Я пытаюсь проанализировать стеки TIFF в оттенках серого, в которых данный кадр будет выглядеть как это. Я фильтрую его (используя размытие по Гауссу), а затем преобразовываю в двоичную форму (используя метод Оцу для определения порога).
Код MATLAB, который отлично работает:
image_conncomp = bwconncomp(image_binary); # entire stack is held in image_binary
for i=1:image_conncomp.NumObjects
object_size = length(image_conncomp.PixelIdxList{i});
end
Каждое белое пятно на изображении в качестве примера получено, и его объем (в пикселях) довольно точно передан object_size
.
Код Python:
from skimage import measure
labels = measure.label(image_binary, background=1) # same image_binary as above
propsa = measure.regionprops(labels)
for label in propsa:
object_size = len(label.coords)
Код Python, кажется, работает прилично ... за исключением того, что большинство обнаруженных объектов будут иметь object_size
от 1 до 200, а затем пара будет иметь размер в несколько тысяч пикселей.
Что эти функции делают по-другому? Я был бы счастлив попробовать другой подход в Python для вычисления размеров объектов, но я изо всех сил пытался найти другой. Было бы здорово иметь версию этого кода для Python, если бы я мог найти хорошую замену функции Matlab bwconncomp
.
Я, честно говоря, не понимаю вывод в исходном виде. Он должен маркировать объекты, которые он распознает, но не уверен, как именно он это делает.
Почему вы установили background = 1? Конечно, это не по умолчанию в Matlab? Кроме того, у объектов RegionProp есть несколько хороших свойств, в том числе желаемая область: for prop in propsa: object_size = prop.area
. В любом случае, я предлагаю использовать skimage.color.label2rgb, чтобы посмотреть на изображение метки и убедиться, что этот шаг работает. Остальное выглядит хорошо (при условии, что двоичные файлы действительно идентичны, и что фон установлен на 0, я думаю)
Что-то вроде этого?
from skimage.io import imread, imshow
from skimage.filters import gaussian, threshold_otsu
from skimage import measure
import matplotlib.pyplot as plt
original = imread('https://i.stack.imgur.com/nkQpj.png')
blurred = gaussian(original, sigma=.8)
binary = blurred > threshold_otsu(blurred)
labels = measure.label(binary)
plots = {'Original': original, 'Blurred': blurred,
'Binary': binary, 'Labels': labels}
fig, ax = plt.subplots(1, len(plots))
for n, (title, img) in enumerate(plots.items()):
cmap = plt.cm.gnuplot if n == len(plots) - 1 else plt.cm.gray
ax[n].imshow(img, cmap=cmap)
ax[n].axis('off')
ax[n].set_title(title)
plt.show(fig)
props = measure.regionprops(labels)
for prop in props:
print('Label: {} >> Object size: {}'.format(prop.label, prop.area))
Выход:
Label: 1 >> Object size: 37
Label: 2 >> Object size: 66
Label: 3 >> Object size: 1
Это отлично подходит для измерения площади. Однако я ищу объем. Как правило, в стеке будет 34 кадра, как в образце изображения выше. Объекты будут отображаться более чем в одном кадре, но не во всех, поэтому я должен смотреть на весь стек одновременно, чтобы действительно получить объем. Чтобы измерить объем, я просто хочу посчитать количество пикселей, обнаруженных в объекте.
В этом случае вам нужно перебрать стек и вычислить объем как сумму площадей областей, которые соответствуют одному и тому же объекту.
но как я узнаю, что это один и тот же объект? единственный метод, который я могу придумать, - это вычислить расстояние между центроидами, но это звучит очень дорого.
Я добавил стек (преобразованный в png, Chrome не может отображать .tiff) в конец исходного вопроса
Я не могу загрузить стек по указанному вами URL. Не могли бы вы опубликовать ссылку на Dropbox / Google Диск?
Я пропустил это обсуждение. @oofin, свойство area фактически возвращает объем, если ваше изображение трехмерное.
Мы могли бы сделать то же самое, сначала применив морфологическое закрытие scipy.ndimage
к пороговому двоичному изображению, а затем функцию label()
, чтобы объединить связанные области в двоичном изображении, как показано ниже (размер областей немного отличается и будет зависеть от размера морфологического ядра):
from scipy.ndimage import label
from scipy.ndimage.morphology import binary_closing
from skimage.filters import threshold_otsu
import matplotlib.pylab as plt
original = plt.imread('https://i.stack.imgur.com/nkQpj.png')
thres = threshold_otsu(original)
binary = original > thres
binary_closed = binary_closing(binary, structure=np.ones((2,2)))
labeled_image, num_features = label(binary_closed)
feature_areas = np.bincount(labeled_image.ravel())[1:]
print(feature_areas) # if we use 3x3 SE we shall get two regions with areas 24, 46
# [24 42 1]
plt.figure(figsize=(8,7))
plt.gray()
plt.subplot(221), plt.imshow(original), plt.axis('off'), plt.title('original')
plt.subplot(222), plt.imshow(binary), plt.axis('off'), plt.title('binray')
plt.subplot(223), plt.imshow(binary_closed), plt.axis('off'), plt.title('binray closed')
plt.subplot(224), plt.imshow(labeled_image, cmap='inferno'), plt.axis('off'), plt.title('labelled')
plt.show()
чтобы получить следующий результат:
А вывод
measure.label
смотрели?