医学图像处理之python opencv实用范例源码

开发环境:

python3.6 + opencv-python 4.2

opencv-python 版的whl文件安装包下载地址:         http://mirrors.aliyun.com/pypi/simple/opencv-python/

细胞计数的范例代码网上很多,但偏书面性和学习性,而且错误多形成误导,下面来点实用的.

.快速上手一个最简范例:

医学图像处理之python opencv实用范例源码_第1张图片  医学图像处理之python opencv实用范例源码_第2张图片

上面左边是输入图像,右边是输出结果图(识别到的细胞总数)

 

下面代码运行的中间处理图像,用于调试观察:

医学图像处理之python opencv实用范例源码_第3张图片  医学图像处理之python opencv实用范例源码_第4张图片  医学图像处理之python opencv实用范例源码_第5张图片  医学图像处理之python opencv实用范例源码_第6张图片

主处理过程:         1.灰度化 -----> 2.二值化-----> 3.形态学运算-----> 4.轮廓查找

 

import cv2

import numpy as  np

 

img=cv2.imread(r'111.png',cv2.IMREAD_COLOR) #读入一张RGB图片,忽略ALPHA通道

cv2.imshow("draw00",img)

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #将图片转为灰度图片来分析

 

gray1 = cv2.GaussianBlur(gray,(3,3),0)# 高斯滤波(低通,去掉高频分量,图像平滑)

gray1 = cv2.GaussianBlur(gray1,(3,3),0)

#上面处理了多次,为消除细胞体内的浓淡深浅差别,避免在后续运算中产生孔洞

 

gray2=255-gray1 #0~255反相,为了适应腐蚀算法

cv2.imshow("draw11",gray2)

 

#ret, thresh = cv2.threshold(gray2, 80,255, cv2.THRESH_BINARY) # 固定 阈值处理 二值化图像

ret, thresh = cv2.threshold(gray2, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)#自动阈值处理

cv2.imshow("draw22",thresh)

 

#下面为了去除细胞之间的粘连,以免把两个细胞计算成一个

kernel=np.ones((2,2),np.uint8) #进行腐蚀操作,kernel=初值为1的2*2数组

erosion=cv2.erode(thresh,kernel,iterations=10) #腐蚀:卷积核沿着图像滑动,如果与卷积核对应的原图像的所有像素值都是1,那么中心元素就保持原来的像素值,否则就变为零。 

cv2.imshow("draw33",erosion)

 

#下面为恢复一点SIZE,因为上面多次腐蚀,块太小了,所以这里膨胀几次

dilation = cv2.dilate(erosion,kernel,iterations = 5)

cv2.imshow("draw44",dilation)

 

contours,hirearchy=cv2.findContours(dilation, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 上面查找出块轮廓(实现细胞计数)

#对连通域面积进行比较

contours_out=[]   #建立空list,放减去最小面积的数

for i in contours:

     if (cv2.contourArea(i)>2 and cv2.contourArea(i)<3000  and  i.shape[0]>2): 

         # 排除面积太小或太大的块轮廓 而且排除 "点数不足2"的离散点块

        contours_out.append(i)

               

total_num=len(contours_out)

print("Count=%d"%total_num) #输出计算细包个数

 

#下面生成彩色结构的灰度图像,为的是在上面画彩色标注

color_of_gray_img=cv2.cvtColor(dilation,cv2.COLOR_GRAY2BGR)

cv2.drawContours(color_of_gray_img,contours_out,-1,(50,50,250),2) #用红色线,描绘块轮廓

#求连通域重心 以及 在重心坐标点描绘数字

for i,j in zip(contours_out,range(total_num)):

    M = cv2.moments(i)

    cX=int(M["m10"]/M["m00"])

    cY=int(M["m01"]/M["m00"])

    cv2.putText(color_of_gray_img, str(j+1), (cX+10, cY), 1,1, (50, 250, 50), 1) #在中心坐标点上描绘数字

   

strout="Count=%d"%total_num  #输出计算细包个数

print(strout)

cv2.putText(color_of_gray_img, strout, (2, 12), 1,1, (250, 150, 150), 1)

 

#输出结果图片

cv2.imshow("draw55",color_of_gray_img)

cv2.waitKey()

#cv2.destroyWindow()

#输入图像你可以直接抓图(上面那张),存成jpg或png,和上面的python代码放在同一个目录下运行.

 

 

如果上面的源码你已经运行成功了,那么恭喜你,可以进行下一步了.

.进阶篇,从学习阶段,实用阶段的过渡:

医学图像处理之python opencv实用范例源码_第7张图片 医学图像处理之python opencv实用范例源码_第8张图片 医学图像处理之python opencv实用范例源码_第9张图片

上面三张图片差异很大,用上面的花枪代码就不行了,下面上兼容性强的代码,能一定程度上打断细胞粘连:

#-----全代码开始------#

 

import cv2

import numpy as  np

import matplotlib.pyplot as plt

 

def fill_food(img):

#这是网上下的一个简要的孔洞填充函数,在边界上有问题,不能产品化,需要改进

#而且有的细胞没有完全闭合的孔洞它不能填好(在不能用闭运算的前提下,需另行单独开发填洞算子)

    contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    h,w=img.shape[:2]

    max_area_lmit=h*w/4

    min_area_lmit=2

    len_contour = len(contours)

    contour_list = []

    drawing = np.zeros_like(img, np.uint8) 

    

    for i in range(len_contour):

        if (cv2.contourArea(contours[i])>min_area_lmit and cv2.contourArea(contours[i])

            and  contours[i].shape[0]>2): 

            img_contour = cv2.drawContours(drawing, contours, i, (255, 255, 255), -1)       

            contour_list.append(img_contour)

    out = sum(contour_list)

    return out

 

#下面这个是固定长度的,也不适用于图像大小变化的情况,需要改进,而且计算速度慢,但切断粘连细胞的效果很好.

def clear_bridge_line(img,iterations): #清除桥接线,这里用的是9点模版,左右各2个点是桥头,中间5个点为桥身

    h,w=img.shape[:2]

    ibo=img.copy()

    ib=ibo.copy()

    for n in range(iterations):       

        for r in range(9,h-9):

            for c in range(9,w-9):

                if( (ib[r,c]==255 and ib[r,c+1]==255 and ib[r,c+2]==255 and ib[r,c-1]==255  and ib[r,c-2]==255) \

                    and ( ib[r,c+3]==255 and ib[r,c+4]==255 and  ib[r,c-3]==255 and ib[r,c-4]==255 ) \

                    and ( (ib[r-1,c]==0 and ib[r-1,c+1]==0 and ib[r-1,c+2]==0 and ib[r-1,c-1]==0 and ib[r-1,c-2]==0) \

                    or (ib[r+1,c]==0 and ib[r+1,c+1]==0 and ib[r+1,c+2]==0 and ib[r+1,c-1]==0 and ib[r+1,c-2]==0) )):

                        ibo[r,c]= ibo[r,c+1]= ibo[r,c+2]= ibo[r,c-1]= ibo[r,c-2]=0 #删除横线桥

                        c+=2

        for c in range(9,w-9):

            for r in range(9,h-9):              

                if( (ib[r,c]==255 and ib[r+1,c]==255 and ib[r+2,c]==255 and ib[r-1,c]==255  and ib[r-2,c]==255) \

                    and ( ib[r+3,c]==255 and ib[r+4,c]==255 and ib[r-3,c]==255 and ib[r-4,c]==255 ) \

                    and ( (ib[r,c+1]==0 and ib[r+1,c+1]==0 and ib[r+2,c+1]==0 and ib[r-1,c+1]==0  and ib[r-2,c+1]==0) \

                    or (ib[r,c-1]==0 and ib[r+1,c-1]==0 and ib[r+2,c-1]==0 and ib[r-1,c-1]==0  and ib[r-2,c-1]==0) )):

                        ibo[r,c]= ibo[r+1,c]= ibo[r+2,c]= ibo[r-1,c]= ibo[r-2,c]=0#删除竖线桥

                        r+=2

        print("del_bridge_line iterations step %g/%g ok." % (n+1,iterations)) 

        ib=ibo.copy()

    return ibo

 

#主函数

def main_call(_filename,_kernel_size=2,_gblur_count=1,_erode_count=8, _del_brdige_count=4,_open_count=3,_is_show_dbg_img=True):

    #这里可以把图像换成111,也能正常计数,有较好的普适性,但上一个简单算法就不能正常计数222.png这个图像

    img_src=cv2.imread(_filename,cv2.IMREAD_COLOR) #读入一张RGB图片,忽略ALPHA通道

    if(_is_show_dbg_img):cv2.imshow("draw00",img_src)#绘制原图

   

    KS=_kernel_size

    img_gray = cv2.cvtColor(img_src,cv2.COLOR_BGR2GRAY) #将图片变为灰度图片来分析

    histb = cv2.calcHist([img_gray], [0], None, [256], [0,255])

    if(_is_show_dbg_img):plt.plot(histb)#绘制一下灰度直方图,用于辅助观察分析

   

    '''

    img_gray = cv2.equalizeHist(img_gray)

    cv2.imshow("draw01",img_gray)#绘制均衡化之后的图像

    histb2 = cv2.calcHist([img_gray], [0], None, [256], [0,255])

    plt.plot(histb2)#绘制一下灰度直方图,用于辅助观察分析

    '''

    gblur_count=_gblur_count #可调节的参数->高斯滤波次数

    img_blur=img_gray

    for n in range(gblur_count):

        img_blur = cv2.GaussianBlur(img_blur,(3,3),0)# 高斯滤波(低通,去掉高频分量,图像平滑)

        # 可以按需多做一次或N次

    img_inverse=255-img_blur #0~255反相,为了适应后面的腐蚀算法

    if(_is_show_dbg_img):cv2.imshow("draw11",img_inverse)

     

    #ret, img_thresh = cv2.threshold(img_inverse, 240,250, cv2.THRESH_BINARY) #固定阈值处理成二值化图像

    ret, img_thresh = cv2.threshold(img_inverse, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    #上面用大律法,自动从直方图的波谷选一个阈值做二值切分

    #但它不是通吃法,比如第三张红细胞样图,只有用固定阀值才能正确计数

    if(_is_show_dbg_img):cv2.imshow("draw22",img_thresh)

   

    print("开始进行孔洞填充.....")

    img_fill=fill_food(img_thresh)#孔洞填充

    if(_is_show_dbg_img):cv2.imshow("draw33",img_fill)

   

    #下面为了去除细胞之间的粘连,以免把两个细胞计算成一个

    kernel_std=np.ones((KS,KS),np.uint8) #进行腐蚀操作,kernel=初值为1的2*2数组

    #old_ibo=cv2.erode(img_fill,kernel=kernel_std,iterations=10)#这个老算法没有先处理边界,效果不好看

    #cv2.imshow("draw44_old",old_ibo)

   

    print(img_fill.shape)

    #下面为了在四边上做好卷积而做的padding

    img_padding=cv2.copyMakeBorder(img_fill, top=2, bottom=2, left=2, right=2, borderType= cv2.BORDER_CONSTANT, value=0 )   

    erode_count=_erode_count #可调节的参数->首发腐蚀次数

    print("开始进行%g次CV2卷积腐蚀....."%erode_count)

    #注意:必要至少5次以上的连续腐蚀,才能形成中间连接宽度为>=5的细胞粘连桥接直线,与clear_bridge_line函数的固定长度相匹配

    img_erode=cv2.erode(img_padding,kernel=kernel_std,iterations=erode_count) #腐蚀:卷积核沿着图像滑动,如果与卷积核对应的原图像的所有像素值都是1,那么中心元素就保持原来的像素值,否则就变为零。 

    if(_is_show_dbg_img):cv2.imshow("draw44_new",img_erode)

   

    print(img_erode.shape)

    nh,nw=img_erode.shape[:2]

    img_no_padding=img_erode[2:nh-2,2:nw-2] #这里是padding还原

    print(img_no_padding.shape)

    del_brdige_count=_del_brdige_count #可调节的参数->删除细胞间的残连直线次数

    print("请稍等,因为没有用多线程/CPU加速/GPU加速.....")

    print("开始进行%g次细胞粘连桥接直线删除:"%del_brdige_count)

    img_del_brdige=clear_bridge_line(img_no_padding,del_brdige_count)  

    if(_is_show_dbg_img):cv2.imshow('draw44_del_bridge_line_over', img_del_brdige)

   

    #下面再来几次开运算操作,提高图像视觉圆滑效果(注意,迭代次数过多,或kernel面积过大,都可能会把一些小面积细胞弄消失)

    open_count=_open_count #可调节的参数->最后开运算次数

    kernel_open = np.ones((KS,KS), np.uint8)

    print("开始进行%g次形态学开运算....."%open_count)

    image_opening = cv2.morphologyEx(img_del_brdige, cv2.MORPH_OPEN, kernel_open,iterations=open_count)           

    if(_is_show_dbg_img):cv2.imshow("draw55",image_opening)

    h,w=image_opening.shape[:2]

   

    max_area_lmit=h*w/4

    min_area_lmit=2

    #加宽边界,为了多打字

    img_padding=cv2.copyMakeBorder(image_opening, top=20, bottom=10, left=10, right=60, borderType= cv2.BORDER_CONSTANT, value=0 )   

    contours,hirearchy=cv2.findContours(img_padding, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 找出块轮廓

    #对连通域面积进行比较

    contours_out=[]   #建立空list,放减去最小面积的数

    for i in contours:

         if (cv2.contourArea(i)>min_area_lmit and cv2.contourArea(i)2): 

             # 排除面积太小或太大的块轮廓 而且排除 "点数不足2"的离散点块

             # 这里还可以利用面积和点数/密度,对细胞进行初分类,CV提供了丰富的块属性值供我们读取

            contours_out.append(i)

           

    #下面生成彩色结构的灰度图像,为的是在上面画彩色标注

    color_of_gray_img=cv2.cvtColor(img_padding,cv2.COLOR_GRAY2BGR)

   

    cv2.drawContours(color_of_gray_img,contours_out,-1,(50,50,250),2) #用红色线,描绘块轮廓

    #求连通域重心 以及 在重心坐标点描绘数字

    total_num=len(contours_out)

    for i,j in zip(contours_out,range(total_num)):

        M = cv2.moments(i)

        cX=int(M["m10"]/M["m00"])

        cY=int(M["m01"]/M["m00"])

        cv2.putText(color_of_gray_img, str(j+1), (cX+10, cY), 1,1, (50, 250, 50), 1) #在中心坐标点上描绘数字

                   

    strout="Count=%d"%total_num  #输出计算细包个数

    #print(strout)

    cv2.putText(color_of_gray_img, strout, (2, 12), 1,1, (250, 150, 150), 1)

    #展示最终结果图片

    if(_is_show_dbg_img):

        cv2.imshow("draw66",color_of_gray_img)   

        #改变显示位置

        cv2.moveWindow("draw00",0,0)   

        cv2.moveWindow("draw11",50,50)

        cv2.moveWindow("draw22",100,100)

        cv2.moveWindow("draw33",150,150)

        cv2.moveWindow("draw44_new",200,200)

        cv2.moveWindow("draw44_del_bridge_line_over",250,250)

        cv2.moveWindow("draw55",300,300)

        cv2.moveWindow("draw66",350,350)

    return total_num

 

#可调节参数区

_gblur_count=1 #图像预处理时的高斯滤波次数

_kernel_size=2 #腐蚀与膨胀的核大小,根据图像中细胞的大小来调节

_erode_count=8 #腐蚀次数,少了细胞会连在一起,多个计算作一个;但腐蚀次数多了细胞会小到消失从而不能计入总数

_del_brdige_count=4 #删除细胞间的连接线的次数,多了速度慢(这个是最卡的),少了也会是细胞连在起,是否启用要看调试图上,是否有细胞连线存在

_open_count=3  #后期开运算次数,少了细胞会连在一起计算成一个;多了细胞会小到消失从而不能计入总数

_is_show_dbg_img=True #是否显示中间步骤调试图像

#可调节参数区

 

#主函数调用:

total_num=main_call("333.png",_kernel_size,_gblur_count,_erode_count,_del_brdige_count,_open_count,_is_show_dbg_img)

print("zhuwei->图像处理完成")

print("zhuwei->细胞计数(Count) = %g" % total_num )

cv2.waitKey()

#cv2.destroyWindow()

 

#-----全代码结束------#

注意:代码我是肯定全跑通了的,并测试了十张以上不同风格的细胞图像,都是微调参数而已,其中一张必要做固定阀值,如果运行报错,多半是代码中含隐形的ASCII编码,一个你要先做好对齐,一个就是想办法删除那些隐形编码(看起来像空格和TAB),然后再运行就OK了.

医学图像处理之python opencv实用范例源码_第10张图片

上图就是经过6次以上腐蚀后,形成的细胞桥接直线,用像素模板法clear_bridge_line清除,以保证正确的细胞计数

因为过多的腐蚀会让一些小细胞消失.

 

 

.从实验到产品的过渡:

       上面的代码也只能说勉强能应用到实践中,到了这一步,我们离真正的产品化都还有很长的距离:

首先就是解决算法的速度优化和调用接口及移植的问题.然后才是将深度学习网络模型,比如简单的alexnet或复杂的yolov3引入,解决细胞的分类识别,解决团块的分类识别(两个粘在一起算一个类,三个在一起又算一个类,四个都又一类,如此类推,这样才能更准确地进行计数)

 

 

 

 

 

 

 

 

 

 

 

你可能感兴趣的:(医学图像处理之python opencv实用范例源码)