Détection de contours#

Dans clesperanto, plusieurs filtres pour la détection de contours sont implémentés.

Voir aussi

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

cle.select_device("RTX")

<gfx90c on Platform: AMD Accelerated Parallel Processing (2 refs)>

blobs = imread("../../data/blobs.tif")
blobs.shape

(254, 256)

cle.imshow(blobs)
../_images/697332ed931701bd777704b279b47e121b548544b81f7a635c3783b21c04fb53.png

Opérateur de Sobel#

voir aussi

blobs_sobel = cle.sobel(blobs)
cle.imshow(blobs_sobel)
../_images/6f78a059d541f817ce00965d380f7561c27cd8d61a9c1d0cd261392d819f8164.png

Opérateur de Laplace#

voir aussi

blobs_laplace = cle.laplace_box(blobs)
cle.imshow(blobs_laplace)
../_images/97b9899f717c757b0ddca2c1bad676aaf671f2fa3697d9eb8cebc46be9099e88.png

Laplacien de Gaussien#

Également connu sous le nom de filtre chapeau mexicain

blobs_laplacian_of_gaussian = cle.laplace_box(cle.gaussian_blur(blobs, sigma_x=1, sigma_y=1))
cle.imshow(blobs_laplacian_of_gaussian)
../_images/4039d3563c2a36f9db4b9be7e26ded824be8eda4d4037357dfcb945cf44ecf2e.png 
blobs_laplacian_of_gaussian = cle.laplace_box(cle.gaussian_blur(blobs, sigma_x=5, sigma_y=5))
cle.imshow(blobs_laplacian_of_gaussian)
../_images/9bd4cce450e487d9177d0a1ecf7113bf18e721495aeb5da88645442a0d7ee226.png

Filtre de variance locale#

blobs_edges = cle.variance_box(blobs, radius_x=5, radius_y=5)
cle.imshow(blobs_edges)
../_images/3c75eedc70e388d2225c1cca24088c11ced4c7a4b45aee2b9c122af42578e3f4.png

Écart-type local#

… n’est que la racine carrée de la variance locale

blobs_edges = cle.standard_deviation_box(blobs, radius_x=5, radius_y=5)
cle.imshow(blobs_edges)
../_images/39b5a73b96057262d6fab7a9d85d9f36478cb83ec7d58fdc22a773b40ac86f9e.png

La détection de contours n’est pas l’amélioration de contours#

Intuitivement, on pourrait appliquer un filtre de détection de contours pour améliorer les contours dans les images montrant des contours. Essayons avec une image montrant des membranes. C’est une image 3D, soit dit en passant.

image = imread("../../data/EM_C_6_c0.tif")
image.shape

(256, 256, 256)

cle.imshow(image[60])
../_images/756fcdd11282e04ef342228a2a2fd94ed9875e723db8d3b7c1515358353a0ddc.png 
image_sobel = cle.sobel(image)
cle.imshow(image_sobel[60])
../_images/105c5d8c02a5c62db015972a88654442b975ce4cfaeadb386cd35ccb857bf86b.png

En regardant très attentivement, vous pourrez observer que les contours sont un peu plus épais dans la deuxième image. Le filtre de détection de contours détecte deux contours, le côté croissant du signal de la membrane et le côté décroissant du signal du côté opposé. Faisons un zoom :

fig, axs = plt.subplots(1, 2)
cle.imshow(                image[60, 125:145, 135:155], plot=axs[0])
cle.imshow(cle.pull(image_sobel)[60, 125:145, 135:155], plot=axs[1])
../_images/d3fed6be6e92aa6bfb9b673f0b6147e393226ec22a5e933e2fdb494cfdd4402c.png

Amélioration des contours#

Ainsi, pour améliorer les contours dans une image de membrane, d’autres filtres sont plus utiles. L’amélioration peut par exemple signifier épaissir les membranes et potentiellement combler les lacunes.

Écart-type local#

image_std = cle.standard_deviation_box(image, radius_x=5, radius_y=5, radius_z=5)
cle.imshow(image_std[60])
../_images/b6e7b76ab9326c710c8a16b5244ff6f9bb497bc3294d2f85f4f0d2b36dac296b.png

Maximum local#

image_max = cle.maximum_box(image, radius_x=5, radius_y=5, radius_z=5)
cle.imshow(image_max[60])
../_images/61ca117a376d1a7f27388d3ad6474e499ccbcb215e05b5c7a24922d4af457597.png