平滑二值图像的边缘
Smoothing Edges of a Binary Image
如何对阈值处理后得到的血管二值图像进行边缘平滑处理。
我尝试了一种有点类似于this method的方法，但并没有得到我预期的结果。
代码如下：
import cv2
import numpy as np
INPUT = cv2.imread('so-br-in.png',0)
MASK = np.array(INPUT/255.0, dtype='float32')
MASK = cv2.GaussianBlur(MASK, (5,5), 11)
BG = np.ones([INPUT.shape[0], INPUT.shape[1], 1], dtype='uint8')*255
OUT_F = np.ones([INPUT.shape[0], INPUT.shape[1], 1],dtype='uint8')
for r in range(INPUT.shape[0]):
for c in range(INPUT.shape[1]):
OUT_F[r][c] = int(BG[r][c]*(MASK[r][c]) + INPUT[r][c]*(1-MASK[r][c]))
cv2.imwrite('brain-out.png', OUT_F)
如何改善这些粗糙边缘的平滑度？
编辑
我想像 http://pscs5.tumblr.com/post/60284570543 那样平滑边缘。如何在 OpenCV 中执行此操作？
您可以扩张然后侵蚀区域 http://docs.opencv.org/2.4/doc/tutorials/imgproc/erosion_dilatation/erosion_dilatation.html。
import cv2
import numpy as np
blur=((3,3),1)
erode_=(5,5)
dilate_=(3, 3)
cv2.imwrite('imgBool_erode_dilated_blured.png',cv2.dilate(cv2.erode(cv2.GaussianBlur(cv2.imread('so-br-in.png',0)/255, blur[0], blur[1]), np.ones(erode_)), np.ones(dilate_))*255)
在内容之前使用比例因子 4 进行编辑
您可以做的是提高图像的分辨率（例如，使用 resize 将其提高一倍或三倍）。之后，如上面另一个答案中所述的腐蚀和膨胀将导致更好的结果。
这是我用你的图片得到的结果：
我的方法主要基于几个cv::medianBlur应用于放大图像。
代码如下：
cv::Mat vesselImage = cv::imread(filename); //the original image
cv::threshold(vesselImage, vesselImage, 125, 255, THRESH_BINARY);
cv::Mat blurredImage; //output of the algorithm
cv::pyrUp(vesselImage, blurredImage);
for (int i = 0; i < 15; i++)
cv::medianBlur(blurredImage, blurredImage, 7);
cv::pyrDown(blurredImage, blurredImage);
cv::threshold(blurredImage, blurredImage, 200, 255, THRESH_BINARY);
锯齿状边缘是由于阈值处理造成的。如果您对非二进制的输出图像感到满意（即具有 256 种灰色阴影），您可以将其删除并获得此图像：
您很可能先得到了血管的灰度图像，然后进行了阈值处理。它看起来仍然不平滑，因为原始灰度图像内部有噪声。现在要求平滑边缘将导致分辨率降低。例如， 中提出的稀释和侵蚀可能会在稀释步骤中融合相邻容器，然后在侵蚀步骤中无法再次分离。
最好先去除灰度图像中的噪声（也就是在那里进行平滑处理），然后在最后一步进行阈值处理。
因为你没有提供灰度图像，所以我在这里对二值图像进行了温和的平滑处理（大约一个像素宽度），然后再次进行了阈值处理。
我进行了平滑处理（使用固定大小的高斯核）和阈值处理（使用阈值参数）。我建议你在灰度图像数据上这样做，并调整两个参数，直到你喜欢结果。
感兴趣的 Matlab 代码：
% read
img = imread('YyNQV.png');
img = double(img(:, :, 1) ~= 255); % png is RGB -> binary
% smooth
kernel = fspecial('gaussian', 10, 1.5);
kernel = kernel / sum(kernel(:)); % normalize to 1
img_smooth = conv2(img, kernel, 'same');
% binarize again
threshold = 0.4; % experiment with values between 0 and 1
img_smooth_threshold = img_smooth > threshold;
% save (exchange black and white)
imwrite(~img_smooth_threshold, 'YyNQV_smooth.png');
我对@dhanushka 的 进行了一些修改并获取了这些图像。
抱歉，这是 C++ 代码，但也许您会将其转换为 Python。
您可以更改以下参数以获得不同的结果。
// contour smoothing parameters for gaussian filter
int filterRadius = 10; // you can try to change this value
int filterSize = 2 * filterRadius + 1;
double sigma = 20; // you can try to change this value
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main( int argc, const char** argv )
{
Mat im = imread(argv[1], 0);
Mat cont = ~im;
Mat original = Mat::zeros(im.rows, im.cols, CV_8UC3);
Mat smoothed = Mat(im.rows, im.cols, CV_8UC3, Scalar(255,255,255));
// contour smoothing parameters for gaussian filter
int filterRadius = 5;
int filterSize = 2 * filterRadius + 1;
double sigma = 10;
vector<vector<Point> > contours;
vector<Vec4i> hierarchy;
// find contours and store all contour points
findContours(cont, contours, hierarchy, CV_RETR_CCOMP, CV_CHAIN_APPROX_NONE, Point(0, 0));
for(size_t j = 0; j < contours.size(); j++)
{
// extract x and y coordinates of points. we'll consider these as 1-D signals
// add circular padding to 1-D signals
size_t len = contours[j].size() + 2 * filterRadius;
size_t idx = (contours[j].size() - filterRadius);
vector<float> x, y;
for (size_t i = 0; i < len; i++)
{
x.push_back(contours[j][(idx + i) % contours[j].size()].x);
y.push_back(contours[j][(idx + i) % contours[j].size()].y);
}
// filter 1-D signals
vector<float> xFilt, yFilt;
GaussianBlur(x, xFilt, Size(filterSize, filterSize), sigma, sigma);
GaussianBlur(y, yFilt, Size(filterSize, filterSize), sigma, sigma);
// build smoothed contour
vector<vector<Point> > smoothContours;
vector<Point> smooth;
for (size_t i = filterRadius; i < contours[j].size() + filterRadius; i++)
{
smooth.push_back(Point(xFilt[i], yFilt[i]));
}
smoothContours.push_back(smooth);
Scalar color;
if(hierarchy[j][3] < 0 )
{
color = Scalar(0,0,0);
}
else
{
color = Scalar(255,255,255);
}
drawContours(smoothed, smoothContours, 0, color, -1);
}
imshow( "result", smoothed );
waitKey(0);
}
这是从 sturkmen 上面的 post 转换为 Python
的算法
import numpy as np
import cv2 as cv
def smooth_raster_lines(im, filterRadius, filterSize, sigma):
smoothed = np.zeros_like(im)
contours, hierarchy = cv.findContours(im, cv.RETR_CCOMP, cv.CHAIN_APPROX_NONE)
hierarchy = hierarchy[0]
for countur_idx, contour in enumerate(contours):
len_ = len(contour) + 2 * filterRadius
idx = len(contour) - filterRadius
x = []
y = []
for i in range(len_):
x.append(contour[(idx + i) % len(contour)][0][0])
y.append(contour[(idx + i) % len(contour)][0][1])
x = np.asarray(x, dtype=np.float32)
y = np.asarray(y, dtype=np.float32)
xFilt = cv.GaussianBlur(x, (filterSize, filterSize), sigma, sigma)
xFilt = [q[0] for q in xFilt]
yFilt = cv.GaussianBlur(y, (filterSize, filterSize), sigma, sigma)
yFilt = [q[0] for q in yFilt]
smoothContours = []
smooth = []
for i in range(filterRadius, len(contour) + filterRadius):
smooth.append([xFilt[i], yFilt[i]])
smoothContours = np.asarray([smooth], dtype=np.int32)
color = (0,0,0) if hierarchy[countur_idx][3] > 0 else (255,255,255)
cv.drawContours(smoothed, smoothContours, 0, color, -1)
return(smoothed)
如何对阈值处理后得到的血管二值图像进行边缘平滑处理。
我尝试了一种有点类似于this method的方法，但并没有得到我预期的结果。
代码如下：
import cv2
import numpy as np
INPUT = cv2.imread('so-br-in.png',0)
MASK = np.array(INPUT/255.0, dtype='float32')
MASK = cv2.GaussianBlur(MASK, (5,5), 11)
BG = np.ones([INPUT.shape[0], INPUT.shape[1], 1], dtype='uint8')*255
OUT_F = np.ones([INPUT.shape[0], INPUT.shape[1], 1],dtype='uint8')
for r in range(INPUT.shape[0]):
for c in range(INPUT.shape[1]):
OUT_F[r][c] = int(BG[r][c]*(MASK[r][c]) + INPUT[r][c]*(1-MASK[r][c]))
cv2.imwrite('brain-out.png', OUT_F)
如何改善这些粗糙边缘的平滑度？
编辑
我想像 http://pscs5.tumblr.com/post/60284570543 那样平滑边缘。如何在 OpenCV 中执行此操作？
您可以扩张然后侵蚀区域 http://docs.opencv.org/2.4/doc/tutorials/imgproc/erosion_dilatation/erosion_dilatation.html。
import cv2
import numpy as np
blur=((3,3),1)
erode_=(5,5)
dilate_=(3, 3)
cv2.imwrite('imgBool_erode_dilated_blured.png',cv2.dilate(cv2.erode(cv2.GaussianBlur(cv2.imread('so-br-in.png',0)/255, blur[0], blur[1]), np.ones(erode_)), np.ones(dilate_))*255)
在内容之前使用比例因子 4 进行编辑
您可以做的是提高图像的分辨率（例如，使用 resize 将其提高一倍或三倍）。之后，如上面另一个答案中所述的腐蚀和膨胀将导致更好的结果。
这是我用你的图片得到的结果：
我的方法主要基于几个cv::medianBlur应用于放大图像。
代码如下：
cv::Mat vesselImage = cv::imread(filename); //the original image
cv::threshold(vesselImage, vesselImage, 125, 255, THRESH_BINARY);
cv::Mat blurredImage; //output of the algorithm
cv::pyrUp(vesselImage, blurredImage);
for (int i = 0; i < 15; i++)
cv::medianBlur(blurredImage, blurredImage, 7);
cv::pyrDown(blurredImage, blurredImage);
cv::threshold(blurredImage, blurredImage, 200, 255, THRESH_BINARY);
锯齿状边缘是由于阈值处理造成的。如果您对非二进制的输出图像感到满意（即具有 256 种灰色阴影），您可以将其删除并获得此图像：
您很可能先得到了血管的灰度图像，然后进行了阈值处理。它看起来仍然不平滑，因为原始灰度图像内部有噪声。现在要求平滑边缘将导致分辨率降低。例如，
最好先去除灰度图像中的噪声（也就是在那里进行平滑处理），然后在最后一步进行阈值处理。
因为你没有提供灰度图像，所以我在这里对二值图像进行了温和的平滑处理（大约一个像素宽度），然后再次进行了阈值处理。
我进行了平滑处理（使用固定大小的高斯核）和阈值处理（使用阈值参数）。我建议你在灰度图像数据上这样做，并调整两个参数，直到你喜欢结果。
感兴趣的 Matlab 代码：
% read
img = imread('YyNQV.png');
img = double(img(:, :, 1) ~= 255); % png is RGB -> binary
% smooth
kernel = fspecial('gaussian', 10, 1.5);
kernel = kernel / sum(kernel(:)); % normalize to 1
img_smooth = conv2(img, kernel, 'same');
% binarize again
threshold = 0.4; % experiment with values between 0 and 1
img_smooth_threshold = img_smooth > threshold;
% save (exchange black and white)
imwrite(~img_smooth_threshold, 'YyNQV_smooth.png');
我对@dhanushka 的
抱歉，这是 C++ 代码，但也许您会将其转换为 Python。
您可以更改以下参数以获得不同的结果。
// contour smoothing parameters for gaussian filter
int filterRadius = 10; // you can try to change this value
int filterSize = 2 * filterRadius + 1;
double sigma = 20; // you can try to change this value
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main( int argc, const char** argv )
{
Mat im = imread(argv[1], 0);
Mat cont = ~im;
Mat original = Mat::zeros(im.rows, im.cols, CV_8UC3);
Mat smoothed = Mat(im.rows, im.cols, CV_8UC3, Scalar(255,255,255));
// contour smoothing parameters for gaussian filter
int filterRadius = 5;
int filterSize = 2 * filterRadius + 1;
double sigma = 10;
vector<vector<Point> > contours;
vector<Vec4i> hierarchy;
// find contours and store all contour points
findContours(cont, contours, hierarchy, CV_RETR_CCOMP, CV_CHAIN_APPROX_NONE, Point(0, 0));
for(size_t j = 0; j < contours.size(); j++)
{
// extract x and y coordinates of points. we'll consider these as 1-D signals
// add circular padding to 1-D signals
size_t len = contours[j].size() + 2 * filterRadius;
size_t idx = (contours[j].size() - filterRadius);
vector<float> x, y;
for (size_t i = 0; i < len; i++)
{
x.push_back(contours[j][(idx + i) % contours[j].size()].x);
y.push_back(contours[j][(idx + i) % contours[j].size()].y);
}
// filter 1-D signals
vector<float> xFilt, yFilt;
GaussianBlur(x, xFilt, Size(filterSize, filterSize), sigma, sigma);
GaussianBlur(y, yFilt, Size(filterSize, filterSize), sigma, sigma);
// build smoothed contour
vector<vector<Point> > smoothContours;
vector<Point> smooth;
for (size_t i = filterRadius; i < contours[j].size() + filterRadius; i++)
{
smooth.push_back(Point(xFilt[i], yFilt[i]));
}
smoothContours.push_back(smooth);
Scalar color;
if(hierarchy[j][3] < 0 )
{
color = Scalar(0,0,0);
}
else
{
color = Scalar(255,255,255);
}
drawContours(smoothed, smoothContours, 0, color, -1);
}
imshow( "result", smoothed );
waitKey(0);
}
这是从 sturkmen 上面的 post 转换为 Python
的算法import numpy as np
import cv2 as cv
def smooth_raster_lines(im, filterRadius, filterSize, sigma):
smoothed = np.zeros_like(im)
contours, hierarchy = cv.findContours(im, cv.RETR_CCOMP, cv.CHAIN_APPROX_NONE)
hierarchy = hierarchy[0]
for countur_idx, contour in enumerate(contours):
len_ = len(contour) + 2 * filterRadius
idx = len(contour) - filterRadius
x = []
y = []
for i in range(len_):
x.append(contour[(idx + i) % len(contour)][0][0])
y.append(contour[(idx + i) % len(contour)][0][1])
x = np.asarray(x, dtype=np.float32)
y = np.asarray(y, dtype=np.float32)
xFilt = cv.GaussianBlur(x, (filterSize, filterSize), sigma, sigma)
xFilt = [q[0] for q in xFilt]
yFilt = cv.GaussianBlur(y, (filterSize, filterSize), sigma, sigma)
yFilt = [q[0] for q in yFilt]
smoothContours = []
smooth = []
for i in range(filterRadius, len(contour) + filterRadius):
smooth.append([xFilt[i], yFilt[i]])
smoothContours = np.asarray([smooth], dtype=np.int32)
color = (0,0,0) if hierarchy[countur_idx][3] > 0 else (255,255,255)
cv.drawContours(smoothed, smoothContours, 0, color, -1)
return(smoothed)