skimage分水岭“过度分割”背后的关键参数

Question

我有下面的细胞核面具，我的目标是分割它们。然而，使用一种看似非常标准的方法，

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
from skimage.segmentation import watershed
from skimage import measure

# load mask
mask = mpimg.imread('mask.png')

# find distance to nearest border
distance = scipy.ndimage.distance_transform_edt(mask)

# find local maxima based on distance to border
local_maxi = peak_local_max(distance, indices=False, footprint=np.ones((125, 125)), labels=mask)

# generate markers for regions
markers = measure.label(local_maxi)

# watershed segmentation
labeled = watershed(-distance, markers, mask=mask, watershed_line = True)

# plot figure
fig, axs = plt.subplots()
axs.imshow(labeled, cmap='flag')

一些大的、连接的组件未分段，而较小的未连接的组件变得过度分割：

​

​

通过在StackOverflow上浏览答案，我还没有找到skimage.segmentation.watershed算法中哪些参数驱动“欠分割”和“过度分割”的讨论。

中哪个参数对分水岭算法中的“过分割”影响最大？我的直觉告诉我这可能是脚印大小？还是距离变换？确定分段邻域的最关键参数是什么？

EDIT1:下面我介绍了距离变换，其他人指出的距离变换是一个非常重要的步骤。然而，我仍然无法诊断出“坏”距离变换的症状，也不知道用于过滤所述变换的拇指规则。

​

​

Answer 1

在您的特殊情况下，部分过度分割的起源是基于peak_local_max()的结果。

如果您运行以下代码，您将能够找到为您的图像选择的局部最大值。我正在使用OpenCV绘制点，您可能需要将它修改为另一个库。

import cv2
import numpy as np
import matplotlib.pyplot as plt
    
localMax_idx = np.where(local_maxi)
    
localMax_img = mask.copy()
localMax_img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
for i in range(localMax_idx[0].shape[0]):
    x = localMax_idx[1][i]
    y = localMax_idx[0][i]
    localMax_img = cv2.circle(localMax_img, (x,y), radius=5, color=(255, 0, 0), thickness=-1)

plt.imshow(localMax_img)
plt.show()

您将看到有多个标记，为过度分割的细胞。有一些解决这个问题的建议方法(例如，这一个)。