我怎样才能做这样的分割答案

【问题标题】：How can I do a segmentation like this我怎样才能做这样的分割
【发布时间】：2020-08-17 12:12:40
【问题描述】：

在this work：Montouro 等人指定了一种分割 OCT 图像的方法，如下所示：

我想做一个类似的细分，但我不知道怎么做。这是我尝试过的：

# load image 
img = cv2.imread('OCT.jpeg')

# define colors
color1 = (255,0,0)
color2 = (255,128,128)
color3 = (0,92,0)
color4 = (128,192,255)
color5 = (0,164,255)
color6 = (122,167,141)
color7 = (0,255,0)
color8 = (0,0,255)

# build 8 color image of size 256x1 in blocks of 32
lut = np.zeros([1, 256, 3], dtype=np.uint8)
lut[:, 0:32] = color1
lut[:, 32:64] = color2
lut[:, 64:96] = color4
lut[:, 96:128] = color5
lut[:, 128:160] = color6
lut[:, 160:192] = color7
lut[:, 192:256] = color8

# apply lut
result = cv2.LUT(img, lut)

# save result
cv2.imwrite('lut.png', lut)
cv2.imwrite('OCT_colorized.png', result)

我得到了这个结果：

这不是我想要的。我怎样才能重现 Montuoro 等人在他们的工作中所做的事情？

【问题讨论】：

看来您必须使用深度学习进行多类分割，请参阅此Link，希望对您有用

标签： python image computer-vision image-segmentation image-preprocessing

【解决方案1】：

在您的方法中，永远不可能正确分割图像。您可以将您的代码应用在每个实例都有唯一标签的地面实况图像中，在这种情况下它会起作用。如果您不想使用深度学习，可以尝试使用multi class ostu thresholding，尽管这种类型的计算机视觉算法性能会很差。如果您想手动使用labelme 是可以使用的，并且可以在线获得许多工具。为了获得最佳可视化效果（制作任何表格或图形），您可以尝试深度学习 (Link1 Link2) 或手动分割。

【讨论】：

【解决方案2】：

冒着听起来很傻的风险，您可以尝试几个步骤。

首先，尝试使用您的颜色和分割边界。对于您的硬编码示例，您有蓝色而不是浅蓝色等。此外，您正在以均匀间隔的数字（每 32 个像素值）制作色带，但各种组件的含义决定了不同的色带。例如，与您的深蓝色混合的 color2 表明第一个波段太窄。将其作为探索该数据的一种方式。也许看看直方图，看看会跳出什么。

这可能无法为您提供所显示的精美图片。这种分割似乎是在计算上完成的，而不仅仅是像素值。生物学很混乱。传感器很乱。努力通过强制分割是连续的来清理这个。这有时也可能是错误的根源。

第一部分，选择哪些像素以哪种方式，有时称为颜色映射，使用 NumPy 的ListedColormap。第二部分，学习如何分割图像以制作可呈现的水肿，通常是图像分割，可能需要一些深度学习。

【讨论】：

【解决方案3】：

问题中引用的论文解释了一种非常详细的图像分割方法。文中解释了in this schematic。

来自论文：

...建议的方法包括以下步骤：首先，基于图像的特征从原始 OCT 数据中提取并用于与手动标签一起训练基本体素分类器。这然后使用得到的概率图来执行初始表面分割并提取各种基于上下文的特征。第二，这些功能与基于图像的功能结合使用训练另一个分类器。这种基于上下文的特征提取和额外的分类器训练然后迭代地重复多次自动上下文循环中的次数。

如果您正在寻找类似的结果，您应该查看作者已经实现并复制它。论文中有足够的细节来构建作者创建的内容。

【讨论】：