具有广泛强度值的图像分割（Otsu 阈值）答案

【问题标题】：Image segmentation with a wide range of intensity values (Otsu thresholding)具有广泛强度值的图像分割（Otsu 阈值）
【发布时间】：2023-02-10 13:57:21
【问题描述】：

我有这样的原始显微镜图像：

我想分割对象，因为你看到其中一些非常接近并且我有很大范围的强度值。

背景：700 a.u.

荧光形状：从 7000 到 32000 a.u.

为了分割它们，我使用了 skimage 包中的 Otsu 二进制分割（没有事先处理图像）

thresh, imgthresh=cv2.threshold(图像, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

结果非常好，但仍然无法将最亮的形状检测为单个对象。

我尝试了很多东西：分水岭算法、图像预处理（模糊）、侵蚀、自适应阈值处理，但没有任何效果正常，因为主要问题是图像荧光值的差异。

关于如何解决这个问题的任何聪明想法？

【问题讨论】：

请向我们展示您的二值化结果。
你想看数组吗？
你怎么称呼数组？
什么是“a.u.”以及如何将它们存储在常规图像中？
一个。是对应于图像中任何像素的强度值的任意单位。

标签： python image-processing image-segmentation

【解决方案1】：

由于您的数据具有如此大的强度值范围，因此在整个图像上基于单一直方图的方法（例如 Otsu）在完成此任务时会遇到一些麻烦。我认为你最好的选择是：

threshold_multiotsu：并根据强度“簇”的数量选择类别数量。不幸的是，您可能需要逐个图像地更改类的数量，因此这不是超级稳健的。
threshold_local：我知道你说过你尝试过这个，但你可能会重新访问它并更改 block_size 参数，直到你得到看起来合理的东西。根据您的示例图像（并假设一点关于为什么您的示例图像中的对象是绿色的）看起来空间上彼此接近的对象通常具有相似的强度值。此外，您可能不必像在选项 1 中那样检查和更改参数。
我怀疑这些将是最简单和最直接的方法，但您也可以使用 skimage.feature 中的内容深入研究识别对象边缘，然后填充对象。也许像这里的大纲：https://scikit-image.org/docs/stable/auto_examples/features_detection/plot_blob.html。这会涉及更多一些，但这些方法应该更稳健，可以识别强度值变化很大的物体。

如果一切都失败了，你可以尝试几个 SOTA 包。我想到的主要是https://github.com/stardist/stardist 和https://github.com/MouseLand/cellpose，但根据此处的示例数据，这些似乎有点矫枉过正。

【讨论】：