從分割的影像中去除白色邊框

我試圖通過以下代碼使用Kmeans對肺部CT影像進行分割：

def process_mask（mask）。 convex_mask = np.copy(mask) for i_layer in range(convex_mask.shape[0] ）。) mask1 = np.ascontiguousarray(mask[i_layer]) if np.sum（mask1）>0。 mask2 = convex_hull_image(mask1) if np.sum(mask2)>2*np.sum（mask1）。 mask2 = mask1 else: mask2 = mask1 convex_mask[i_layer] = mask2 struct = generate_binary_structure(3,1) dilatedMask = binary_dilation(convex_mask,structure=struct,iterations=10) return dilatedMask def lumTrans（img）。 lungwin = np.array([-1200.,600.] ) newimg = (img-lungwin[0])/(lungwin[1]-lungwin[0] ) newimg[newimg<0]=0。 newimg[newimg>1]=1 newimg = (newimg*255).astype('uint8'/span>) return newimg def lungSeg（imgs_to_process,output,name）。 if os.path.existence(output '/' name '_clean.npy') : 回傳。 imgs_to_process = Image.open(imgs_to_process) img_to_save = imgs_to_process.copy() img_to_save = np.asarray(img_to_save).astype('uint8') imgs_to_process = lumTrans(imgs_to_process) imgs_to_process = np.expand_dims(imgs_to_process, axis=0) x,y,z = imgs_to_process.shape img_array = imgs_to_process.copy() A1 = int（y/(512./100）) A2 = int（y/(512./400）) A3 = int(y/(512./475) A4 = int（y/(512./40）) A5 = int（y/(512./470）) for i in range（len（imgs_to_process））。 img = imgs_to_process[i] 。 print(img.shape) x,y = img.shape #Standardize the pixel values（像素值標準化 allmean = np.mean(img) allstd = np.std(img) img = img-allmean img = img/allstd # 查找肺部附近的平均像素值。 # 對沖刷過的影像進行重新標準化處理。 middle = img[A1:A2,A1:A2] Mean = np.mean(middle) max = np.max(img) min = np.min(img) kmeans = KMeans(n_clusters=2).fit(np.reshape(middle,[np.prod(middle.shape),1] ) centers = sorted(kmeans.cluster_centers_.flatten() ) threshold = np.mean(center) thresh_img = np.where(img<threshold,1.0，0.0) # threshold the image eroded = morphology.erosion(thresh_img,np.ones([4,4] ) dilation = morphology.dilation(eroded,np.ones([10,10] ) label = measure.label(dilation) label_vals = np.unique(labels) regions = measure.regionprops(labels) good_labels = [] for prop in regions: B = prop.bbox if B[2]-B[0]< A3 and B[3]-B[1]< A3 and B[0]>A4 and B[2]<A5。 Good_labels.append(prop.label) mask = np.ndarray([x,y],dtype=np.int8) mask[:] =0 for N in good_labels: mask = mask np.where(labs==N,1,0) mask = morphology.dilation(mask,np.ones([10,10] ) #最后一次擴張。 imgs_to_process[i] = mask m1 = imgs_to_process convex_mask = m1 dm1 = process_mask(m1) 擴張的Mask = dm1 面罩 = m1 extramask = dilatedMask ^ Mask bone_thresh = 180 pad_value =0 img_array[np.isnan(img_array)]=-2000 sliceim = img_array sliceim = sliceim*dilatedMask pad_value*(1-dilatedMask).astype('uint8') bones = sliceim*extramask>bone_thresh sliceim[bones] = pad_value x,y,z = sliceim.shape if not os.path.exists(output): os.makedirs(output) img_to_save[sliceim.squeeze()==0] =0 im = Image.fromarray(img_to_save) im.save(output name ' .png', 'PNG')

問題是分割后的肺部仍然包含白色的邊框，就像這樣：

分割后的肺部仍然包含白色的邊框。

分割的肺（輸出）：

未分割的肺（輸入）：

完整的代碼可以在Google Colab Notebook中找到。代碼.

而資料集的樣本是這里。

uj5u.com熱心網友回復：

對于這個問題，我不建議使用Kmeans顏色量化，因為這種技術通常是保留給有各種顏色的情況下，你想把它們分割成主導色塊。請看這個涉及分割看起來相似的顏色區域的上一個答案的典型用例。由于您的CT掃描影像是灰度的，所以Kmeans的性能并不理想。這里有一個潛在的解決方案，使用OpenCV進行簡單的影像處理：

1. 獲得二進制影像。加載輸入影像，轉換為灰度cv2.cvtColor()，Otsu的閾值cv2.threshold()以獲得二進制影像，并查找輪廓cv2.findContours()。

2. 創建一個空白掩碼來提取所需的物件。我們可以使用np.zeros()來創建一個與輸入影像大小相同的空掩碼。

3. 使用輪廓面積和長寬比過濾輪廓。我們通過確保輪廓在指定的面積閾值以及長寬比內來搜索肺部物件。我們使用cv2.contourArea()、cv2.arcLength()和cv2.actroxPolyDP()進行輪廓周長和輪廓形狀近似。如果我們已經找到了我們的肺部物件，我們利用cv2.drawContours來用白色填充我們的掩碼，以表示我們要提取的物件。

4. 與原始影像的位數和掩碼。最后，我們將掩碼轉換為灰度，并用cv2.bitwise_and()來獲得我們的結果。

檢測到的要提取的物件以綠色突出顯示 -> 填充掩碼

Bitwise-and to get our result -> Optional result with white background instead

代碼

import cv2
import numpy as np

image = cv2.imread('1.png')
Highlight = image.copy()
原始 = image.copy()

# 將影像轉換成灰度，大津的閾值，并找到輪廓線。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(grey, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU) [1]
Contours = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contours = contours[0] if len(contours) == 2 else Contours[1]

# 創建黑色掩碼以提取所需物件
mask = np.zeros(image.shape, dtype=np.uint8)

# 通過使用輪廓面積和長寬比進行過濾來搜索物件。
for c in輪廓線。
    # Contour area 等高線的面積
    area = cv2.contourArea(c)
    # Contour perimeter等高線的周長True)
    # Contour approximation 輪廓線的近似度
    approx = cv2. approxPolyDP(c, 0.035 * peri, True)
    (x, y, w, h) = cv2.boundingRect( approx)
    aspect_ratio = w / float(h)
    # 如果通過過濾器，則在蒙版上繪制填充的輪廓。
    # These are arbitary values, may need to change depending on input image[/span].
    if aspect_ratio <= 1.2 or area < 5000:
        cv2.drawContours(highlight, [c], 0, (0,255, 0), -1)
        cv2.drawContours(mask, [c], 0, (255,255, 255), -1)

# 將3通道掩碼轉換為灰度，然后用原影像進行位元化處理，以獲得結果。
mask = cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)
result = cv2.bitwise_and(original, original, mask=mask)

# Uncomment if you want background to be white instead of black[/span
# result[mask==0] = (255,255,255)

# 顯示
cv2.imshow('gray', gray)
cv2.imshow('thresh', thresh)
cv2.imshow('highlight', highlight)
cv2.imshow('mask', mask)
cv2.imshow('result', result)

# 保存影像# cv2.imwrite('grey.png', gray)。
# cv2.imwrite('thresh.png', thresh)
# cv2.imwrite('highlight.png', highlight)
# cv2.imwrite('mask.png', mask)
# cv2.imwrite('result.png', result)
cv2.waitKey(0)

uj5u.com熱心網友回復：

解決這個問題的一個更簡單的方法是使用形態學侵蝕。它只是比你將不得不在閾值中進行調整

標籤：

上一篇：如何從C 發送WM_COPYDATA到AutoHotKey？

下一篇：如何在Windows中通過隨機分層的源影像自動生成合成影像？