image - 如何有效地为该显微图像创建 BW 蒙版？

Question

所以有些背景。我的任务是编写一个 matlab 程序来计算可见光显微图像中酵母细胞的数量。为此，我认为第一步将是细胞分割。在获得真正的实验图像集之前，我开发了一种算法，使用了一个利用watershed的测试图像集。看起来像这样：

分水岭的第一步是为单元生成 BW 掩码。然后我会生成一个 bwdist 图像，其中包含从 BW 掩码生成的强加局部最小值。有了它，我可以轻松生成分水岭。

如您所见，我的算法依赖于成功生成 BW 掩码。因为我需要从中生成 bwdist 图像和标记。最初，我按照以下步骤生成 BW 掩码：

1. 生成图像的局部标准差sdImage = stdfilt(grayImage, one(9))

2. 使用 BW 阈值生成初始 BW 掩码binaryImage = sdImage < 8;

3. 使用imclearborder清除背景。使用其他一些代码将边框上的单元格添加回来。

---

背景完成。这是我的问题

---

但是今天我收到了新的真实数据集。图像分辨率要小得多，光照条件与测试图像集不同。颜色深度也小得多。这些使我的算法毫无用处。就这个：

使用stdfilt未能生成良好的干净图像。相反，它会生成这样的东西（注意：我已经调整了stdfilt的参数函数和 BW 阈值的参数，以下是我能得到的最佳结果）：

如您所见，细胞中心有一些亮像素，它们不需要比膜更暗。这导致 bw 阈值生成如下内容：

bw 阈值处理后的新 bw 图像具有不完整的膜或分段的细胞中心，使它们不适合其他步骤。

我最近才开始图像处理，不知道应该如何进行。如果您有想法，请帮助我！谢谢！

为了您的方便，我附上了一个来自 Dropbox 的链接，用于获取图片的子集

Answer 1

我认为您的方法存在根本问题。您的算法用于stdfilt对图像进行二值化。但这本质上意味着你假设背景和单元格内的“纹理”很低。这适用于您的第一张图片。但是，在您的第二张图片中，单元格内有一个“纹理”，所以这个假设被打破了。

我认为一个更强有力的假设是每个单元格周围都有一个“环”（对您发布的两个图像都有效）。所以我采取了检测这个环的方法。

所以我的方法本质上是：

1. 检测这些环（我使用“对数”过滤器，然后根据正值进行二值化。但是，这会导致很多“喋喋不休”
2. 尝试通过过滤掉非常小和非常大的区域来消除一些“喋喋不休”
3. 现在，填写这些环。但是，单元格之间仍然存在一些“颤动”和填充区域
4. 同样，删除大小区域，但由于单元格已填充，因此增加可接受的范围。
5. 仍然有一些坏区域，大部分坏区域将是单元之间的区域。通过观察区域边界周围的曲率可以检测细胞之间的区域。它们“向内弯曲”很多，这在数学上表示为边界的大部分具有负曲率。此外，为了消除其余的“颤振”，这些区域的边界曲率会有很大的标准偏差，因此也要删除标准偏差较大的边界。

总体而言，最困难的部分将是在不删除实际单元格的情况下删除单元格和“颤振”之间的区域。

无论如何，这是代码（请注意，有很多启发式方法，而且它非常粗糙，并且基于来自旧项目、家庭作业和 stackoverflow 答案的代码，所以它肯定远未完成）：

cell = im2double(imread('cell1.png'));
if (size(cell,3) == 3) 
    cell = rgb2gray(cell);
end

figure(1), subplot(3,2,1)
imshow(cell,[]);

% Detect edges
hw = 5;
cell_filt = imfilter(cell, fspecial('log',2*hw+1,1));

subplot(3,2,2)
imshow(cell_filt,[]);

% First remove hw and filter out noncell hws
mask = cell_filt > 0;
hw = 5;
mask = mask(hw:end-hw-1,hw:end-hw-1);

subplot(3,2,3)
imshow(mask,[]);

rp = regionprops(mask, 'PixelIdxList', 'Area');
rp = rp(vertcat(rp.Area) > 50 & vertcat(rp.Area) < 2000);

mask(:) = false;
mask(vertcat(rp.PixelIdxList)) = true;

subplot(3,2,4)
imshow(mask,[]);

% Now fill objects
mask1 = true(size(mask) + hw);
mask1(hw+1:end, hw+1:end) = mask;
mask1 = imfill(mask1,'holes');
mask1 = mask1(hw+1:end, hw+1:end);

mask2 = true(size(mask) + hw);
mask2(hw+1:end, 1:end-hw) = mask;
mask2 = imfill(mask2,'holes');
mask2 = mask2(hw+1:end, 1:end-hw);

mask3 = true(size(mask) + hw);
mask3(1:end-hw, 1:end-hw) = mask;
mask3 = imfill(mask3,'holes');
mask3 = mask3(1:end-hw, 1:end-hw);

mask4 = true(size(mask) + hw);
mask4(1:end-hw, hw+1:end) = mask;
mask4 = imfill(mask4,'holes');
mask4 = mask4(1:end-hw, hw+1:end);

mask = mask1 | mask2 | mask3 | mask4;

% Filter out large and small regions again
rp = regionprops(mask, 'PixelIdxList', 'Area');
rp = rp(vertcat(rp.Area) > 100 & vertcat(rp.Area) < 5000);

mask(:) = false;
mask(vertcat(rp.PixelIdxList)) = true;

subplot(3,2,5)
imshow(mask);

% Filter out regions with lots of positive concavity

% Get boundaries
[B,L] = bwboundaries(mask);

% Cycle over boundarys
for i = 1:length(B)
    b = B{i};

    % Filter boundary - use circular convolution
    b(:,1) = cconv(b(:,1),fspecial('gaussian',[1 7],1)',size(b,1));
    b(:,2) = cconv(b(:,2),fspecial('gaussian',[1 7],1)',size(b,1));

    % Find curvature
    curv_vec = zeros(size(b,1),1);
    for j = 1:size(b,1)
        p_b = b(mod(j-2,size(b,1))+1,:);  % p_b = point before
        p_m = b(mod(j,size(b,1))+1,:);    % p_m = point middle
        p_a = b(mod(j+2,size(b,1))+1,:);  % p_a = point after

        dx_ds = p_a(1)-p_m(1);              % First derivative
        dy_ds = p_a(2)-p_m(2);              % First derivative
        ddx_ds = p_a(1)-2*p_m(1)+p_b(1);    % Second derivative
        ddy_ds = p_a(2)-2*p_m(2)+p_b(2);    % Second derivative
        curv_vec(j+1) = dx_ds*ddy_ds-dy_ds*ddx_ds;
    end


    if (sum(curv_vec > 0)/length(curv_vec) > 0.4 || std(curv_vec) > 2.0)
        L(L == i) = 0;
    end
end

mask = L ~= 0;

subplot(3,2,6)
imshow(mask,[])

输出1：

输出2：