血管的图像处理问题答案

【问题标题】：Image processing issues with blood vessels血管的图像处理问题
【发布时间】：2016-08-11 05:35:06
【问题描述】：

我正在尝试从图像中提取血管，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

然后我正在使用 OTSU 阈值来提取血管，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：

显然有很多噪音。我尝试过使用中值模糊，但它只是在某些地方将噪声聚集并使其变成一个斑点。如何去除噪音以获取血管？

这是我试图从中提取血管的原始图像：

【问题讨论】：

请附上原始图像和预期输出。
我没有想要的输出，抱歉。我已附上原件。
您会尝试将 tileGridSize=(8,8) 设置为更类似于 (20,20) 的值吗？我认为euqlizing有点过于激进。它不会完全解决问题，但可能会带来更好的结果。
是的，我已经尝试过了，你是对的，它确实改善了结果，但没有多大意义。
哦，好吧。我不熟悉 OpenCV，我可以解释一下我将如何尝试解决它。第 1 步：创建每个像素周围的噪声级别图。第二步：计算中值噪声。第 3 步：对于每个像素，将原始图像的亮度乘以噪声水平（来自地图第 1 步）减去中值+阈值。

标签： python image opencv image-processing

【解决方案1】：

获得真正好的结果是一个难题（您可能必须以某种方式对血管结构和噪声进行建模），但您可能仍然可以做得比过滤更好。

受 Canny 边缘检测器启发，解决此类问题的一种技术是使用两个阈值 - [hi,low] 并将像素 p 与响应 r 分类为属于血管 V if @ 987654335@ || （r > lo && p 的邻居之一在V）。

此外，在滤波方面，双边滤波和均值偏移滤波都适用于噪声图像。

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)

低阈值图像嗨阈值图像

准备和清理：

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

这不是最有效的方法...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

初始掩码

去除小斑点：

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 )

去除小斑点后

形态清理：

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

结果

这绝不是最佳选择，但我认为它应该为您提供足够的工具来开始。

【讨论】：

【解决方案2】：

怎么样：高通（图像减去 sigma 12 的高斯平滑），然后是阈值（126），然后是小物体抑制（小于 300 像素的物体被去除）？

（我使用了你的上一张图片）

【讨论】：