Simulation de la formation d’image + restauration d’image

Dans ce notebook, nous assemblons artificiellement une image de microscope à partir de noyaux simulés, de bruit et d’arrière-plan. Ensuite, nous utilisons des techniques classiques de traitement d’image pour éliminer le bruit et l’arrière-plan.

import pyclesperanto_prototype as cle
import numpy as np

image_size = (100, 100)

# noise configuration
noise_level = 2

# background configuration
camera_offset = 100
background_sigma = 25
background_intensity = 5

# nuclei configuration
nuclei_radius = 5
nuclei_blur_sigma = 1
nuclei_number = 10
nuclei_intensity = 5

# by pinning the random seed, we can make the code repeatable
np.random.seed(42)

Bruit

Ici, nous supposons que le bruit dans l’image suit une distribution de Poisson, une hypothèse courante en microscopie.

noise_image = np.random.poisson(noise_level, image_size)

cle.imshow(noise_image, colorbar=True)

Arrière-plan

L’intensité de l’arrière-plan dans les images de microscopie à fluorescence provient généralement de la lumière hors focus. Nous pouvons simuler cela en plaçant des sources lumineuses sous forme de pixels uniques et en les floutant avec un filtre gaussien. De plus, de nombreuses caméras de microscope ont ce qu’on appelle un décalage de caméra. Aucun pixel n’aura jamais une intensité inférieure à cette valeur.

# create empty image
background = np.zeros(image_size)

# place light sources
background[20, 10] += 1
background[50, 80] += 1
background[60, 50] += 1

# blur them massively
background = cle.gaussian_blur(background, sigma_x=background_sigma, sigma_y=background_sigma)

# normalize the image so that the maximum intensity has a defined value
background = background / background.max() * background_intensity

# add camera offsert
background = background + camera_offset

background

cle._ image shape (100, 100) dtype float32 size 39.1 kB min 100.14104 max 105.0

Noyaux

Ensuite, nous plaçons des noyaux dans une image à des positions aléatoires. Nous les floutons un peu pour simuler la fonction d’étalement du point du microscope.

# retrieve a defined number of random positions
nuclei_positions = np.random.random((nuclei_number, 2)) * image_size

# write 1 at these locations
nuclei_image = cle.pointlist_to_labelled_spots(nuclei_positions.T, np.zeros(image_size))
nuclei_image = (nuclei_image > 0) * nuclei_intensity

# enlarge the nuclei by a define radius
nuclei_image = cle.maximum_sphere(nuclei_image, radius_x=nuclei_radius, radius_y=nuclei_radius)

# blur the image to make it look more realistic
nuclei_image = cle.gaussian_blur(nuclei_image, sigma_x=nuclei_blur_sigma, sigma_y=nuclei_blur_sigma)

nuclei_image

cle._ image shape (100, 100) dtype float32 size 39.1 kB min 0.0 max 5.0

Formation de l’image

Une image de microscopie est la somme de la scène et des effets décrits ci-dessus.

sum_image = np.asarray(noise_image + background + nuclei_image)

cle.imshow(sum_image, colorbar=True)

Segmentation d’image

Si nous appliquions maintenant un algorithme de segmentation à cette image telle quelle, cela pourrait conduire à un résultat erroné.

binary = cle.threshold_otsu(sum_image.astype(np.float32))

binary

cle._ image shape (100, 100) dtype uint8 size 9.8 kB min 0.0 max 1.0

Suppression de l’arrière-plan

Pour résoudre ce problème, nous devons d’abord supprimer l’intensité de l’arrière-plan.

background_removed = cle.top_hat_box(sum_image, radius_x=10, radius_y=10)

background_removed

cle._ image shape (100, 100) dtype float32 size 39.1 kB min 0.0 max 12.833778

Suppression du bruit

Nous pouvons également supprimer le bruit de l’image.

noise_removed1 = cle.mean_sphere(sum_image, radius_x=3, radius_y=3)

noise_removed1

cle._ image shape (100, 100) dtype float32 size 39.1 kB min 101.35629 max 111.36778

Et cela peut également être fait sur l’image dont l’arrière-plan a été soustrait.

noise_removed = cle.mean_sphere(background_removed, radius_x=3, radius_y=3)

noise_removed

cle._ image shape (100, 100) dtype float32 size 39.1 kB min 0.7578272 max 7.5516324

Segmentation d’image II

Après avoir corrigé l’image, nous pouvons essayer la segmentation à nouveau.

binary2 = cle.threshold_otsu(noise_removed.astype(np.float32))

binary2

cle._ image shape (100, 100) dtype uint8 size 9.8 kB min 0.0 max 1.0

# sneak preview: watershed
import napari_segment_blobs_and_things_with_membranes as nsbatwm
binary3 = nsbatwm.split_touching_objects(binary2)

binary3

<__array_function__ internals>:180: RuntimeWarning: Converting input from bool to <class 'numpy.uint8'> for compatibility.

nsbatwm made image shape (100, 100) dtype bool size 9.8 kB min False max True