使用 OpenCV 去除视网膜图像中具有形态学侵蚀的小血管答案

【问题标题】：Remove small blood vessels in retina image with morphological erosion using OpenCV使用 OpenCV 去除视网膜图像中具有形态学侵蚀的小血管
【发布时间】：2020-01-04 06:19:43
【问题描述】：

我有眼底图像，这些图像是已经处理过的视网膜图片，我正在观察并尝试使用形态学侵蚀去除较小的血管。这似乎在我读过的几篇论文中都有效，但没有包括确切运算符的详细信息。

我尝试了各种方法，形态打开，形态侵蚀然后关闭，我做了一点点命中或未命中。我所有的工作都是使用 openCV2 python 库完成的。

这是原图。

def erode(image):
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,2))
    erosion = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel, iterations=1)
    erosion = cv2.erode(erosion, kernel, iterations=1)
    return erosion

形态侵蚀开裂后：

我希望去除更多的血管，同时保留较粗的血管，有没有人有什么好主意让我试试？或者我可能不正确地接近形态？

【问题讨论】：

你如何定义“噪音”？侵蚀做一种特定的数学运算，它不会创造。它确实会留下一些您不想要的像素，您可以将其移除。
例如，您可以在腐蚀之后和匹配膨胀之前删除小的连接组件。这将是一种开口，在这种情况下可能比您尝试过的结构开口更好。
在侵蚀到您可以容忍的极限后，使用等高线找到并去除小的残留物。
我可能应该措辞更好，我的意思是它会通过留下我不想要的像素来引起噪音。 @CrisLuengo，我将如何删除那些较小的连接组件？ fmw42 您是否有任何资源来说明如何做到这一点，因为这是我第一次听到这个建议。
使用区域开口移除小的连接组件。

标签： python opencv image-processing computer-vision image-morphology

【解决方案1】：

我认为你有正确的方法，但只需要应用额外的过滤。侵蚀后，您可以找到轮廓并使用轮廓区域进行过滤。如果该区域小于某个阈值区域，您可以在轮廓中着色以有效去除较小的血管。可以调整内核大小、cv2.morphologyEx() 中的迭代和阈值区域以移除更多或更少的血管。但要注意不要过多地增加内核维度，因为这是一个权衡：内核越大，删除的细节越多

import cv2

image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 120, 255, cv2.THRESH_BINARY)[1]
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)

cnts = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    area = cv2.contourArea(c)
    if area < 100:
        cv2.drawContours(opening, [c], -1, (0,0,0), -1)

cv2.imshow('thresh', thresh)
cv2.imshow('opening', opening)
cv2.waitKey()

【讨论】：

【解决方案2】：

尝试增加侵蚀迭代的次数，以便完全去除较小的血管。然后通过相同次数的迭代执行形态扩张，以便将剩余的大血管调整回（大约）它们的原始大小。

【讨论】：

这是一个开场白。 OP 说他们试过了，结果不喜欢。
开口是紧随其后的膨胀。我的建议是反复腐蚀N次，然后才膨胀N次。这是不同的，因为较小的粒子会被完全侵蚀，并且不会出现在膨胀后的最终图像上。
N 次侵蚀与具有较大结构元素的一次侵蚀相同。
感谢 jfaccioni 的及时响应，但我尝试了这个，它导致图像非常倾斜，因为它确实具有 cris 解释的行为。大的形态腐蚀会破坏图像的结构，这不是我们可以通过膨胀来解决的。