Python 图像教程
介绍
需要用到的软件
- Python 3+
- numpy
- matplotlib
- mahotas
- ipython¬ebook
第一个项目:计算细胞核
我们的第一个任务是进行细胞核的计算，你可以点击图像进行下载到本地跟着进行运行
dna.jpeg
首先导入包
import numpy as np
import matplotlib.pylab as plt
import mahotas as mh
对于Python，有能够通过包来完成许多工具，而不是一个包。我们用numpy数组进行储存图像，在我们的案例中，其是一个二维数组（高X宽），或者，对于彩色图像，为三维数组（高X宽X3或者高X宽X4，其中3和4分别表示red，green，blue或者red，green，blue，alpha的元组，其中alpha为透明度）
首先我们读取图像进入内存:
dna=mh.imread('dna.jpeg')
玩弄
在交互模式，例如ipython，你可以查看使用如下方法查看图像
plt.imshow(dna)
plt.show()
output_6_0.png
你可能惊讶图片并不像原来的图片是黑色的，原因是plt默认展示的为jet() bar，你可以通过切换colormap来切换成默认的灰度图，例如如下:
plt.imshow(dna)
plt.gray()
plt.show()
output_8_0.png
你还可以探索如下:
print(dna.shape)
print(dna.dtype)
print(dna.max())
print(dna.min())
(1024, 1344)
uint8
252
0
plt.imshow(dna // 2)
plt.show()
output_11_0.png
我们将图片所有性质除以2，然而得到的结果居然一样，实际上plt在展示图片之前会进行对比扩展
一些实际的工作
现在我们开始实际的计算核酸的工作，我们对开篇导入的图片的物体（objects）进行计算
T=mh.thresholding.otsu(dna)
plt.imshow(dna>T)
plt.show()
output_13_0.png
在这里，我们又一次利用了dna是一个numpy数组，并在逻辑运算中使用它（dna> T）的事实。 结果是一个布尔值的数组，这个pylab显示为一个黑白图像。
但是看起来不是那么美好，因为图像包含了许多小的物体。这里有两个方法解决它。一个简单的方法是使用Gaussian筛选抚平小的物体
dnaf = mh.gaussian_filter(dna, 8).astype('uint8')
T = mh.thresholding.otsu(dnaf)
plt.imshow(dnaf>T)
plt.show()
output_15_0.png
mh.gaussian_filter接收图像并过滤器的标准偏差(以像素为单位)并返回过滤后的图像，但是一个更好的方法是使用mahotas筛选图像并且计算阈值，使用numpy操作创建的图像，并用plt展示他们，但是所有的工作都是数组完成的，这样的结果会更好。
我们现在进行一些细胞核的merged。 最后的计数只是一个额外的函数调用：
labeled,nr_objects=mh.label(dnaf>T)
print(nr_objects)
plt.imshow(labeled)
plt.jet()
plt.show()
18
output_18_1.png
我们拥有物体的图像为18个，展示的为标记的（labeled）图像，使用jet()进行着色
我们可以探索标记的物体，其是一个整数的数组，它的值是该位置上对象的标签，所以值的范围从0（背景）到nr_objects。
第二个项目:分隔图像
通过第一个项目，我们完成的还是令人满意，但是仍然有一些核酸是黏在一起的，然我们to do better
这里有一个简单的，传统的想法:
- 平滑图像
- 寻找区域最大值
- 使用区域最大值作为watershed的种子
寻找种子
但是且慢，有一些细胞在照片上重叠了，被我们算作一个细胞了。显然是这不科学的，因此我们需要更精确的计算方法。接下来我们要讨论的方法寻找团块的中心点并计算中心点的个数。这里我们假设在灰度图上，团块比较中心的地方比较亮，最亮的地方就是最中心的地方。这个东西叫regional maxima，相当于一片山脉中的最高峰。我们找到这个点之后，进行标亮，并且与原来的灰度图重叠在一起。首先我们进行如下的尝试
#plt.figure(figsize=(15,15))
dnaf=mh.gaussian_filter(dna,8).astype('uint8')
rmax=mh.regmax(dnaf)
plt.imshow(mh.overlay(dna,rmax))
plt.show()
output_20_0.png
mh.overlay()返回一个彩色图像，第一个参数给出灰度级分量，而第二个参数作为红色通道。 结果看起来不太好：
稍微摆弄一下后，我们决定用一个更大的sigma尝试相同的想法：
plt.figure(figsize=(15,15))
dnaf=mh.gaussian_filter(dna,15).astype('uint8')
rmax=mh.regmax(dnaf)
plt.imshow(mh.overlay(dna,rmax))
plt.show()
output_22_0.png
看起来好许多，我们可以方便的统计核算数量了
seeds,nr_nuclei=mh.label(rmax)
print(nr_nuclei)
22
Watershed
我们打算将Watershed应用于阈值图像的距离变换(使用矩阵最大值减去矩阵内所有元素，使得矩阵元素的数值原来大的变小，小的变大,得到下图)：
T=mh.thresholding.otsu(dnaf)
dist = mh.distance(dnaf>T)
dist = dist.max()-dist
dist -= dist.min()
dist = dist/float(dist.ptp())*255
dist = dist.astype(np.uint8)
plt.imshow(dist)
plt.show()
output_26_0.png
现在，根据矩阵的元素的大小，以之前得到的一堆最高峰（seeds）为核心位置，观察每个核心与邻居核心之间的边界（元素数值的局域极大值），把这个边界标记出来。就得到了核心的区域划分图。
nuclei=mh.cwatershed(dist,seeds)
plt.imshow(nuclei)
plt.show()
output_27_0.png
参考资料:
原文
使用python做图像处理
网友评论