Analyse quantitative d’image#

Après avoir segmenté et étiqueté les objets dans une image, nous pouvons mesurer les propriétés de ces objets.

Voir aussi

Avant de pouvoir faire des mesures, nous avons besoin d’une image et d’une image_étiquetée correspondante. Par conséquent, nous récapitulons le filtrage, le seuillage et l’étiquetage :

from skimage.io import imread
from skimage import filters
from skimage import measure
from pyclesperanto_prototype import imshow
import pandas as pd 
import numpy as np

# load image
image = imread("../../data/blobs.tif")

# denoising
blurred_image = filters.gaussian(image, sigma=1)

# binarization
threshold = filters.threshold_otsu(blurred_image)
thresholded_image = blurred_image >= threshold

# labeling
label_image = measure.label(thresholded_image)

# visualization
imshow(label_image, labels=True)
../_images/5257573298d6a444b6a34d09506d6cf9a10aab208bce52c927a91ea6491b20ee.png

Mesures / propriétés des régions#

Pour lire les propriétés des régions, nous utilisons la fonction regionprops :

# analyse objects
properties = measure.regionprops(label_image, intensity_image=image)

Les résultats sont stockés sous forme d’objets RegionProps, qui ne sont pas très informatifs :

properties[0:5]

[<skimage.measure._regionprops.RegionProperties at 0x1c272b8f8e0>,
 <skimage.measure._regionprops.RegionProperties at 0x1c26d278af0>,
 <skimage.measure._regionprops.RegionProperties at 0x1c26d2784c0>,
 <skimage.measure._regionprops.RegionProperties at 0x1c26d278b20>,
 <skimage.measure._regionprops.RegionProperties at 0x1c26d278b80>]

Si vous voulez savoir quelles propriétés nous avons mesurées : Elles sont listées dans la documentation de la fonction measure.regionprops. En gros, nous avons maintenant une variable properties qui contient 40 caractéristiques différentes. Mais nous ne sommes intéressés que par un petit sous-ensemble d’entre elles.

Par conséquent, nous pouvons réorganiser les mesures dans un dictionnaire contenant des tableaux avec nos caractéristiques d’intérêt :

statistics = {
    'area':       [p.area               for p in properties],
    'mean':       [p.mean_intensity     for p in properties],
    'major_axis': [p.major_axis_length  for p in properties],
    'minor_axis': [p.minor_axis_length for p in properties]
}

La lecture de ces dictionnaires de tableaux n’est pas très pratique. Pour cela, nous introduisons les DataFrames pandas qui sont couramment utilisés par les data scientists. “DataFrames” est juste un autre terme pour “tableaux” utilisé en Python.

df = pd.DataFrame(statistics)
df
area mean major_axis minor_axis
0 429 191.440559 34.779230 16.654732
1 183 179.846995 20.950530 11.755645
2 658 205.604863 30.198484 28.282790
3 433 217.515012 24.508791 23.079220
4 472 213.033898 31.084766 19.681190
... ... ... ... ...
57 213 184.525822 18.753879 14.468993
58 79 184.810127 18.287489 5.762488
59 88 182.727273 21.673692 5.389867
60 52 189.538462 14.335104 5.047883
61 48 173.833333 16.925660 3.831678

62 rows × 4 columns

Vous pouvez également ajouter des colonnes personnalisées en calculant votre propre métrique, par exemple le rapport d'aspect :

df['aspect_ratio'] = [p.major_axis_length / p.minor_axis_length for p in properties]
df
area mean major_axis minor_axis aspect_ratio
0 429 191.440559 34.779230 16.654732 2.088249
1 183 179.846995 20.950530 11.755645 1.782168
2 658 205.604863 30.198484 28.282790 1.067734
3 433 217.515012 24.508791 23.079220 1.061942
4 472 213.033898 31.084766 19.681190 1.579415
... ... ... ... ... ...
57 213 184.525822 18.753879 14.468993 1.296143
58 79 184.810127 18.287489 5.762488 3.173540
59 88 182.727273 21.673692 5.389867 4.021193
60 52 189.538462 14.335104 5.047883 2.839825
61 48 173.833333 16.925660 3.831678 4.417297

62 rows × 5 columns

Ces dataframes peuvent être sauvegardés sur le disque de manière pratique :

df.to_csv("blobs_analysis.csv")

De plus, on peut mesurer les propriétés de notre tableau statistics en utilisant numpy. Par exemple, l’aire moyenne :

# measure mean area
np.mean(df['area'])

355.3709677419355

Exercices#

Analysez l’image de blobs chargée.

  • Combien d’objets y a-t-il dedans ?

  • Quelle est la taille du plus grand objet ?

  • Quelles sont la moyenne et l’écart-type de l’image ?

  • Quelles sont la moyenne et l’écart-type de l’aire des objets segmentés ?