Binarisation d’image#

Lors de la binarisation d’une image, nous produisons une image qui n’a que deux valeurs : Vrai et Faux. Elles peuvent également contenir la valeur 0, par exemple pour l’arrière-plan, et toute autre valeur pour le premier plan.

import numpy as np
from skimage.io import imread, imshow
from skimage.filters import gaussian

Nous utilisons cet exemple d’image de noyaux.

image_nuclei = imread('../../data/mitosis_mod.tif')

imshow(image_nuclei)

<matplotlib.image.AxesImage at 0x1dcf6b5dbe0>
../_images/7965ce710e547039cf2bfd6f886f9e6d38b6871ba74d6654aa2ead048f7a6139.png

Seuillage d’image#

La technique de binarisation la plus courante est le seuillage. Nous appliquons un seuil pour déterminer quels pixels se situent au-dessus d’une certaine intensité de pixel et lesquels sont en dessous.

image_binary = image_nuclei > 60

imshow(image_binary)

<matplotlib.image.AxesImage at 0x1dcf6bb09a0>
../_images/f9dc81389fae7ada02ab802bc2913226a503458279155021e90d22da542c4583.png

Amélioration des résultats de binarisation#

Parfois, les résultats de la binarisation apparaissent pixelisés. Cela peut être amélioré en appliquant un filtre avant de seuiller l’image.

image_denoised = gaussian(image_nuclei, sigma=1, preserve_range=True)
imshow(image_denoised, cmap='Greys_r')

C:\Users\haase\mambaforge\envs\bio39\lib\site-packages\skimage\io\_plugins\matplotlib_plugin.py:150: UserWarning: Float image out of standard range; displaying image with stretched contrast.
  lo, hi, cmap = _get_display_range(image)

<matplotlib.image.AxesImage at 0x1dcf6c48640>
../_images/006dab8b724854f8cf48fec1444bdf4ff05d0157178c879b89cbf70b2a450296.png 
image_binary2 = image_denoised > 60

imshow(image_binary2)

<matplotlib.image.AxesImage at 0x1dcf7d61040>
../_images/623c89c9fd796957b3265b5695f0832a70ea3680d5fd8a0aed5429af5ab72d12.png