Как подсчитать количество пятен на этом изображении?

Question

Я пытаюсь подсчитать количество волос, трансплантированных на следующем изображении. Так что практически, я должен подсчитать количество пятен, которые я могу найти в центре изображения. (Я загрузил перевернутое изображение изображение лысой кожи головы, на которой были пересажены новые волосы, потому что исходное изображение является кровавым и абсолютно отвратительным! Чтобы увидеть оригинальное изображение без инвертирования, нажмите here. Чтобы увидеть большую версию перевернутое изображение просто нажмите на него). Есть ли какой-нибудь известный алгоритм обработки изображений для обнаружения этих пятен? Я узнал, что алгоритм Circle Hough Transform можно использовать для поиска окружностей в изображении, я не уверен, что это лучший алгоритм, который можно применить для поиска небольших пятен на следующем изображении.

P.S. Согласно одному из ответов, я попытался извлечь пятна с помощью ImageJ, но результат не был достаточно удовлетворительным:

1. Я открыл original неинвертированных изображений (Предупреждения это кровавое и противно видеть! !).
2. Разделить каналы (Изображение> Цвет> Разделить каналы). И выбрали синий канал для продолжения.
3. Прикладная Closing фильтр (Плагины> Быстрое Морфология> Морфологические фильтры) с этими значениями: Операция: закрытие, элемент: Площадь, Радиус: 2рх
4. Прикладная White Top Hat фильтр (Плагины> Быстрое Морфология> Морфологические фильтры) с этими значениями: Операция : Белый Top Hat, Element: Square, Radius: 17px

Однако я не знаю, что делать именно после этого шага для подсчета пересаженных пятна как можно более точно. Я пытался использовать (Process> Find Maxima), но результат не кажется достаточно точным для меня (с этими настройками: допуск шума: 10, Выходные: Единых точек, за исключением пограничного Maxima, светлый фон):

Как вы можете видеть, некоторые белые пятна были проигнорированы, а некоторые белые области, которые на самом деле не являются участками пересадки волос, были отмечены.

Какой набор фильтров вы рекомендуете точно находить пятна? Использование ImageJ кажется хорошим вариантом, поскольку он предоставляет большинство фильтров, которые нам нужны. Не стесняйтесь, однако, советовать, что делать, используя другие инструменты, библиотеки (например, OpenCV) и т. Д. Любая помощь была бы высоко оценена!

Answer 1

Вы можете сделать следующее:

1. Threshold изображения, используя резюме :: порог
2. Найти связные компоненты, используя резюме :: findcontour
3. Отклонить связные компоненты размера больше определенного размера, как вы, кажется, обеспокоены только небольшими круговыми областями.
4. Подсчитайте все действительные подключенные компоненты.
5. Надеюсь, у вас есть спускное приближение фактического количества пятен.
6. Чтобы быть статистически точнее, вы можете повторить 1-4 для диапазона пороговых значений и принять среднее значение.

Answer 2

Я только проверил это решение с помощью ImageJ, и это дало хороший предварительный результат:

1. На исходном изображении, для каждого канала
2. Малый (радиус 1 или 2) закрытия в порядке (черная часть в середине белого)
3. Белая верхняя часть с радиусом 5, чтобы обнаружить белую часть вокруг каждого черного волоса.
4. Маленькое закрытие/открытие, чтобы немного почистить изображение (вы также можете использовать срединный фильтр)
5. Ultimate erode, чтобы подсчитать количество оставшегося белого блоба. Вы также можете использовать LoG (лапласиан гауссова) или карту расстояния.

[EDIT] Вы не распознали все белые пятна с помощью функции максимумов, так как после закрытия, некоторые зоны являются плоскими, так что максимумы не точка, а зона. В этот момент я думаю, что окончательное открытие или окончательное разрушение даст вам центр или каждое белое пятно. Но я не уверен, что есть функция/pluggin, которая делает это в ImageJ. Вы можете взглянуть на Mamba или SMIL.

H-maxima (после белой шляпы) также может немного почистить ваши результаты и улучшить контраст между белыми пятнами.

Answer 3

Я действительно думаю, что вы пытаетесь решить проблему немного ошибочно. Это может показаться необоснованным, поэтому лучше сначала показать свои результаты.

Ниже у меня есть изображение с изображением слева и обнаружены пересадки справа. Зеленый цвет используется для выделения областей с более чем одной трансплантацией.

Общий подход очень простой (опишу позже), но все же он обеспечивает близко, чтобы быть точные результаты. Обратите внимание, что это была первая попытка, поэтому есть много возможностей для усовершенствований.

В любом случае, давайте вернемся к первоначальному утверждению, в котором говорится, что вы ошибаетесь. Есть несколько основных вопросов:

1. качества вашего изображения ужасно
2. вы говорите, что вы хотите, чтобы найти места, но на самом деле вы ищете для пересадки волоса objects
3. вы полностью игнорируете средний голову факта, далеко не плоский
4. это выглядит, как вы думаете, фильтры добавить некоторые важные детали вашего исходного изображения
5. вы ожидаете алгоритмы сделать магию для вас

Давайте рассмотрим все эти пункты по одному.

1.Качество изображения

Это может быть очень очевидное заявление, но перед фактической обработкой вам нужно убедиться, что у вас есть наилучшие исходные данные. Вы можете потратить несколько недель, пытаясь найти способ обрабатывать фотографии, которые у вас есть, без каких-либо значительных достижений. Вот некоторые проблемные области:

Я держал пари, что это трудно для вас, чтобы «читать» эти зерновые культуры, несмотря на то, у вас есть самые современные алгоритмы распознавания объектов в вашем мозгу.

Кроме того, ваше время дорогое, и вам по-прежнему нужна максимально возможная точность и стабильность. Таким образом, по любой разумной цене попытайтесь получить: правильный контраст, острые края, лучшие цвета и цветоделение.

2. Лучшее понимание объектов, которые будут определены

Вообще говоря, у вас есть 3D-объекты, которые будут определены. Таким образом, вы можете анализировать тени, чтобы повысить точность. Кстати, это почти как анализ на поверхности Марса :)

3. Форма головы не следует игнорировать

Из-за формы головы у вас есть искажения. Опять же, чтобы получить правильную точность, эти искажения должны быть исправлены до фактического анализа. В принципе, вам нужно сгладить анализируемую область.

3D model source

4. Фильтры не могут помочь

Фильтры не добавлять информацию, но они могут легко удалить некоторые важные детали. Вы упомянули преобразование Хафа, поэтому интересный вопрос: Find lines in shape

В качестве примера я воспользуюсь этим вопросом. В принципе, вам нужно извлечь геометрию из заданного изображения. Строки в форме выглядит немного сложным, так что вы можете решить использовать skeletonization

Все из печалить, вы имеете более сложную геометрию, чтобы иметь дело с и практически никаких шансов, чтобы понять, что на самом деле было на оригинальной картинке ,

5. К сожалению, никакой магии здесь

Пожалуйста знать следующее:

Вы должны попытаться получить более точные данные для того, чтобы добиться более высокой точности и стабильности. Сама модель также очень важна.

Результаты объяснены

Как я уже говорил, мой подход очень прост: изображение постеризации, а затем я использовал очень простой алгоритм для определения областей с определенным цветом.

Постеризация может быть сделано более умным способом, обнаружение областей может быть улучшена, и т.д. Для этого PoC я просто есть простое правило, чтобы выделить участки с более чем одним имплантатом. Обладая определенными областями, можно выполнить несколько более углубленный анализ.

В любом случае, лучшее качество изображения позволит вам использовать даже простой метод и получить правильные результаты.

Наконец

Как клинике удалось получить Yondu как клиента? :)

Update (инструменты и методы)

• Постеризация - GIMP (настройки по умолчанию, мин цветов)
• идентификации Пересадка и визуализации - программа Java, нет библиотеки или других зависимые
• Имея идентифицированные районы, можно легко найти средний размер, затем сравнить с другими областями и отметить значительно большие площади в виде нескольких трансплантаты.

В принципе, все делается «вручную». Горизонтальное и вертикальное сканирование, пересечения дают области. Вертикальные линии сортируются и используются для восстановления реальной формы. Решение является доморощенным, код немного уродлив, поэтому не хочу делиться им, извините.

Идея довольно очевидна и хорошо объяснена (по крайней мере, я так думаю). Вот дополнительный пример с шагом отличается сканирования используется:

Answer 4

AS Ренат упомянул, Вы не должны ожидать, алгоритмы, чтобы сделать магию для вас, но я надеюсь, придумать разумную оценку числа пятна. Здесь я дам вам несколько советов и ресурсов, проверьте их и перезвоните, если вам нужна дополнительная информация.

Во-первых, я очень надеюсь на морфологические операции, но я думаю, что идеальный шаг предварительной обработки может сильно повысить точность, получаемую ими. Я хочу, чтобы вы положили палец на этап предварительной обработки. Таким образом, я буду ти работы с этим изображением:

Это идея:

собирать и концентрировать массу вокруг мест пятна. Что я имею в виду, когда я концентрирую массы? Давайте откроем книгу с другой стороны: как вы видите, предоставленное изображение содержит некоторые основные пятна, окруженные некоторыми n oisy серыми точками уровня.Точками я имею в виду пиксели, которые не являются частью пятна, но их серое значение больше нуля (чистый черный) - которые доступны вокруг пятен. Понятно, что если вы очистите эти шумные точки, вы наверняка придумаете хорошую оценку пятен, используя другие инструменты обработки, такие как морфологические операции.

Теперь, как сделать изображение более резким? Что, если мы сможем сделать точки для продвижения вперед к их ближайшим точкам? Это то, что я имею в виду под , концентрируя массы над пятнами. При этом в изображении будут присутствовать только заметные пятна, и поэтому мы сделали значительный шаг к подсчету заметных мест.

Как сделать концентрирующую вещь? Ну, идея, которую я только что объяснил, доступна в бумаге this, которой, к счастью, доступен ее код. См. Раздел 2.2. Основная идея состоит в том, чтобы использовать случайный ходок, чтобы ходить по изображению навсегда. Формулировки формулируются таким образом, что ходунки будут посещать заметные места гораздо чаще, и это может привести к выявлению заметных мест. Алгоритм моделируется цепью Маркова и равновесное время удара эргодической цепи Маркова содержит ключ для определения наиболее ярких пятен.

То, что я описал выше, является лишь намеком, и вы должны прочитать эту короткую статью, чтобы получить подробную версию идеи. Дайте мне знать, если вам нужна дополнительная информация или ресурсы.

Очень приятно думать о таких интересных проблемах. Надеюсь, это поможет.

Answer 5

Это то, что вы получаете после применения радиуса unsharpen 22, количество 5, пороговое значение 2 к вашему изображению.

Этот увеличивает контраст между точками и окрестностями. Я использовал предположение шара, что точки находятся где-то между 18 и 25 пикселями в диаметре.

Теперь вы можете взять локальные максимумы белого цвета как «точка» и заполнить его с черным кругом, пока круговая окрестность точки (круг радиуса 10-12) не стирается. Это должно позволить вам «отбирать» точки, соединенные друг с другом в кластерах более 2. Затем снова найдите локальные максимумы. Промыть и повторить.

Фактические «точечные» области резко контрастируют с окружающими районами, поэтому это позволит вам отбирать их так же хорошо, как и вы, наблюдая за ним.