必须要进行处理过的，滤除掉无关多余信息才能更有针对性的进行细胞检测任务，首先想到的便是灰度，二值化处理。上代码：

import cv2
src=cv2.imread('cell0.jpg')
# 鉴于后续的图像处理操作可能会破坏原图，我们这里另拷贝一份src来用
img = src.copy()
# 转灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 均值模糊，除去噪音
gray = cv2.blur(gray, (2, 2))
# 二值化
retval,threshold = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)

cv2.imshow("gray", gray)
cv2.imshow("threshold", threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()

处理结果如下图：

物体轮廓检测

代表细胞的黑点已经处理出来了，那么就要进行轮廓检测与统计了。这里我们会用到cv2.findContours()函数来查找检测物体的轮廓。需要注意的是cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图)，所以使用该方法前二值化处理是比不可少的。在之前二值化处理代码基础上增加轮廓检测代码：

contours,hierarchy = cv2.findContours(threshold,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)

注意，findcontours函数会“原地”修改输入的图像。这一点可通过下面的语句验证：

cv2.imshow("threshold", threshold) 
contours,hierarchy = cv2.findContours(threshold,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow("threshold2", threshold) 

cv2.findContours()函数

函数的原型为

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])  

opencv2返回两个值：contours，hierarchy。注:opencv3会返回三个值,分别是img, countours, hierarchy

参数

• 第一个参数是寻找轮廓的图像；

• 第二个参数表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）：
  cv2.RETR_EXTERNAL 表示只检测外轮廓
  cv2.RETR_LIST 检测的轮廓不建立等级关系
  cv2.RETR_CCOMP 建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
  cv2.RETR_TREE 建立一个等级树结构的轮廓。

• 第三个参数method为轮廓的近似办法
  cv2.CHAIN_APPROX_NONE 存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
  cv2.CHAIN_APPROX_SIMPLE 压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
  cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS 使用teh-Chinl chain 近似算法

返回值

cv2.findContours()函数返回两个值，一个是轮廓本身（contours），还有一个是每条轮廓对应的属性（hierarchy）。

• contours：
  我们主要用到第一个返回值，该参数是一个list，list中每个元素都是图像中的一个轮廓，用numpy中的ndarray表示。这个概念非常重要。在下面drawContours中会看见。通过

  print (type(contours))  
  print (type(contours[0]))  
  print (len(contours))  
  

• hierarchy：
  此外，该函数还可返回一个可选的hiararchy结果，这是一个ndarray，其中的元素个数和轮廓个数相同，每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数。
  通过

  print (type(hierarchy))  
  print (hierarchy.ndim)  
  print (hierarchy[0].ndim)  
  print (hierarchy.shape)  
  

  可以看出，hierarchy本身包含两个ndarray，每个ndarray对应一个轮廓，每个轮廓有四个属性。

轮廓的绘制

我们需要在原图上绘制出检测出来的轮廓，方便验证检测出来的轮廓是否满足我们的要求。OpenCV中可以使用cv2.drawContours()函数在图像上绘制轮廓。
函数原型如下：

cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset ]]]]]) 

• 第一个参数是指明在哪幅图像上绘制轮廓；
• 第二个参数是轮廓本身，在Python中是一个list。
• 第三个参数指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。后面的参数很简单。其中thickness表明轮廓线的宽度，如果是-1（cv2.FILLED），则为填充模式。绘制参数将在以后独立详细介绍。

完整代码如下：

import cv2

#打开图片
src=cv2.imread('cell0.jpg')
# 鉴于后续的图像处理操作可能会破坏原图，我们这里另拷贝一份src来用
img = src.copy()
# 转灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 均值模糊，除去噪音
gray = cv2.blur(gray, (2, 2))
# 二值化
retval,threshold = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)

#轮廓检测
contours,hierarchy = cv2.findContours(threshold,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
# 标记圆点轮廓
cv2.drawContours(img,contours,-1,(255,0,0,),1)
# 标记圆点序号
n = 0
for cnt in contours:
    font = cv2.FONT_HERSHEY_PLAIN
    cv2.putText(img,str(n+1),(contours[n][0][0][0],contours[n][0][0][1]),font,1,(200,200,0),1,cv2.LINE_AA)
    n += 1
# 显示总个数
font = cv2.FONT_HERSHEY_SIMPLEX
cv2.putText(img,'number:'+str(len(contours)-1),(0,30),font,1,(255,0,0),2,cv2.LINE_AA)
cv2.imshow("source",src)
cv2.imshow("result", img)

cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下图：

自适应阈值优化

上面的处理我们只是用了简单阈值处理也足够了，可如果是下面这张图呢：

可以发现图中边缘有大面积深色部分，简单阈值的话势必会导致出现误判。通过前面 三、OpenCV图像的预处理——二值化与自适应阈值的章节学习，我们想到了采用自适应阈值来处理。
只需要上面代码中二值化处理代码改为下句：

threshold = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 35)

结果如图：