使用 scikit-image 进行图像处理

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

划痕试验时间序列分析。

图像处理在当今非常适用，对于2019冠状病毒疾病，无论是开发治疗方法还是寻找检测病毒的新方法，都给全球的研究人员带来了新的挑战。为了对 2019冠状病毒进行研究，研究人员通常需要对图像进行大量计算，以检测有助于得出新见解和结论的特定元素。

在这篇文章中，我将介绍图像处理的基础知识和一个小教程，详细介绍如何将图像处理用于阈值和分割，这是图像处理中两种非常强大的技术。在文章中，我们将使用 scikit-image，因此可能需要 Python 的基本背景知识和一些高等数学知识才能完全理解该概念。

什么是 scikit-image？

scikit-image 是一个专门用于图像处理的 Python 库，它可以与 Scipy 库和其他可能有助于计算的 Python 库一起使用，为了充分使用 scikit-image，用户还必须使用 Matplotlib 来显示转换后的图像并进行图像分析。在本教程中，我们将使用 scikit-image 库、Matplotlib 和 NumPy 中的特定函数来对划痕检测进行分析。

什么是划痕检测？

除非我们有丰富的生物学经验，否则大多数人可能不知道什么是划痕试验，我将简要概述什么是划痕检测，然后直接进入教程。

划痕试验是生物学家用来跟踪细胞运动和相互作用的一种技术，具体来说，生物学家在培养皿中采集细胞样本，并在细胞平面上制造人工伤口，在开发人造伤口后，生物学家会定期拍摄任何细胞运动的图像，以开发出一系列用于分析的图像。

在下面的教程中，我们将处理下面提供的图像，因此在开始之前下载此图像并将其添加到我们的项目目录中。

从显微镜获得的划痕分析图像

划痕分析教程

首先，我们需要确定我们要试图做什么来处理此图像，为了从该图像中获得更多的信息，我们将使用各种分割技术来分离细胞区域和划痕区域（空白区域）。如我们所见，由于整个图像的像素值基本相同，因此我们不能仅根据颜色对该图像进行分割，但是我们可以使用纹理作为参数来确定培养皿的哪个区域有细胞，哪个区域没有细胞。为此，在开始分割图像之前，我们将对图像应用一个特殊的过滤器。

首先，让我们将所有必要的库导入我们的 Python 脚本：

然后，导入我们上面提供的图像，我们在下面的代码片段中将图像命名为“scratch.jpg”。

在上面的代码中，我使用了scikit image中的io包来使用imread函数，该函数允许我输入图像数据，此函数的工作原理与用于 CSV 文件的 Pandas read_csv 方法完全相同。此外，我们使用了 scikit-image 的形态学包中的熵过滤器，这将允许我们通过搜索某些像素中的无序情况来分析图像的纹理。如果小伙伴们想进一步了解所有这些函数的功能和参数，请访问 scikit-image 文档。我们可以使用磁盘参数，但对于此图像，磁盘值为 10 时可获得最佳结果。

现在，我们将应用Otsu阈值滤波器，该滤波器来自skiliage.filters包，这个简单的单行命令将允许我们应用Otsu阈值滤波器。Otsu阈值是一种特定算法，它迭代图像中的每个像素并将像素分为两类：背景和前景。一旦我们实际绘制了图像，我们就会理解其效果。

阈值过滤器只返回单个数字，该值是 Otsu 算法为优化图像分割计算的精确值，将帮助我们生成最终图像。

在这行代码中，我们将变量“binary”设置为熵的所有像素值，然后，我们使用一个逻辑运算符，以便将熵中小于或等于阈值的所有像素值设置为 True。请记住，使用 scikit-image 时，图像会被转换为 NumPy ndarrays，因此我们的二进制图像实际上只是一个数组，这意味着我们可以使用逻辑运算符将浮点阈值与熵的像素值进行比较。在这种情况下，我们的二值图像会将检测中没有细胞的区域设置为 True，将有细胞的区域设置为 False。

最后，在这里我们可以看到图像分割的结果。在这段代码中，我们定义了一个子图，其中将显示原始图像、使用熵过滤器的图像以及同时使用熵过滤器和 Otsu 过滤器的图像。“带 Otsu 过滤器的分段试验”图像将是我们划痕试验分析的最终结果，让我们看看所有这些代码的输出：

正如我们在上面的图像中看到的，熵过滤器在原始图像中产生了巨大的变化，熵过滤器检测图像像素中的微小变化，并根据图像某些区域的复杂性划分像素。正如我们在第二张图片中看到的，黑色条带代表没有细胞的区域，而灰色区域代表有细胞的区域。Otsu 过滤器通过实现一个阈值来巩固这种分割，使我们能够在划痕分析的准确时刻准确地定位细胞的位置。

最后，我们可以打印代表检测中无细胞区域的像素数，以便更好地了解细胞是如何随着时间移动和增殖的。

补充说明

这个具体的项目对于理解图像处理的一些基本方面非常有用，由于所有像素具有相同的 RGB 值，因此在本教程中分析的图像非常难以分割。然而，在熵过滤器的帮助下，我们能够生成一个基于纹理处理的图像，然后我们可以使用 Otsu 阈值来更深入地了解该时间点的细胞位置。

划痕分析由一个时间序列组成，我们只分析了该时间序列中的一张图像，生物学家在多个图像中多次循环此过程，以生成细胞运动的时间序列表示。当他们浏览每张图像时，生物学家会记录细胞运动和位置的变化，这为他们提供更多有关细胞增殖率和细胞迁移模式的信息。

许多图像处理过滤器需要复杂的高斯数学知识，而大多数人没有这方面的经验，但是 scikit-image 消除了实现此类过滤器所需的高级数学知识。然而，对高斯核和其他此类计算工具的了解，可以让研究人员获得预包装软件能够提供的更准确的可视化效果。

我在下面添加了完整的代码要点。

代码

In [ ]:
from skimage.filters.rank import entropy
from skimage.morphology import disk
from skimage.filters import threshold_otsu
from skimage import io
import matplotlib.pyplot as plt
import numpy as np
import skimage
In [ ]:
img = io.imread('images/scratch.jpg') # Reading Image
entropy_img = entropy(img, disk(10)) # Applying entropy filter for better segmentation
In [ ]:
thresh = threshold_otsu(entropy_img) # Applying Otsu filter for optimal thresholding
In [ ]:
# Creating image in which all pixels with value less than threshold is equal to true
binary = entropy_img <= thresh # Composed of 0s and 1s (False and True)
In [ ]:
# Displaying Images
fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(12,10))


ax[0].imshow(img)
ax[0].set_title("Original Assay")


ax[1].imshow(entropy_img)
ax[1].set_title("Assay w/ Entropy Filter")


ax[2].imshow(binary)
ax[2].set_title("Segmented Assay w Otsu Filter")
In [ ]:
print(np.sum(binary == 1)) # the number of pixels that correspond to the clear space in the assay

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~