在 python 中使用图像处理计数粒子

Posted 2023-02-23

【中文标题】在 python 中使用图像处理计数粒子

【英文标题】：Counting particles using image processing in python

【发布时间】：2013-04-13 04:51:58

【问题描述】：

有没有什么好的算法可以检测背景强度变化的粒子？ 例如，如果我有以下图像：

有没有办法计算小白色颗粒，即使左下方出现明显不同的背景？

为了更清楚一点，我想标记图像并使用发现这些粒子显着的算法对粒子进行计数：

我用PIL、cv、scipy、numpy等模块尝试了很多东西。 我从this very similar SO question 那里得到了一些提示，乍一看你可以像这样取一个简单的阈值：

im = mahotas.imread('particles.jpg')
T = mahotas.thresholding.otsu(im)

labeled, nr_objects = ndimage.label(im>T)
print nr_objects
pylab.imshow(labeled)

但是由于背景的变化，您会得到以下信息：

我也尝试过其他的想法，比如a technique I found for measuring paws，我就是这样实现的：

import numpy as np
import scipy
import pylab
import pymorph
import mahotas
from scipy import ndimage
import cv


def detect_peaks(image):
    """
    Takes an image and detect the peaks usingthe local maximum filter.
    Returns a boolean mask of the peaks (i.e. 1 when
    the pixel's value is the neighborhood maximum, 0 otherwise)
    """

    # define an 8-connected neighborhood
    neighborhood = ndimage.morphology.generate_binary_structure(2,2)

    #apply the local maximum filter; all pixel of maximal value 
    #in their neighborhood are set to 1
    local_max = ndimage.filters.maximum_filter(image, footprint=neighborhood)==image
    #local_max is a mask that contains the peaks we are 
    #looking for, but also the background.
    #In order to isolate the peaks we must remove the background from the mask.

    #we create the mask of the background
    background = (image==0)

    #a little technicality: we must erode the background in order to 
    #successfully subtract it form local_max, otherwise a line will 
    #appear along the background border (artifact of the local maximum filter)
    eroded_background = ndimage.morphology.binary_erosion(background, structure=neighborhood, border_value=1)

    #we obtain the final mask, containing only peaks, 
    #by removing the background from the local_max mask
    detected_peaks = local_max - eroded_background

    return detected_peaks

im = mahotas.imread('particles.jpg')
imf = ndimage.gaussian_filter(im, 3)
#rmax = pymorph.regmax(imf)
detected_peaks = detect_peaks(imf)
pylab.imshow(pymorph.overlay(im, detected_peaks))
pylab.show()

但这也没有运气，显示了这个结果：

使用区域最大函数，我得到的图像几乎似乎给出了正确的粒子识别，但是根据我的高斯滤波，错误位置的粒子太多或太少（图像的高斯滤波器为 2， 3, & 4):

此外，它还需要处理与此类似的图像：

这是上面相同类型的图像，只是粒子密度更高。

编辑：已解决的解决方案：我能够使用以下代码为这个问题找到一个不错的工作解决方案：

import cv2
import pylab
from scipy import ndimage

im = cv2.imread('particles.jpg')
pylab.figure(0)
pylab.imshow(im)

gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5,5), 0)
maxValue = 255
adaptiveMethod = cv2.ADAPTIVE_THRESH_GAUSSIAN_C#cv2.ADAPTIVE_THRESH_MEAN_C #cv2.ADAPTIVE_THRESH_GAUSSIAN_C
thresholdType = cv2.THRESH_BINARY#cv2.THRESH_BINARY #cv2.THRESH_BINARY_INV
blockSize = 5 #odd number like 3,5,7,9,11
C = -3 # constant to be subtracted
im_thresholded = cv2.adaptiveThreshold(gray, maxValue, adaptiveMethod, thresholdType, blockSize, C) 
labelarray, particle_count = ndimage.measurements.label(im_thresholded)
print particle_count
pylab.figure(1)
pylab.imshow(im_thresholded)
pylab.show()

这将显示如下图像：

（这是给定的图像）

和

（这是计数的粒子）

并计算粒子数为 60。

【问题讨论】：

正是我想要的！谢谢！要添加到解决方案中，还有一个adaptive threshold function in scikit-image library

【参考方案1】：

我通过使用一种称为自适应对比度的技术调整差异阈值解决了“背景中的可变亮度”问题。它的工作原理是对灰度图像与自身的模糊版本进行线性组合（在这种情况下是差异），然后对其应用阈值。

使用合适的统计运算符对图像进行卷积。 从卷积图像中减去原始图像，必要时校正强度标度/伽玛。 用一个常数对差异图像进行阈值化。

(original paper)

我在浮点域中使用scipy.ndimage 非常成功地做到了这一点（比整数图像处理效果更好），如下所示：

original_grayscale = numpy.asarray(some_PIL_image.convert('L'), dtype=float)
blurred_grayscale = scipy.ndimage.filters.gaussian_filter(original_grayscale, blur_parameter)
difference_image = original_grayscale - (multiplier * blurred_grayscale);
image_to_be_labeled = ((difference_image > threshold) * 255).astype('uint8')  # not sure if it is necessary

labelarray, particle_count = scipy.ndimage.measurements.label(image_to_be_labeled)

希望这会有所帮助！

【讨论】：

感谢@heltonbiker 的帮助！这个想法将我指向this interesting idea of solving sudoku puzzles from images，我能够实现类似的东西，效果很好。如果其他人遇到此问题或类似问题，我将在我的问题中发布代码。

【参考方案2】：

我真的不能给出一个明确的答案，但这里有几点建议：

函数mahotas.morph.regmax 可能比最大过滤器更好，因为它消除了伪最大值。也许将其与全局阈值、局部阈值（例如窗口上的平均值）或两者结合起来。

如果您有多个图像和相同的不均匀背景，那么也许您可以计算平均背景并对其进行归一化，或者使用空图像作为背景估计值。如果你有显微镜，就会出现这种情况，就像我见过的每个显微镜一样，照明不均匀。

类似：

average = average_of_many(images)
# smooth it
average = mahotas.gaussian_filter(average,24)

现在您可以对图像进行预处理，例如：

preproc = image/average

或类似的东西。

【讨论】：

谢谢@luispedro，我已经尝试了区域最大值，它看起来很有希望，但是出现了很多我不应该考虑的额外粒子。此外，平均是个好主意，这实际上是在去除背景之后。

尝试将其与全局阈值结合起来。