Question

Я пытаюсь реализовать идентификацию opti c идентификации нервной глиомы с использованием python и openCV.

Мне нужно выполнить следующие шаги, чтобы успешно классифицировать нервную глиому opti c.

Найдите самую яркую часть изображения и поместите в нее круг, используя cv2.circle - Готово
Рассчитайте белую часть изображения внутри cv2. кружок - нужна помощь

Вот мой код для определения самой яркой части изображения

gray = cv2.GaussianBlur(gray, (371, 371), 0)
(minVal, maxVal, minLoc, maxLoc) = cv2.minMaxLoc(gray)
image = orig.copy()
cv2.circle(image, maxLoc, 371, (255, 0, 0), 2)

sought = [254,254,254]
amount = 0

for x in range(image.shape[0]):
    for y in range(image.shape[1]):
        b, g, r = image[x, y]
        if (b, g, r) == sought:
            amount += 1

print(amount)

image = imutils.resize(image, width=400)

# display the results of our newly improved method
cv2.imshow("Optic Image", image)
cv2.waitKey(0)

Приведенный выше код возвращает следующий вывод

Сейчас я пытаюсь определить размер белой области изображения внутри cv2.circle.

Спасибо большое!

fmw42 · Answer 1 · 28 февраля 2020

Я не уверен, что вы считаете «белым», но вот один из способов подсчета в Python / OpenCV. Просто прочитайте изображение. Преобразовать в оттенки серого. Порог это на каком-то уровне. Затем просто посчитайте количество белых пикселей в пороговом изображении.

Если я буду использовать ваше выходное изображение для ввода (после удаления белой границы):

import cv2
import numpy as np

# read image
img = cv2.imread('optic.png')

# convert to HSV and extract saturation channel
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

# threshold
thresh = cv2.threshold(gray, 175, 255, cv2.THRESH_BINARY)[1]

# count number of white pixels
count = np.sum(np.where(thresh == 255))
print("count =",count)

# write result to disk
cv2.imwrite("optic_thresh.png", thresh)

# display it
cv2.imshow("IMAGE", img)
cv2.imshow("THRESH", thresh)
cv2.waitKey(0)

пороговое изображение:

Количество белых пикселей в пороге:

count = 1025729

fmw42 · Answer 2 · 29 февраля 2020

Я все еще не уверен, что вы считаете белым, а что желтым кругом. Но вот еще одна попытка использования Python / OpenCV.

Считывание ввода
Преобразование ввода в диапазон от 0 до 1 как данные 1D
Использование кластеризации kmeans для уменьшить количество цветов и преобразовать обратно в диапазон от 0 до 255 в качестве 2D-изображения
. Использовать пороговое значение цвета inRange, чтобы выделить «желтую» область
Очистить ее с помощью морфологии и получить контур
Получите минимальный центр и радиус окружающего круга и немного сместите центр
Нарисуйте незаполненный белый круг на входе
Нарисуйте белый заполненный круг на черном фоне в виде круга маска для желтой области
Преобразование входных данных в оттенки серого
Порог для изображения в градациях серого
Применение маски к изображению в градациях серого
Подсчет количества белые пиксели

Ввод:

import cv2
import numpy as np
from sklearn import cluster

# read image
img = cv2.imread('optic.png')
h, w, c = img.shape

# convert to range 0 to 1
image = img.copy()/255

# reshape to 1D array
image_1d = image.reshape(h*w, c)

# do kmeans processing
kmeans_cluster = cluster.KMeans(n_clusters=int(5))
kmeans_cluster.fit(image_1d)
cluster_centers = kmeans_cluster.cluster_centers_
cluster_labels = kmeans_cluster.labels_

# need to scale result back to range 0-255
newimage = cluster_centers[cluster_labels].reshape(h, w, c)*255.0
newimage = newimage.astype('uint8')

# threshold brightest region
lowcolor = (150,180,230)
highcolor = (170,200,250)
thresh1 = cv2.inRange(newimage, lowcolor, highcolor)

# apply morphology open and close
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7,7))
thresh1 = cv2.morphologyEx(thresh1, cv2.MORPH_OPEN, kernel, iterations=1)
thresh1 = cv2.morphologyEx(thresh1, cv2.MORPH_CLOSE, kernel, iterations=1)

# get contour
cntrs = cv2.findContours(thresh1, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cntrs = cntrs[0] if len(cntrs) == 2 else cntrs[1]
c = cntrs[0]

# get enclosing circle and bias center, if desired, since it is slightly offset (or alternately, increase the radius)
bias = 5
center, radius = cv2.minEnclosingCircle(c)
cx = int(round(center[0]))-bias
cy = int(round(center[1]))+bias
rr = int(round(radius))

# draw filled circle over black and also outline circle over input
mask = np.zeros_like(img)
cv2.circle(mask, (cx,cy), rr, (255, 255, 255), -1)
circle = img.copy()
cv2.circle(circle, (cx,cy), rr, (255, 255, 255), 1)

# convert to gray
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

# threshold gray image
thresh2 = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY)[1]

# apply mask to thresh2
thresh2 = cv2.bitwise_and(thresh2, mask[:,:,0])

# count number of white pixels
count = np.sum(np.where(thresh2 == 255))
print("count =",count)

# write result to disk
#cv2.imwrite("optic_thresh.png", thresh)
cv2.imwrite("optic_kmeans.png", newimage)
cv2.imwrite("optic_thresh1.png", thresh1)
cv2.imwrite("optic_mask.png", mask)
cv2.imwrite("optic_circle.png", circle)
cv2.imwrite("optic_thresh2.png", thresh2)

# display it
cv2.imshow("IMAGE", img)
cv2.imshow("KMEANS", newimage)
cv2.imshow("THRESH1", thresh1)
cv2.imshow("MASK", mask)
cv2.imshow("CIRCLE", circle)
cv2.imshow("GRAY", gray)
cv2.imshow("THRESH2", thresh2)
cv2.waitKey(0)

kmeans image: