标签的区域属性#
在这个笔记本中，我们根据标签属性的平均值和标准差来表征标签，例如大小。如果相似大小的对象是邻居，它们的大小标准差就低。如果不同大小的标签是邻居，它们的大小标准差就会更高。这可以用来识别组织中不同大小的细胞相遇的区域。
from skimage.io import imread
import pyclesperanto_prototype as cle
import stackview
我们在这里使用的数据源自maize_clsm.tif，该数据来自这里，这是David Legland在CC-BY 4.0许可下共享的图像
image = imread("../../data/maize_clsm.tif")
stackview.insight(image)
|
|
相应的标签图像如下所示：
labels = imread("../../data/maize_clsm_labels.tif")
labels = cle.exclude_small_labels(labels, maximum_size=200)
labels = cle.extend_labeling_via_voronoi(labels)
labels
|
cle._ image
|
测量大小#
首先，我们需要量化对象的大小。我们可以立即将这些测量结果可视化为参数图像。
size_map_image = cle.pixel_count_map(labels)
size_map_image
|
cle._ image
|
区域属性#
现在我们可以在局部范围内总结这些测量结果，例如，通过测量每个细胞及其相应接触邻居的平均大小。
cle.mean_of_touching_neighbors_map(size_map_image, labels)
|
cle._ image
|
我们还可以计算大小的标准差，这突出了不同大小的细胞区域之间的边界。
cle.standard_deviation_of_touching_neighbors_map(size_map_image, labels)
|
cle._ image
|