Kantenerkennung#

In clesperanto sind mehrere Filter zur Kantenerkennung implementiert.

Siehe auch

import pyclesperanto_prototype as cle
from skimage.io import imread
import matplotlib.pyplot as plt

cle.select_device("RTX")

<gfx90c on Platform: AMD Accelerated Parallel Processing (2 refs)>

blobs = imread("../../data/blobs.tif")
blobs.shape

(254, 256)

cle.imshow(blobs)
../_images/697332ed931701bd777704b279b47e121b548544b81f7a635c3783b21c04fb53.png

Sobel-Operator#

siehe auch

blobs_sobel = cle.sobel(blobs)
cle.imshow(blobs_sobel)
../_images/6f78a059d541f817ce00965d380f7561c27cd8d61a9c1d0cd261392d819f8164.png

Laplace-Operator#

siehe auch

blobs_laplace = cle.laplace_box(blobs)
cle.imshow(blobs_laplace)
../_images/97b9899f717c757b0ddca2c1bad676aaf671f2fa3697d9eb8cebc46be9099e88.png

Laplacian of Gaussian#

Auch bekannt als Mexican-Hat-Filter

blobs_laplacian_of_gaussian = cle.laplace_box(cle.gaussian_blur(blobs, sigma_x=1, sigma_y=1))
cle.imshow(blobs_laplacian_of_gaussian)
../_images/4039d3563c2a36f9db4b9be7e26ded824be8eda4d4037357dfcb945cf44ecf2e.png 
blobs_laplacian_of_gaussian = cle.laplace_box(cle.gaussian_blur(blobs, sigma_x=5, sigma_y=5))
cle.imshow(blobs_laplacian_of_gaussian)
../_images/9bd4cce450e487d9177d0a1ecf7113bf18e721495aeb5da88645442a0d7ee226.png

Lokaler Varianzfilter#

blobs_edges = cle.variance_box(blobs, radius_x=5, radius_y=5)
cle.imshow(blobs_edges)
../_images/3c75eedc70e388d2225c1cca24088c11ced4c7a4b45aee2b9c122af42578e3f4.png

Lokale Standardabweichung#

… ist einfach die Quadratwurzel der lokalen Varianz

blobs_edges = cle.standard_deviation_box(blobs, radius_x=5, radius_y=5)
cle.imshow(blobs_edges)
../_images/39b5a73b96057262d6fab7a9d85d9f36478cb83ec7d58fdc22a773b40ac86f9e.png

Kantenerkennung ist nicht Kantenverstärkung#

Intuitiv könnte man einen Kantenerkennungsfilter anwenden, um Kanten in Bildern mit Kanten zu verstärken. Versuchen wir es mit einem Bild, das Membranen zeigt. Es ist übrigens ein 3D-Bild.

image = imread("../../data/EM_C_6_c0.tif")
image.shape

(256, 256, 256)

cle.imshow(image[60])
../_images/756fcdd11282e04ef342228a2a2fd94ed9875e723db8d3b7c1515358353a0ddc.png 
image_sobel = cle.sobel(image)
cle.imshow(image_sobel[60])
../_images/105c5d8c02a5c62db015972a88654442b975ce4cfaeadb386cd35ccb857bf86b.png

Bei genauem Hinsehen können Sie beobachten, dass die Kanten im zweiten Bild etwas dicker sind. Der Kantenerkennungsfilter erkennt zwei Kanten, die ansteigende Signalseite der Membran und die abfallende Signalseite auf der gegenüberliegenden Seite. Lassen Sie uns hineinzoomen:

fig, axs = plt.subplots(1, 2)
cle.imshow(                image[60, 125:145, 135:155], plot=axs[0])
cle.imshow(cle.pull(image_sobel)[60, 125:145, 135:155], plot=axs[1])
../_images/d3fed6be6e92aa6bfb9b673f0b6147e393226ec22a5e933e2fdb494cfdd4402c.png

Verstärken von Kanten#

Daher sind andere Filter nützlicher, um Kanten in einem Membranbild zu verstärken. Verstärkung kann zum Beispiel bedeuten, dass Membranen dicker werden und möglicherweise Lücken geschlossen werden.

Lokale Standardabweichung#

image_std = cle.standard_deviation_box(image, radius_x=5, radius_y=5, radius_z=5)
cle.imshow(image_std[60])
../_images/b6e7b76ab9326c710c8a16b5244ff6f9bb497bc3294d2f85f4f0d2b36dac296b.png

Lokales Maximum#

image_max = cle.maximum_box(image, radius_x=5, radius_y=5, radius_z=5)
cle.imshow(image_max[60])
../_images/61ca117a376d1a7f27388d3ad6474e499ccbcb215e05b5c7a24922d4af457597.png