使用机器学习合并对象#
ObjectMerger是apoc库中的一个随机森林分类器，它可以学习哪些标签需要合并，哪些不需要。它允许在对象被（有意或无意地）过度分割后对标签图像进行后处理。
import apoc
from skimage.io import imread, imshow
import pyclesperanto_prototype as cle
import numpy as np
一个常见的例子可以从显示细胞膜强度的图像中得到。
image = imread('../../data/membrane2d.tif')
cle.asarray(image)
|
cle._ image
|
由于膜在图像的不同区域具有不同的强度，我们首先需要对此进行校正。
background_subtracted = cle.divide_by_gaussian_background(image, sigma_x=10, sigma_y=10)
background_subtracted
|
cle._ image
|
出于技术原因，还建议将强度图像转换为整数类型的图像。因此，可能需要进行归一化。重要的是，用于训练和用于预测的图像应具有相同范围的强度。
oversegmented = imread("../../data/membrane2d_oversegmented.tif")
cle.asarray(oversegmented).astype(np.uint32)
|
cle._ image
|
注释用于告诉算法哪些分割对象应该合并，哪些不应该。
annotation = imread("../../data/membrane2d_merge_annotation.tif")
cle.asarray(annotation).astype(np.uint32)
|
cle._ image
|
为了可视化，我们可以将注释与膜图像叠加。
cle.imshow(background_subtracted, max_display_intensity=4, continue_drawing=True)
cle.imshow(annotation, alpha=0.6, labels=True)
为了更清楚地显示需要注释的内容，我们还叠加了标签边缘图像和注释。请注意，不应合并的边缘是小点，始终仔细地只注释两个对象（不应合并的对象）。
cle.imshow(cle.detect_label_edges(oversegmented), continue_drawing=True)
cle.imshow(annotation, alpha=0.6, labels=True)
训练合并器#
LabelMerger可以使用三个特征进行训练：
touch_portion：一个对象接触另一个对象的相对数量。例如，在对称的蜂窝状组织中，相邻细胞之间的接触比例为1/6。touch_count：对象接触的像素数。使用此参数时，确保用于训练和预测的图像具有相同的体素大小。mean_touch_intensity：接触对象之间的平均强度。如果一个细胞被过度分割，在该细胞内会发现多个对象。这些对象接触的区域比两个细胞接触的区域具有较低的强度。因此，它们可以被区分。如上所示的图像归一化是关键。centroid_distance：标记对象的质心之间的距离（以像素或体素为单位）。
注意：大多数特征建议仅在各向同性图像中使用。
feature_definition = "touch_portion mean_touch_intensity"
classifier_filename = "label_merger.cl"
apoc.erase_classifier(classifier_filename)
classifier = apoc.ObjectMerger(opencl_filename=classifier_filename)
classifier.train(features=feature_definition,
labels=oversegmented,
sparse_annotation=annotation,
image=background_subtracted)
merged_labels = classifier.predict(labels=oversegmented, image=background_subtracted)
merged_labels
|
cle._ image
|