如何利用DipLib测量分割图像的平均厚度

Question

我试图测量平均厚度的分割和标记的图像。根据@CrisLuengo的建议，由于我未能成功地使用opencv，所以我转而使用diplib。我在这里找到了一个测量零件厚度的好例子，Measuring the distance between two lines using DipLib (PyDIP)。

问题:我可以让这段代码正常工作，并为我的图像的一个片段找到一个估计值，但是第二个片段的代码正在返回错误。以下是我所做的事：

在导入图像并进行一些预处理之后，我最终得到了这个图像：

​

​

在这里，我对三种平均厚度感兴趣：

长而窄的白色部分的

1. 厚度，顶部的
2. 厚度，

黑色区域的厚度，中厚白色部分的厚度

为了做到这一点，我首先标记了图像，并选择了前2大区域(这是图像的顶部和底部白色部分)。

label_image=measure.label(opening1, connectivity=opening1.ndim)
props= measure.regionprops_table (label_image, properties=['label', "area", "coords"])

slc=label_image
rps=regionprops(slc)
areas=[r.area for r in rps]
id=np.argsort(props["area"])[::-1]
new_slc=np.zeros_like(slc)
for i in id[0:2]:
    new_slc[tuple(rps[i].coords.T)]=i+1

这将产生带有两个标签的标记图像：

​

​

由于这里引入的方法只适用于一幅图像，所以我将我的部分分开了。换句话说，我将把重点放在每一个标有标签的部分：

第一个厚白色部件：

slc=label_image
rps=regionprops(slc)
areas=[r.area for r in rps]
id=np.argsort(props["area"])[::-1]
new_slc=np.zeros_like(slc)
for i in id[0:1]:
    new_slc[tuple(rps[i].coords.T)]=i+1

​

​

然后运行代码，它返回15.33μm厚度(与实际厚度14.66μm相比，这是一个很好的估计)。它还返回了这个图像。

​

​

我不知道如何解释这张图像，但看起来算法是试图显示符合边界的线，现在我想对薄的白色顶部部分做同样的事情。为了做到这一点，我首先选择最上面的白色部分：

rps=regionprops(slc)
areas=[r.area for r in rps]

id=np.argsort(props["area"])[::-1]
new_slc=np.zeros_like(slc)
for i in id[1:2]:
    new_slc[tuple(rps[i].coords.T)]=i+1

​

​

然后我运行了这里解释的算法：Measuring the distance between two lines using DipLib (PyDIP)

但是，它返回一个错误。

​

​

有人能告诉我，为什么算法不适用于我图像的第二部分？有什么区别，为什么我会犯错？

​

关于预处理的更新

====================

median=cv2.medianBlur(img,13)
ret, th = cv2.threshold(median, 0 , 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
kernel=np.ones((3,15),np.uint8)
closing1 = cv2.morphologyEx(th, cv2.MORPH_CLOSE, kernel, iterations=2)
kernel=np.ones((1,31),np.uint8)
closing2 = cv2.morphologyEx(closing1, cv2.MORPH_CLOSE, kernel)

label_image=measure.label(closing2, connectivity=closing2.ndim)
props= measure.regionprops_table (label_image, properties=['label'])

kernel=np.ones((1,13),np.uint8)
opening1= cv2.morphologyEx(closing2, cv2.MORPH_OPEN, kernel,  iterations=2)


label_image=measure.label(opening1, connectivity=opening1.ndim)
props= measure.regionprops_table (label_image, properties=['label', "area", "coords"])

原图:下面我展示了我的原始图像的低质量，所以你可以更好地理解为什么我会做所有的预处理。

​

​

Answer 1

对于细行，来自其他Q&A的程序不能工作，因为沿这条线的两条边太近了，程序无法将两者识别为单独的对象。

对于这样一条很细的线，你可以用更粗的线做一些不可能做到的事情:只要测量它的长度和面积，宽度就是这两条线的比例：

# `label_image` is as in the OP
# `id` is the label ID for the thin line
msr = dip.MeasurementTool.Measure(label_image.astype(np.uint32), features=['Size','Feret'])
area = msr[id]['Size'][0]
length = msr[id]['Feret'][0]

width = area / length

请注意，如果不立即对图像进行二值化，则应该能够获得更精确的值。链接Q&A使用灰度输入图像来确定边缘的位置，比二值化后更精确。