劃痕試驗時間序列分析。

圖像處理在當今非常適用，對于2019冠狀病毒疾病，無論是開發治療方法還是尋找檢測病毒的新方法，都給全球的研究人員帶來了新的挑戰。為了對 2019冠狀病毒進行研究，研究人員通常需要對圖像進行大量計算，以檢測有助于得出新見解和結論的特定元素。

在這篇文章中，我將介紹圖像處理的基礎知識和一個小教程，詳細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大的技術。在文章中，我們將使用 scikit-image，因此可能需要 Python 的基本背景知識和一些高等數學知識才能完全理解該概念。

什么是 scikit-image？

scikit-image 是一個專門用于圖像處理的 Python 庫，它可以與 Scipy 庫和其他可能有助于計算的 Python 庫一起使用，為了充分使用 scikit-image，用戶還必須使用 Matplotlib 來顯示轉換后的圖像并進行圖像分析。在本教程中，我們將使用 scikit-image 庫、Matplotlib 和 NumPy 中的特定函數來對劃痕檢測進行分析。

什么是劃痕檢測？

除非我們有豐富的生物學經驗，否則大多數人可能不知道什么是劃痕試驗，我將簡要概述什么是劃痕檢測，然后直接進入教程。

劃痕試驗是生物學家用來跟蹤細胞運動和相互作用的一種技術，具體來說，生物學家在培養皿中采集細胞樣本，并在細胞平面上制造人工傷口，在開發人造傷口后，生物學家會定期拍攝任何細胞運動的圖像，以開發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，因此在開始之前下載此圖像并將其添加到我們的項目目錄中。

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來分離細胞區域和劃痕區域（空白區域）。如我們所見，由于整個圖像的像素值基本相同，因此我們不能僅根據顏色對該圖像進行分割，但是我們可以使用紋理作為參數來確定培養皿的哪個區域有細胞，哪個區域沒有細胞。為此，在開始分割圖像之前，我們將對圖像應用一個特殊的過濾器。

首先，讓我們將所有必要的庫導入我們的 Python 腳本：

然后，導入我們上面提供的圖像，我們在下面的代碼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包來使用imread函數，該函數允許我輸入圖像數據，此函數的工作原理與用于 CSV 文件的 Pandas read_csv 方法完全相同。此外，我們使用了 scikit-image 的形態學包中的熵過濾器，這將允許我們通過搜索某些像素中的無序情況來分析圖像的紋理。如果小伙伴們想進一步了解所有這些函數的功能和參數，請訪問 scikit-image 文檔。我們可以使用磁盤參數，但對于此圖像，磁盤值為 10 時可獲得最佳結果。

現在，我們將應用Otsu閾值濾波器，該濾波器來自skiliage.filters包，這個簡單的單行命令將允許我們應用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像素并將像素分為兩類：背景和前景。一旦我們實際繪制了圖像，我們就會理解其效果。

閾值過濾器只返回單個數字，該值是 Otsu 算法為優化圖像分割計算的精確值，將幫助我們生成最終圖像。

在這行代碼中，我們將變量“binary”設置為熵的所有像素值，然后，我們使用一個邏輯運算符，以便將熵中小于或等于閾值的所有像素值設置為 True。請記住，使用 scikit-image 時，圖像會被轉換為 NumPy ndarrays，因此我們的二進制圖像實際上只是一個數組，這意味著我們可以使用邏輯運算符將浮點閾值與熵的像素值進行比較。在這種情況下，我們的二值圖像會將檢測中沒有細胞的區域設置為 True，將有細胞的區域設置為 False。

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

正如我們在上面的圖像中看到的，熵過濾器在原始圖像中產生了巨大的變化，熵過濾器檢測圖像像素中的微小變化，并根據圖像某些區域的復雜性劃分像素。正如我們在第二張圖片中看到的，黑色條帶代表沒有細胞的區域，而灰色區域代表有細胞的區域。Otsu 過濾器通過實現一個閾值來鞏固這種分割，使我們能夠在劃痕分析的準確時刻準確地定位細胞的位置。

最后，我們可以打印代表檢測中無細胞區域的像素數，以便更好地了解細胞是如何隨著時間移動和增殖的。

補充說明

這個具體的項目對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，在熵過濾器的幫助下，我們能夠生成一個基于紋理處理的圖像，然后我們可以使用 Otsu 閾值來更深入地了解該時間點的細胞位置。

劃痕分析由一個時間序列組成，我們只分析了該時間序列中的一張圖像，生物學家在多個圖像中多次循環此過程，以生成細胞運動的時間序列表示。當他們瀏覽每張圖像時，生物學家會記錄細胞運動和位置的變化，這為他們提供更多有關細胞增殖率和細胞遷移模式的信息。

許多圖像處理過濾器需要復雜的高斯數學知識，而大多數人沒有這方面的經驗，但是 scikit-image 消除了實現此類過濾器所需的高級數學知識。然而，對高斯核和其他此類計算工具的了解，可以讓研究人員獲得預包裝軟件能夠提供的更準確的可視化效果。

我在下面添加了完整的代碼要點。

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者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯黃海廣老師《機器學習課程》視頻課 本站qq群851320808，加入微信群請掃碼：

總結

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內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。