利用openslide 、open CV 全扫描图片处理笔记（一）

下载

请搜索官网或百度自行下载

---

简单的使用

这个是openslide的一些基本的函数。下载好进行简单的一些测试，如下：

import openslide
import matplotlib.pyplot as plt
import numpy as np

slide = openslide.OpenSlide('2018-03-20 18_15_35.kfb.tiff') #读入图片（）

downsamples=slide.level_downsamples #每一个级别K的对应的下采样因子，下采样因子应该对应一个倍率

[w, h] = slide.level_dimensions[0] #最高倍下的宽高
size1 = int(w*(downsamples[0]/downsamples[2]))# 计算级别k下的总宽
size2 = int(h*(downsamples[0]/downsamples[2])) # 计算k下的总高

region = np.array(slide.read_region((0, 0), 2, (size1, size2)))#先读取，再数组化
#[m, n] = slide.dimensions
print(w, h)
#print(downsamples[0])
print(size1, size2)
plt.figure()
plt.imshow(region)
plt.show()

---

总体的截取分割图像

测试完之后，由于图片的问题，分割好的图进行保存之后，region.shape是（， ， 4）带有一个a通道，这样的话不利于使用open cv进行后续的处理（其实没影响，因为open cv 自己会读取RGB，把a通道会舍掉的，所以后面的操作没必要做），所以我选择了将4通道改为3通道，具体demo代码如下：

# -*- coding: utf-8 -*-
#coding:utf-8
import openslide
import numpy
import cv2
from scipy import misc
import time
start = time.time()
source = openslide.open_slide("2018-03-20 18_15_35.kfb.tiff") #载入全扫描图
#filelist=os.listdir(source)#该文件夹下所有的文件（包括文件夹）
downsamples = source.level_downsamples #level_downsamples    每一个级别K的对应的下采样因子，下采样因子应该对应一个倍率
[w, h] = source.level_dimensions[0] #第0层，也就是最高分辨率的宽高。
print(w, h)

# 为了计算第二层下的宽高
#size1 = int(w*(downsamples[0]/downsamples[2]))
#size2 = int(h*(downsamples[0]/downsamples[2]))

a = source.read_region((18000, 18000), 0, (2048, 2048)) # 返回一个RGBA图像，
region = numpy.array(a) # 数组化、

# 4通道改为3通道，切记我是为了要把region区域在ps打开标记，所以一定是RGB排序格式
r, g, b, a = cv2.split(region)
merged = cv2.merge([r, g, b])
print(merged)

misc.imsave("test2.tiff", merged) #保存
end=time.time()
print(end-start)

# 显示分割区域
#plt.figure()
#plt.imshow(region)
#plt.show()

批量处理的完整代码：https://github.com/ilikewind/whole_img_to_trainset

---

标记 ROI 区域

由于使用人工标记，切我不懂怎么标。。。。。。。。别人做的，用的 p s， 增加一个图层画区域。

---

ROI标记图转成mask图

前面得到了一个RGB标记图，想要让此图作为mask图，然后对原图进行操作的话，需要进行两步：
1. 需要检测出来标记图所标记的区域。
2. 将检测出来的区域填充黑色或白色，做成mask图
以下是一个demo例子：
我现在有一张通过openslide截取的2048×2048的图（RGB），和通过ps做出的区域图，如下：

现在， 对ps标记的RGB图，做mask图，如下：

import cv2
from scipy import misc

img = cv2.imread('test2kaobei.tif')
# Img2Grey
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Grey2Binary
ret, binary = cv2.threshold(gray, 254, 255, cv2.THRESH_BINARY)

# 轮廓检测（注意，返回值为3个参数）
aa, contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# cv2.RETR_TREE等可以改变填充
# 绘制轮廓**这个位置需要加一个循环，假如你的区域很多的话**具体参照最下的循环。
cv2.drawContours(aa, contours, 1, (0, 0, 255), -1) #(0, 0, 255)线条取色
print(aa)
cv2.imshow("img", aa)
#misc.imsave("test灰度图.tif", aa)

cv2.waitKey(0)

得到ROI区域的二值图（我得到的是所标记图的反向，因为我都要处理，所以就没改）

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），所以读取的图像要先转成灰度的，再转成二值图。

cv2.findContours()函数

函数的原型为：

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

参数

第一个参数image是寻找轮廓的图像；

第二个参数mode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3个值：aa, contours和hierarchy，第一个，也是最坑爹的一个，它返回了你所处理的图像, 一个是轮廓本身，还有一个是每条轮廓对应的属性
其中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

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("binary", binary)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow("binary2", binary)

执行这些语句后会发现原图被修改了

绘制轮廓

OpenCV中通过cv2.drawContours在图像上绘制轮廓

cv2.drawContours()函数

函数的原型为：

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

参数

第一个参数image是指明在哪幅图像上绘制轮廓；

第二个参数contours是轮廓本身，在Python中是一个list；

第三个参数contourIdx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

返回值

无返回值

轮廓检测参考：https://blog.csdn.net/Jkwwwwwwwwww/article/details/70195508
https://blog.csdn.net/jjddss/article/details/72674704
http://www.cnblogs.com/xiangshancuizhu/archive/2011/11/16/2251227.html
https://blog.csdn.net/u014365862/article/details/77720368

---

在一张图上标记全部ROI区域的步骤如下：

import cv2
from scipy import misc

img = cv2.imread('test11111111fuben.tif')
#print(img)
# Img2Grey
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Grey2Binary
ret, binary = cv2.threshold(gray, 2, 255, cv2.THRESH_BINARY)

# 轮廓检测（注意，返回值为3个参数）
aa, contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓, 加个循环将所有的外部线条都填充好
for i in range(hierarchy.shape[1]):
    cv2.drawContours(img, contours, i, (0, 0, 255), -1)# 线条取色注意
#print(aa)
cv2.imshow("img", img)
#misc.imsave("test11111二.tif", aa)

cv2.waitKey(0)

图像二值化参考：