标签图像优化

类似于对二值图像进行形态学操作，对标签图像也可以进行优化。本notebook展示了如何实现这一点。

另请参阅

• scikit-image的无重叠扩展分割标签教程

import pyclesperanto_prototype as cle
import numpy as np
from skimage.io import imread

label_image = cle.gauss_otsu_labeling(imread("../../data/mitosis_mod.tif"), outline_sigma=0)
label_image

cle._ image shape (70, 70) dtype uint32 size 19.1 kB min 0.0 max 13.0

侵蚀标签

在侵蚀标签时，我们需要注意对象可能会分裂成两个。这可能是有意为之的，例如为了区分上面例子中接触的细胞核。

eroded_label_image = cle.erode_labels(label_image,
                                      radius=2,
                                      relabel_islands=False)
eroded_label_image

cle._ image shape (70, 70) dtype uint32 size 19.1 kB min 0.0 max 9.0

eroded_label_image2 = cle.erode_labels(label_image,
                                      radius=2,
                                      relabel_islands=True)
eroded_label_image2

cle._ image shape (70, 70) dtype uint32 size 19.1 kB min 0.0 max 10.0

膨胀标签

然后我们可以再次膨胀标签，使其大致恢复到原始大小。如果分割的对象普遍太小，这也可能很有用。

dilated_label_image = cle.dilate_labels(eroded_label_image2, 
                                        radius=2)
dilated_label_image

cle._ image shape (70, 70) dtype uint32 size 19.1 kB min 0.0 max 10.0

开运算和闭运算标签

标签图像的开运算和闭运算与二值图像类似。唯一的区别是当标签接触时，它们不能再扩展。

请注意，开运算标签可能会使小标签消失。

opened_label_image = cle.opening_labels(label_image,
                                        radius=2)
opened_label_image

cle._ image shape (70, 70) dtype uint32 size 19.1 kB min 0.0 max 9.0

closed_label_image = cle.closing_labels(label_image,
                                        radius=2)
closed_label_image

cle._ image shape (70, 70) dtype uint32 size 19.1 kB min 0.0 max 13.0

练习

使用上面介绍的操作，使这个标签图像中的小对象消失。

label_blobs = cle.asarray(imread("../../data/blobs_labeled.tif")).astype(np.uint32)
label_blobs

cle._ image shape (254, 256) dtype uint32 size 254.0 kB min 0.0 max 63.0