Проблемы с обработкой изображений с кровеносными сосудами

Я пытаюсь извлечь кровеносные сосуды из изображения, и для этого я сначала выравниваю изображение, применяя гистограмму CLAHE, чтобы получить следующий результат:

clahe = cv2.createCLAHE(clipLimit=100.0, tileGridSize=(100,100)) self.cl1 = clahe.apply(self.result_array) self.cl1 = 255 - self.cl1

введите описание изображения здесь

И затем я использую порог OTSU для извлечения кровеносных сосудов, но не могу сделать это хорошо:

 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)

Вот результат:

введите описание изображения здесь

Очевидно, что шума много. Я пробовал использовать медианное размытие, но он просто кластеризует шум и превращает его в капли, в некоторых местах. Как я могу удалить шум, чтобы получить кровеносные сосуды?

Это оригинальное изображение, из которого я пытаюсь извлечь кровеносные сосуды:

введите описание изображения здесь

2 Solutions collect form web for “Проблемы с обработкой изображений с кровеносными сосудами”

Получение действительно хороших результатов – сложная проблема (вам, вероятно, придется как-то моделировать структуру кровеносных сосудов и шум), но вы, вероятно, все же можете сделать лучше, чем фильтрация.

Один из способов решения таких проблем, основанный на детекторе края Канни, заключается в использовании двух пороговых значений: [hi,low] и классификации пикселя p с ответом r как принадлежащего кровеносному сосуду V если r > hi || ( r > lo && один из p -соседей находится в V ).

Кроме того, когда дело доходит до фильтрации, как двусторонняя фильтрация, так и фильтрация с помощью фильтра хороши для шумных изображений.

 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)

низкий порог Изображение с низким порогом высокий порог Изображение высокого порога

Подготовка и очистка:

 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

Не самый эффективный способ сделать это … но легко реализовать:

 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

Начальная маска

Удалите маленькие капли:

 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 )

изысканная маска После удаления мелких капель

Морфологическая очистка:

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

результат

Это отнюдь не оптимально, но я думаю, что он должен предоставить вам достаточно инструментов для начала.

Как насчет: High-Pass (изображение минус гауссовское гладкое с сигмой 12), затем порог (126), а затем подавление мелких объектов (объекты, размер которых меньше 300 пикселей)?

(Я работал с вашим последним изображением)

введите описание изображения здесь