Opencv医学图片分割-以血管、胼胝体MR等分割为例

  用到环境
1、pycharm community edition 2022.3.2
2、Python 3.10

后面应该会传代码到资源,比较需要的可以私信我。

总体设计

Opencv医学图片分割-以血管、胼胝体MR等分割为例_第1张图片

图1 扩展实验二“医学图像分割”流程图
## 具体步骤 1. 导入OpenCV和NumPy库 2. 定义阈值分割方法`threshold_segmentation`,接收图像和阈值作为参数,将图像转为灰度图后进行阈值分割,返回二值化图像。 3. 定义区域生长方法`region_growing`,接收图像、种子点和生长阈值作为参数,将图像转为灰度图后创建一个掩膜用于记录已经生长的区域,将种子点加入到生长队列中,然后进行区域生长。在生长过程中,取出队首像素点,如果当前像素点未被访问过且符合生长条件,则加入到生长区域中,并将当前像素点的相邻像素加入到生长队列中。最终返回生长后的掩膜。 4. 加载测试图像。 5. 进行阈值分割方法实验,设置阈值为80,调用`threshold_segmentation`方法得到二值化图像,并显示处理结果。 6. 进行区域生长方法实验,设置种子点坐标为[100, 100],生长阈值为30,调用`region_growing`方法得到掩膜,并显示处理结果。 7. 等待用户按下任意键后关闭所有窗口。

结果展示

血管

Opencv医学图片分割-以血管、胼胝体MR等分割为例_第2张图片

图2 血管原图

Opencv医学图片分割-以血管、胼胝体MR等分割为例_第3张图片

图3 阈值分割(左)与区域生长法(右)对比

  分析:都可以有效实现分割,但是左边的阈值分割去噪能力更强,右边的区域生长法分割的更全面。

Opencv医学图片分割-以血管、胼胝体MR等分割为例_第4张图片

图4 区域生长法阈值选取对比

  分析:左边为阈值选取不合理,右边为阈值选取合理,可以看出阈值选取得当对区域生长法很重要。

Opencv医学图片分割-以血管、胼胝体MR等分割为例_第5张图片

图5 区域生长法种子点坐标选取对比

  分析:左边为区域生长法种子点坐标选取不得当,右边为区域生长法种子点坐标选取得当,可以看出区域生长法种子点坐标选取对结果有致命的影响。

胼胝体MR图像

Opencv医学图片分割-以血管、胼胝体MR等分割为例_第6张图片

图6 胼胝体MR原图

Opencv医学图片分割-以血管、胼胝体MR等分割为例_第7张图片

图7 MR阈值分割(左)与区域生长法(右)对比
  分析:都可以有效实现分割,但是左边的阈值分割去噪能力更强,右边的区域生长法分割的更全面。

Opencv医学图片分割-以血管、胼胝体MR等分割为例_第8张图片

图8 MR区域生长法种子点坐标选取对比
  分析:左边为区域生长法种子点坐标选取不得当,右边为区域生长法种子点坐标选取得当,可以看出区域生长法种子点坐标选取对结果有致命的影响。

代码:

import cv2
import numpy as np

# 阈值分割方法
def threshold_segmentation(image, threshold):
    # 将图像转为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 进行阈值分割
    ret, binary = cv2.threshold(gray, threshold, 255, cv2.THRESH_BINARY)
    return binary

# 区域生长方法
def region_growing(image, seed_point, threshold):
    # 将图像转为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 创建一个和图像大小相同的掩膜,用于记录已经生长的区域
    mask = np.zeros_like(gray)
    # 将种子点加入到生长队列中
    queue = []
    queue.append(seed_point)
    # 进行区域生长
    while len(queue) > 0:
        # 取出队首像素点
        current_point = queue.pop(0)
        # 如果当前像素点未被访问过,且符合生长条件,则加入到生长区域中
        if mask[current_point[1], current_point[0]] == 0 and abs(gray[current_point[1], current_point[0]] - gray[seed_point[1], seed_point[0]]) < threshold:
            mask[current_point[1], current_point[0]] = 255
            # 将当前像素点的相邻像素加入到生长队列中
            if current_point[1] > 0:
                queue.append([current_point[0], current_point[1] - 1])
            if current_point[1] < image.shape[0] - 1:
                queue.append([current_point[0], current_point[1] + 1])
            if current_point[0] > 0:
                queue.append([current_point[0] - 1, current_point[1]])
            if current_point[0] < image.shape[1] - 1:
                queue.append([current_point[0] + 1, current_point[1]])
    return mask
30
# 加载测试图像
image = cv2.imread('1.png')

# 阈值分割方法实验
threshold = 80
binary = threshold_segmentation(image, threshold)
cv2.imshow('Threshold Segmentation', binary)

# 区域生长方法实验
seed_point = [100, 100] # 种子点坐标
threshold =30  # 生长阈值
mask = region_growing(image, seed_point, threshold)
cv2.imshow('Region Growing', mask)

cv2.waitKey(0)
cv2.destroyAllWindows()


编写不易,求个点赞!!!!!!!
“你是谁?”

“一个看帖子的人。”

“看帖子不点赞啊?”

“你点赞吗?”

“当然点了。”

“我也会点。”

“谁会把经验写在帖子里。”

“写在帖子里的那能叫经验贴?”

“上流!”
cheer!!!

在这里插入图片描述

你可能感兴趣的:(opencv,mr,计算机视觉)