高斯-大津-标记

到目前为止，我们已经使用了诸如高斯模糊等滤波器、大津法等阈值算法，并使用连通组件标记来标记对象。这三种算法的组合特别常见，以至于有便捷函数可以一次性执行这三个操作。这种图像分割工作流是一种非常简单的方法，例如用于检测和分割荧光显微镜图像中的细胞核。如果对象不太密集，这种方法会很有效。

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

为了演示这个工作流程，我们使用来自Broad生物图像挑战的图像数据： 我们使用了图像集BBBC022v1 Gustafsdottir et al., PLOS ONE, 2013，该数据集可从Broad生物图像基准集合获得 Ljosa et al., Nature Methods, 2012。

我们加载图像，并出于可视化目的，裁剪出一个子区域：

input_image = imread("../../data/BBBC022/IXMtest_A02_s9.tif")[:,:,0]

input_crop = input_image[0:200, 200:400]

fig, axs = plt.subplots(1, 2, figsize=(15, 15))
cle.imshow(input_image, plot=axs[0])
cle.imshow(input_crop, plot=axs[1])

应用算法

高斯-大津-标记是pyclesperanto和可编写脚本的napari插件napari-segment-blobs-and-things-with-membranes中的一个命令。该操作有一个outline_sigma参数，用于控制分割对象轮廓的精确度。

sigma_outline = 1

segmented = cle.gauss_otsu_labeling(input_image, outline_sigma=sigma_outline)
segmented_crop = segmented[0:200, 200:400]

fig, axs = plt.subplots(1, 2, figsize=(15, 15))
cle.imshow(segmented, labels=True, plot=axs[0])
cle.imshow(segmented_crop, labels=True, plot=axs[1])

sigma_outline = 7

segmented = cle.gauss_otsu_labeling(input_image, outline_sigma=sigma_outline)
segmented_crop = segmented[0:200, 200:400]

fig, axs = plt.subplots(1, 2, figsize=(15, 15))
cle.imshow(segmented, labels=True, plot=axs[0])
cle.imshow(segmented_crop, labels=True, plot=axs[1])

如你所见，如果对象太靠近，它们将被一起分割。在这些情况下，建议尝试Voronoi-大津-标记。