连通对象的图像分割与分水岭算法

Question

我正在尝试分离连接的对象。似乎Python和分水岭算法（scipy实现）很适合处理这个问题。

这是我的图片以及自动生成的分水岭种子点（阈值化和距离变换图像的局部最大值）：

seeds = myGenSeeds( image_grey )

到目前为止，每个对象都有一个种子，一切都很顺利。

然而，当我运行分水岭时，问题就出现了：

segmented = ndimage.measurements.watershed_ift( 255 - image_grey, seeds)`

顶部中间的簇和中心簇都未分离。在顶部簇中，一个对象围绕其他两个对象浸泡。在中心簇中，虽然可能在这里看起来太小，但中心种子只覆盖了少量像素。

我有两个问题：

1. 分水岭算法是否是分离这样的对象的好选择？
2. 如果是，请问我需要进行某种预处理才能使图像更适合分水岭分割？

- ajwood

Answer 1

我发现这个帖子是因为我也遇到了与“watershed_ift”相同的问题。我建议只使用“skimage.morphology”中的“watershed”函数。它接受浮点输入，因此您不会在灰度图像上失去分辨率，并且它实际上会淹没整个流域，而“ift”方法似乎只会淹没标记所在的等值线。

编辑：一定要将距离变换乘以-1，使峰值变成山谷，否则您将得不到任何分水岭！

- 2cynykyl

Answer 2

分水岭算法是一种简单而强大的分割算法。就我所看到的数据而言，它似乎适用于这种类型的分割算法，不需要特殊的预处理。当然，你已经发现在某些情况下可能会有点困难。

分水岭通常被使用，但它并不考虑你想要识别的对象的任何特殊知识。因此可能存在更复杂的算法可供选择。

此外，可能还有更复杂的分水岭算法版本可供选择。这个名为Watershed 2.0的Python模块具有参数（与scipy版本不同）。我会微调参数，看看结果是否可以改善。 Ilastik 是一个常用于自动分割的工具。它包含半自动学习（基本上你通过给出示例来训练它，并从中学习重要特征）。

- Trilarion

Answer 3

在距离变换步骤之后，您应该应用多级阈值法。在将距离转换图像转换为灰度级图像后，对象的中心将具有最高的像素值。在从阈值的最高值开始查找对象的中心。您可以在此处找到论文https://www.researchgate.net/publication/303703322_A_Multi-level_Thresholding_Based_Segmentation_Method_for_Microscopic_Fluorescence_In_Situ_Hybridization_FISH_Images。

- FishCoder