Labelbilder

Konzeptionell sind Labelbilder eine Erweiterung von Binärbildern. In einem Labelbild entsprechen alle Pixel mit dem Wert 0 dem Hintergrund, einem speziellen Bereich, der nicht als Objekt betrachtet wird. Pixel mit einem Wert größer als 0 zeigen an, dass der Pixel zu einem Objekt gehört und identifizieren dieses Objekt mit der gegebenen Nummer. Ein Pixel mit dem Wert 1 gehört zum ersten Objekt und Pixel mit dem Wert 2 gehören zu einem zweiten Objekt und so weiter. Idealerweise werden Objekte aufeinanderfolgend markiert, da dann die maximale Intensität in einem Labelbild der Anzahl der markierten Objekte in diesem Bild entspricht.

Zusammenhangskomponenten-Labeling

Wir können technisch beide Alternativen für das Labeling von Zusammenhangskomponenten verwenden, abhängig von der Konnektivität, die in der label-Funktion verwendet wird.

Konnektivität

1. von Neumann, 4-verbunden

2. Moore, 8-verbunden

4-verbundenes Komponenten-Labeling

Siehe auch

• Zusammenhangskomponenten-Labeling

Wir beginnen mit einem selbst erstellten Binärbild.

import numpy as np
import pyclesperanto_prototype as cle
from pyclesperanto_prototype import imshow

binary_image = np.asarray([
    [1, 1, 0, 0, 0, 0 ,0],
    [0, 0, 1, 0, 0, 0 ,0],
    [0, 0, 0, 1, 1, 1 ,0],
    [0, 0, 0, 1, 1, 1 ,0],
    [1, 1, 0, 0, 0, 0 ,0],
    [1, 1, 0, 0, 1, 1 ,1],
    [1, 1, 0, 0, 1, 1 ,1],    
])

imshow(binary_image, color_map='Greys_r')

c:\structure\code\pyclesperanto_prototype\pyclesperanto_prototype\_tier9\_imshow.py:14: UserWarning: The imshow parameter color_map is deprecated. Use colormap instead.
  warnings.warn("The imshow parameter color_map is deprecated. Use colormap instead.")

Dieses Binärbild kann auf zwei Arten interpretiert werden: Entweder gibt es fünf Rechtecke mit einer Größe zwischen 1 und 6 Pixeln. Alternativ gibt es zwei Rechtecke mit der Größe 6 und eine schlangenförmige Struktur mit der Größe von 9 Pixeln.

from skimage.measure import label
labeled_4_connected = label(binary_image, connectivity=1)

imshow(labeled_4_connected, labels=True)

8-verbundenes Komponenten-Labeling

from skimage.measure import label
labeled_8_connected = label(binary_image, connectivity=2)

imshow(labeled_8_connected, labels=True)

In der Praxis ist für das Zählen von Zellen die Konnektivität nicht so wichtig. Deshalb wird der Konnektivitätsparameter oft nicht angegeben.

Zusammenhangskomponenten-Labeling in clesperanto

In clesperanto sind beide Konnektivitätsoptionen für das Zusammenhangskomponenten-Labeling in zwei verschiedenen Funktionen implementiert. Beim Labeling von Objekten mit der 4-verbundenen Pixelnachbarschaft betrachten wir die “Diamant”-Nachbarschaft aller Pixel.

labeled_4_connected2 = cle.connected_components_labeling_diamond(binary_image)

imshow(labeled_4_connected2, labels=True)

Die 8-verbundene Nachbarschaft betrachtet eine “Box” um alle Pixel herum.

labeled_8_connected2 = cle.connected_components_labeling_box(binary_image)

imshow(labeled_8_connected2, labels=True)

Labeling in der Praxis

Um das Labeling in einem praktischen Anwendungsfall zu demonstrieren, labeln wir das blobs.tif-Bild.

# Daten laden
from skimage.io import imread
blobs = imread("../../data/blobs.tif")

# Schwellenwertbildung
from skimage.filters import threshold_otsu
threshold = threshold_otsu(blobs)
binary_blobs = blobs > threshold

# Zusammenhangskomponenten-Labeling
from skimage.measure import label
labeled_blobs = label(binary_blobs)

# Visualisierung
import matplotlib.pyplot as plt
fig, axs = plt.subplots(1, 3, figsize=(15,15))

cle.imshow(blobs, plot=axs[0])
cle.imshow(binary_blobs, plot=axs[1])
cle.imshow(labeled_blobs, plot=axs[2], labels=True)

Übung

Finden Sie experimentell heraus, was die Standardeinstellung des Konnektivitätsparameters der Funktion skimage.measure.label ist.