血管图像处理问题

Question

我试图从图像中提取血管，为此，我首先对图像进行均衡化，应用CLAHE直方图获得以下结果：

        clahe = cv2.createCLAHE(clipLimit=100.0, tileGridSize=(100,100))
        self.cl1 = clahe.apply(self.result_array)
        self.cl1 = 255 - self.cl1

​

​

然后我用OTSU阈值提取血管，但做得不好：

self.ret, self.thresh = cv2.threshold(self.cl1, 0,255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)
        kernel = np.ones((1,1),np.float32)/1
        self.thresh = cv2.erode(self.thresh, kernel, iterations=3)
        self.thresh = cv2.dilate(self.thresh, kernel, iterations=3)

结果如下：

​

​

很明显有很多噪音。我试过使用中间模糊，但它只是聚集噪音，并使它成为一个斑点，在一些地方。我该如何去除噪音来获取血管呢？

这是我试图从其中提取血管的原始图像：

​

​

Answer 1

获得真正好的结果是一个困难的问题(你可能需要对血管的结构和噪声进行建模)，但你仍然可以做得比过滤更好。

在Canny边缘检测器的启发下，解决这类问题的一种方法是使用两个阈值-- [hi,low]和将具有响应r的像素p分类为属于血管V的(r > lo && p的邻居之一在V中)。

同时，在滤波方面，双侧滤波和均值偏移滤波对有噪图像都有很好的效果。

kernel3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
kernel5 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
kernel7 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(7,7))
t_lo = 136
t_hi = 224

blured = cv2.pyrMeanShiftFiltering(img, 3, 9)
#blured = cv2.bilateralFilter(img, 9, 32, 72)

clahe = cv2.createCLAHE(clipLimit=128.0, tileGridSize=(64, 64))
cl1 = clahe.apply(blured)
cl1 = 255 - cl1

ret, thresh_hi = cv2.threshold(cl1, t_hi, 255, cv2.THRESH_TOZERO)
ret, thresh_lo = cv2.threshold(cl1, t_lo, 255, cv2.THRESH_TOZERO)

​

低阈值图像

Hi阈值图像

筹备和清理：

current = np.copy(thresh_hi)
prev = np.copy(current)
prev[:] = 0
current = cv2.morphologyEx(current, cv2.MORPH_OPEN, kernel5)
iter_num = 0
max_iter = 1000

不是最有效的方法.但易于实施：

while np.sum(current - prev) > 0 and iter_num < max_iter:
    iter_num = iter_num+1
    prev = np.copy(current)
    current = cv2.dilate(current, kernel3)
    current[np.where(thresh_lo == 0)] = 0

​

初始掩模

去除小气泡：

contours, hierarchy = cv2.findContours(current, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
for contour in contours:
    area = cv2.contourArea(contour)
    if area < 256:
        cv2.drawContours( current, [contour], 0, [0,0,0], -1 )

​

去除小气泡后

形态清理：

opening = cv2.morphologyEx(current, cv2.MORPH_OPEN, kernel7)   
cl1[np.where(opening == 0)] = 0

​

结果

这绝不是最优的，但我认为它应该为您提供足够的启动工具。

Answer 2

如何:高通(图像减去高斯平滑与西格玛12)，然后阈值(126)，然后小目标抑制(小于300个像素的对象被删除)？

(我用了你的上一张照片)

​

​

​

​

​

​