problemi di elaborazione delle immagini con i vasi sanguigni

Question

Sto cercando di estrarre i vasi sanguigni da un'immagine, e per farlo, sto prima equalizzazione dell'immagine, applicando CLAHE istogramma per ottenere il seguente risultato:

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

E poi sto usando soglia OTSU per estrarre i vasi sanguigni, ma non riuscendo a farlo bene:

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) 

Ecco il risultato:

Ovviamente c'è un sacco di rumore. Ho provato a utilizzare la sfocatura di Median, ma raggruppa solo il rumore e lo trasforma in un blob, in alcuni punti. Come faccio a rimuovere il rumore per ottenere i vasi sanguigni?

Questa è l'immagine originale da cui sto cercando di estrarre i vasi sanguigni:

Answer 1

ottenere risultati veramente buoni è un problema difficile (probabilmente dovrete per modellare in qualche modo la struttura dei vasi sanguigni e del rumore) ma probabilmente si può ancora fare meglio del filtraggio.

Una tecnica per affrontare questo tipo di problemi, ispirato al Algoritmo di Canny, utilizza due soglie - [hi,low] e classificare un pixel p con risposta r come appartenenti ad un vaso sanguigno V se r > hi || (r > lo & & uno dei vicini p è in V).

Inoltre, quando si tratta di filtrare, sia il filtro bilaterale che il filtraggio del mean shift sono utili per le immagini disturbate.

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) 

immagine Soglia bassa soglia Hi immagine

Preparazioni e pulizia:

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 

Non è il modo più efficace per farlo ...ma facile da implementare:

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 

maschera iniziale

rimuovere piccole macchie:

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) 

Dopo aver rimosso piccole macchie

pulitura morfologica:

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

Risultato

Questo non è affatto ottimale, ma penso che dovrebbe fornire abbastanza strumenti per iniziare.

Answer 2

ne dite: passa-alto (immagine meno gaussiana liscia con sigma 12), poi soglia (126) e quindi la soppressione di oggetti piccoli (oggetti che sono più piccoli di 300 pixel vengono rimossi)?

(ho lavorato con l'ultima immagine)