【CV】使用 scikit-image 進(jìn)行圖像處理

從顯微鏡獲得的劃痕分析圖像

首先，我們需要確定我們要試圖做什么來(lái)處理此圖像，為了從該圖像中獲得更多的信息，我們將使用各種分割技術(shù)來(lái)分離細(xì)胞區(qū)域和劃痕區(qū)域（空白區(qū)域）。如我們所見，由于整個(gè)圖像的像素值基本相同，因此我們不能僅根據(jù)顏色對(duì)該圖像進(jìn)行分割，但是我們可以使用紋理作為參數(shù)來(lái)確定培養(yǎng)皿的哪個(gè)區(qū)域有細(xì)胞，哪個(gè)區(qū)域沒有細(xì)胞。為此，在開始分割圖像之前，我們將對(duì)圖像應(yīng)用一個(gè)特殊的過(guò)濾器。

首先，讓我們將所有必要的庫(kù)導(dǎo)入我們的 Python 腳本：

然后，導(dǎo)入我們上面提供的圖像，我們?cè)谙旅娴拇a片段中將圖像命名為“scratch.jpg”。

在上面的代碼中，我使用了scikit image中的io包來(lái)使用imread函數(shù)，該函數(shù)允許我輸入圖像數(shù)據(jù)，此函數(shù)的工作原理與用于 CSV 文件的 Pandas read_csv 方法完全相同。此外，我們使用了 scikit-image 的形態(tài)學(xué)包中的熵過(guò)濾器，這將允許我們通過(guò)搜索某些像素中的無(wú)序情況來(lái)分析圖像的紋理。如果小伙伴們想進(jìn)一步了解所有這些函數(shù)的功能和參數(shù)，請(qǐng)?jiān)L問(wèn) scikit-image 文檔。我們可以使用磁盤參數(shù)，但對(duì)于此圖像，磁盤值為 10 時(shí)可獲得最佳結(jié)果。

現(xiàn)在，我們將應(yīng)用Otsu閾值濾波器，該濾波器來(lái)自skiliage.filters包，這個(gè)簡(jiǎn)單的單行命令將允許我們應(yīng)用Otsu閾值濾波器。Otsu閾值是一種特定算法，它迭代圖像中的每個(gè)像素并將像素分為兩類：背景和前景。一旦我們實(shí)際繪制了圖像，我們就會(huì)理解其效果。

閾值過(guò)濾器只返回單個(gè)數(shù)字，該值是 Otsu 算法為優(yōu)化圖像分割計(jì)算的精確值，將幫助我們生成最終圖像。

最后，在這里我們可以看到圖像分割的結(jié)果。在這段代碼中，我們定義了一個(gè)子圖，其中將顯示原始圖像、使用熵過(guò)濾器的圖像以及同時(shí)使用熵過(guò)濾器和 Otsu 過(guò)濾器的圖像。“帶 Otsu 過(guò)濾器的分段試驗(yàn)”圖像將是我們劃痕試驗(yàn)分析的最終結(jié)果，讓我們看看所有這些代碼的輸出：

正如我們?cè)谏厦娴膱D像中看到的，熵過(guò)濾器在原始圖像中產(chǎn)生了巨大的變化，熵過(guò)濾器檢測(cè)圖像像素中的微小變化，并根據(jù)圖像某些區(qū)域的復(fù)雜性劃分像素。正如我們?cè)诘诙垐D片中看到的，黑色條帶代表沒有細(xì)胞的區(qū)域，而灰色區(qū)域代表有細(xì)胞的區(qū)域。Otsu 過(guò)濾器通過(guò)實(shí)現(xiàn)一個(gè)閾值來(lái)鞏固這種分割，使我們能夠在劃痕分析的準(zhǔn)確時(shí)刻準(zhǔn)確地定位細(xì)胞的位置。

最后，我們可以打印代表檢測(cè)中無(wú)細(xì)胞區(qū)域的像素?cái)?shù)，以便更好地了解細(xì)胞是如何隨著時(shí)間移動(dòng)和增殖的。

這個(gè)具體的項(xiàng)目對(duì)于理解圖像處理的一些基本方面非常有用，由于所有像素具有相同的 RGB 值，因此在本教程中分析的圖像非常難以分割。然而，在熵過(guò)濾器的幫助下，我們能夠生成一個(gè)基于紋理處理的圖像，然后我們可以使用 Otsu 閾值來(lái)更深入地了解該時(shí)間點(diǎn)的細(xì)胞位置。

劃痕分析由一個(gè)時(shí)間序列組成，我們只分析了該時(shí)間序列中的一張圖像，生物學(xué)家在多個(gè)圖像中多次循環(huán)此過(guò)程，以生成細(xì)胞運(yùn)動(dòng)的時(shí)間序列表示。當(dāng)他們?yōu)g覽每張圖像時(shí)，生物學(xué)家會(huì)記錄細(xì)胞運(yùn)動(dòng)和位置的變化，這為他們提供更多有關(guān)細(xì)胞增殖率和細(xì)胞遷移模式的信息。

許多圖像處理過(guò)濾器需要復(fù)雜的高斯數(shù)學(xué)知識(shí)，而大多數(shù)人沒有這方面的經(jīng)驗(yàn)，但是 scikit-image 消除了實(shí)現(xiàn)此類過(guò)濾器所需的高級(jí)數(shù)學(xué)知識(shí)。然而，對(duì)高斯核和其他此類計(jì)算工具的了解，可以讓研究人員獲得預(yù)包裝軟件能夠提供的更準(zhǔn)確的可視化效果。

我在下面添加了完整的代碼要點(diǎn)。

In [ ]:from skimage.filters.rank import entropyfrom skimage.morphology import diskfrom skimage.filters import threshold_otsufrom skimage import ioimport matplotlib.pyplot as pltimport numpy as npimport skimageIn [ ]:img = io.imread('images/scratch.jpg') # Reading Imageentropy_img = entropy(img, disk(10)) # Applying entropy filter for better segmentationIn [ ]:thresh = threshold_otsu(entropy_img) # Applying Otsu filter for optimal thresholdingIn [ ]:# Creating image in which all pixels with value less than threshold is equal to truebinary = entropy_img <= thresh # Composed of 0s and 1s (False and True)In [ ]:# Displaying Imagesfig, ax = plt.subplots(nrows=1, ncols=3, figsize=(12,10))
ax[0].imshow(img)ax[0].set_title("Original Assay")
ax[1].imshow(entropy_img)ax[1].set_title("Assay w/ Entropy Filter")
ax[2].imshow(binary)ax[2].set_title("Segmented Assay w Otsu Filter")In [ ]:print(np.sum(binary == 1)) # the number of pixels that correspond to the clear space in the assay