image - 如何有效地为此显微图像创建 BW 蒙版？

Question

所以一些背景。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，我认为第一步是细胞分割。在我得到真实的实验图像集之前，我开发了一种算法，使用利用分水岭 的测试图像集。看起来像这样:

分水岭的第一步是为细胞生成 BW 掩码。然后我将生成一个 bwdist 图像，其中强加了从 BW 掩码生成的局部最小值。这样我就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, ones(9))

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

1. 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。这些使我的算法无用。这是它:

使用 stdfilt 无法生成清晰的图像。相反，它会生成这样的东西(注意:我已经调整了 stdfilt 函数的参数和 BW 阈值，以下是我可以获得的最佳结果):

如您所见，细胞中心有一些亮像素，不一定比细胞膜暗。哪个导致 bw 阈值生成这样的东西:

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，我附上了来自 dropbox 的 subset of the images 链接。

Answer 1

我认为您的方法存在根本问题。您的算法使用 stdfilt 对图像进行二值化。但这实质上意味着您假设单元格内的背景 和 存在低“纹理”。这适用于您的第一张图片。然而，在你的第二张图片中，细胞内有一个“纹理”，所以这个假设被打破了。

我认为更有力的假设是每个单元格周围都有一个“环”(对您发布的两张图片均有效)。所以我改用检测这个环的方法。

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. 最初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，填写这些圆环。然而，仍然有一些“喋喋不休”和单元格之间留下的填充区域
4. 同样，删除小区域和大区域，但由于单元格已填充，因此增加可接受范围的边界。
5. 仍然有一些坏区，大部分坏区将是单元格之间的区域。细胞之间的区域可以通过观察区域边界周围的曲率来检测。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“颤动”，这些区域的边界曲率将具有较大的标准偏差，因此也应去除具有较大标准偏差的边界。

总的来说，最困难的部分是在不移除实际单元格的情况下移除单元格之间的区域和“杂音”。

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

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: