劃痕試驗(yàn)時(shí)間序列分析。

圖像處理在當(dāng)今非常適用，對(duì)于2019冠狀病毒疾病，無(wú)論是開(kāi)發(fā)治療方法還是尋找檢測(cè)病毒的新方法，都給全球的研究人員帶來(lái)了新的挑戰(zhàn)。為了對(duì) 2019冠狀病毒進(jìn)行研究，研究人員通常需要對(duì)圖像進(jìn)行大量計(jì)算，以檢測(cè)有助于得出新見(jiàn)解和結(jié)論的特定元素。

在這篇文章中，我將介紹圖像處理的基礎(chǔ)知識(shí)和一個(gè)小教程，詳細(xì)介紹如何將圖像處理用于閾值和分割，這是圖像處理中兩種非常強(qiáng)大的技術(shù)。在文章中，我們將使用 scikit-image，因此可能需要 Python 的基本背景知識(shí)和一些高等數(shù)學(xué)知識(shí)才能完全理解該概念。

什么是 scikit-image？

scikit-image 是一個(gè)專(zhuān)門(mén)用于圖像處理的 Python 庫(kù)，它可以與 Scipy 庫(kù)和其他可能有助于計(jì)算的 Python 庫(kù)一起使用，為了充分使用 scikit-image，用戶(hù)還必須使用 Matplotlib 來(lái)顯示轉(zhuǎn)換后的圖像并進(jìn)行圖像分析。在本教程中，我們將使用 scikit-image 庫(kù)、Matplotlib 和 NumPy 中的特定函數(shù)來(lái)對(duì)劃痕檢測(cè)進(jìn)行分析。

什么是劃痕檢測(cè)？

除非我們有豐富的生物學(xué)經(jīng)驗(yàn)，否則大多數(shù)人可能不知道什么是劃痕試驗(yàn)，我將簡(jiǎn)要概述什么是劃痕檢測(cè)，然后直接進(jìn)入教程。

劃痕試驗(yàn)是生物學(xué)家用來(lái)跟蹤細(xì)胞運(yùn)動(dòng)和相互作用的一種技術(shù)，具體來(lái)說(shuō)，生物學(xué)家在培養(yǎng)皿中采集細(xì)胞樣本，并在細(xì)胞平面上制造人工傷口，在開(kāi)發(fā)人造傷口后，生物學(xué)家會(huì)定期拍攝任何細(xì)胞運(yùn)動(dòng)的圖像，以開(kāi)發(fā)出一系列用于分析的圖像。

在下面的教程中，我們將處理下面提供的圖像，因此在開(kāi)始之前下載此圖像并將其添加到我們的項(xiàng)目目錄中。

從顯微鏡獲得的劃痕分析圖像

劃痕分析教程

首先，我們需要確定我們要試圖做什么來(lái)處理此圖像，為了從該圖像中獲得更多的信息，我們將使用各種分割技術(shù)來(lái)分離細(xì)胞區(qū)域和劃痕區(qū)域（空白區(qū)域）。如我們所見(jiàn)，由于整個(gè)圖像的像素值基本相同，因此我們不能僅根據(jù)顏色對(duì)該圖像進(jìn)行分割，但是我們可以使用紋理作為參數(shù)來(lái)確定培養(yǎng)皿的哪個(gè)區(qū)域有細(xì)胞，哪個(gè)區(qū)域沒(méi)有細(xì)胞。為此，在開(kāi)始分割圖像之前，我們將對(duì)圖像應(yīng)用一個(gè)特殊的過(guò)濾器。

首先，讓我們將所有必要的庫(kù)導(dǎo)入我們的 Python 腳本：

然后，導(dǎo)入我們上面提供的圖像，我們?cè)谙旅娴拇a片段中將圖像命名為“scratch.jpg”。

在上面的代碼中，我使用了scikit image中的io包來(lái)使用imread函數(shù)，該函數(shù)允許我輸入圖像數(shù)據(jù)，此函數(shù)的工作原理與用于 CSV 文件的 Pandas read_csv 方法完全相同。此外，我們使用了 scikit-image 的形態(tài)學(xué)包中的熵過(guò)濾器，這將允許我們通過(guò)搜索某些像素中的無(wú)序情況來(lái)分析圖像的紋理。如果小伙伴們想進(jìn)一步了解所有這些函數(shù)的功能和參數(shù)，請(qǐng)?jiān)L問(wèn) scikit-image 文檔。我們可以使用磁盤(pán)參數(shù)，但對(duì)于此圖像，磁盤(pán)值為 10 時(shí)可獲得最佳結(jié)果。

現(xiàn)在，我們將應(yīng)用Otsu閾值濾波器，該濾波器來(lái)自skiliage.filters包，這個(gè)簡(jiǎn)單的單行命令將允許我們應(yīng)用Otsu閾值濾波器。Otsu閾值是一種特定算法，它迭代圖像中的每個(gè)像素并將像素分為兩類(lèi)：背景和前景。一旦我們實(shí)際繪制了圖像，我們就會(huì)理解其效果。

閾值過(guò)濾器只返回單個(gè)數(shù)字，該值是 Otsu 算法為優(yōu)化圖像分割計(jì)算的精確值，將幫助我們生成最終圖像。

在這行代碼中，我們將變量“binary”設(shè)置為熵的所有像素值，然后，我們使用一個(gè)邏輯運(yùn)算符，以便將熵中小于或等于閾值的所有像素值設(shè)置為 True。請(qǐng)記住，使用 scikit-image 時(shí)，圖像會(huì)被轉(zhuǎn)換為 NumPy ndarrays，因此我們的二進(jìn)制圖像實(shí)際上只是一個(gè)數(shù)組，這意味著我們可以使用邏輯運(yùn)算符將浮點(diǎn)閾值與熵的像素值進(jìn)行比較。在這種情況下，我們的二值圖像會(huì)將檢測(cè)中沒(méi)有細(xì)胞的區(qū)域設(shè)置為 True，將有細(xì)胞的區(qū)域設(shè)置為 False。

最后，在這里我們可以看到圖像分割的結(jié)果。在這段代碼中，我們定義了一個(gè)子圖，其中將顯示原始圖像、使用熵過(guò)濾器的圖像以及同時(shí)使用熵過(guò)濾器和 Otsu 過(guò)濾器的圖像。“帶?Otsu?過(guò)濾器的分段試驗(yàn)”圖像將是我們劃痕試驗(yàn)分析的最終結(jié)果，讓我們看看所有這些代碼的輸出：

正如我們?cè)谏厦娴膱D像中看到的，熵過(guò)濾器在原始圖像中產(chǎn)生了巨大的變化，熵過(guò)濾器檢測(cè)圖像像素中的微小變化，并根據(jù)圖像某些區(qū)域的復(fù)雜性劃分像素。正如我們?cè)诘诙垐D片中看到的，黑色條帶代表沒(méi)有細(xì)胞的區(qū)域，而灰色區(qū)域代表有細(xì)胞的區(qū)域。Otsu 過(guò)濾器通過(guò)實(shí)現(xiàn)一個(gè)閾值來(lái)鞏固這種分割，使我們能夠在劃痕分析的準(zhǔn)確時(shí)刻準(zhǔn)確地定位細(xì)胞的位置。

最后，我們可以打印代表檢測(cè)中無(wú)細(xì)胞區(qū)域的像素?cái)?shù)，以便更好地了解細(xì)胞是如何隨著時(shí)間移動(dòng)和增殖的。

補(bǔ)充說(shuō)明

這個(gè)具體的項(xiàng)目對(duì)于理解圖像處理的一些基本方面非常有用，由于所有像素具有相同的 RGB 值，因此在本教程中分析的圖像非常難以分割。然而，在熵過(guò)濾器的幫助下，我們能夠生成一個(gè)基于紋理處理的圖像，然后我們可以使用 Otsu 閾值來(lái)更深入地了解該時(shí)間點(diǎn)的細(xì)胞位置。

劃痕分析由一個(gè)時(shí)間序列組成，我們只分析了該時(shí)間序列中的一張圖像，生物學(xué)家在多個(gè)圖像中多次循環(huán)此過(guò)程，以生成細(xì)胞運(yùn)動(dòng)的時(shí)間序列表示。當(dāng)他們?yōu)g覽每張圖像時(shí)，生物學(xué)家會(huì)記錄細(xì)胞運(yùn)動(dòng)和位置的變化，這為他們提供更多有關(guān)細(xì)胞增殖率和細(xì)胞遷移模式的信息。

許多圖像處理過(guò)濾器需要復(fù)雜的高斯數(shù)學(xué)知識(shí)，而大多數(shù)人沒(méi)有這方面的經(jīng)驗(yàn)，但是 scikit-image 消除了實(shí)現(xiàn)此類(lèi)過(guò)濾器所需的高級(jí)數(shù)學(xué)知識(shí)。然而，對(duì)高斯核和其他此類(lèi)計(jì)算工具的了解，可以讓研究人員獲得預(yù)包裝軟件能夠提供的更準(zhǔn)確的可視化效果。

我在下面添加了完整的代碼要點(diǎn)。

代碼

In [ ]: from skimage.filters.rank import entropy from skimage.morphology import disk from skimage.filters import threshold_otsu from skimage import io import matplotlib.pyplot as plt import numpy as np import skimage In [ ]: img = io.imread('images/scratch.jpg') # Reading Image entropy_img = entropy(img, disk(10)) # Applying entropy filter for better segmentation In [ ]: thresh = threshold_otsu(entropy_img) # Applying Otsu filter for optimal thresholding In [ ]: # Creating image in which all pixels with value less than threshold is equal to true binary = entropy_img <= thresh # Composed of 0s and 1s (False and True) In [ ]: # Displaying Images fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(12,10))ax[0].imshow(img) ax[0].set_title("Original Assay")ax[1].imshow(entropy_img) ax[1].set_title("Assay w/ Entropy Filter")ax[2].imshow(binary) ax[2].set_title("Segmented Assay w Otsu Filter") In [ ]: print(np.sum(binary == 1)) # the number of pixels that correspond to the clear space in the assay 往期精彩回顧適合初學(xué)者入門(mén)人工智能的路線(xiàn)及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線(xiàn)手冊(cè)深度學(xué)習(xí)筆記專(zhuān)輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專(zhuān)輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專(zhuān)輯黃海廣老師《機(jī)器學(xué)習(xí)課程》視頻課 本站qq群851320808，加入微信群請(qǐng)掃碼：

總結(jié)

以上是生活随笔為你收集整理的【CV】使用 scikit-image 进行图像处理的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。