点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
本期我们将一起来实现一个有趣的问题 -图像分割的算法。
本文的示例代码可以在以下链接中找到：
https://github.com/kiteco/kite-python-blog-post-code/tree/master/image-segmentation
作为我们的例子，我们将对KESM显微镜获取的图像进行分割以获取其中的血管组织。
数据科学家和医学研究人员可以将这种方法作为模板，用于更加复杂的图像的数据集（如天文数据），甚至一些非图像数据集中。由于图像在计算机中表示为矩阵，我们有一个专门的排序数据集作为基础。在整个处理过程中，我们将使用 Python 包，以及OpenCV、scikit 图像等几种工具。除此之外，我们还将使用 numpy ，以确保内存中的值一致存储。
主要内容
去噪
为了消除噪声，我们使用简单的中位数滤波器来移除异常值，但也可以使用一些不同的噪声去除方法或伪影去除方法。这项工件由采集系统决定（显微镜技术），可能需要复杂的算法来恢复丢失的数据。工件通常分为两类：
1. 模糊或焦点外区域
2. 不平衡的前景和背景（使用直方图修改正确）
分割
对于本文，我们使用Otsu 的方法分割，使用中位数滤波器平滑图像后，然后验证结果。只要分段结果是二进制的，就可以对任何分段算法使用相同的验证方法。这些算法包括但不限于考虑不同颜色空间的各种循环阈值方法。
一些示例包括：
1. 李阈值
2. 依赖于局部强度的自适应阈值方法
3. 在生物医学图像分割中常用的Unet等深度学习算法
4. 在语义上对图像进行分段的深度学习方法
验证
我们从已手动分割的基础数据集开始。为了量化分段算法的性能，我们将真实数据与预测数据的二进制分段进行比较，同时显示准确性和更有效的指标。尽管真阳性 （TP） 或假阴性 （FN） 数量较低，但精度可能异常高。在这种情况下，F1 分数和 MCC是二进制分类的更好量化指标。稍后我们将详细介绍这些指标的优缺点。
为了定性验证，我们叠加混淆矩阵结果，即真正的正极、真负数、假阳性、假负数像素正好在灰度图像上。此验证也可以应用于二进制图像分割结果上的颜色图像，尽管本文中使用的数据是灰度图像。最后，我们将介绍整个实现过程。现在，让我们看看数据和用于处理这些数据的工具。
Loading and visualizing data
我们将使用以下模块加载、可视化和转换数据。这些对于图像处理和计算机视觉算法非常有用，具有简单而复杂的数组数学。如果单独安装，括号中的模块名称会有所帮助。
如果在运行示例代码中，遇到 matplotlib 后端的问题，请通过删除 plt.ion（） 调用来禁用交互式模式，或是通过取消注释示例代码中的建议调用来在每个部分的末尾调用 plt.show（）。"Agg"或"TkAgg"将作为图像显示的后端。绘图将显示在文章中。
代码导入
import cv2
import matplotlib.pyplot as plt
import numpy as np
import scipy.misc
import scipy.ndimage
import skimage.filters
import sklearn.metrics
# Turn on interactive mode. Turn off with plt.ioff()
plt.ion()
在本节中，我们将加载可视化数据。数据是小老鼠脑组织与印度墨水染色的图像，由显微镜（KESM）生成。此 512 x 512 图像是一个子集，称为图块。完整的数据集为 17480 x 8026 像素，深度为 799，大小为 10gb。因此，我们将编写算法来处理大小为 512 x 512 的图块，该图块只有 150 KB。
各个图块可以映射为在多处理/多线程（即分布式基础结构）上运行，然后再缝合在一起即获得完整的分段图像。我们不介绍具体的缝合方法。简而言之，拼接涉及对整个矩阵的索引并根据该索引将图块重新组合。可以使用map-reduce进行，Map-Reduce的指标例如所有图块的所有F1分数之和等。我们只需将结果添加到列表中，然后执行统计摘要即可。
左侧的黑色椭圆形结构是血管，其余的是组织。因此，此数据集中的两个类是：
• 前景（船只）—标记为255
• 背景（组织）—标记为0
右下方的最后一个图像是真实图像。通过绘制轮廓并填充轮廓以手动方式对其进行追踪，通过病理学家获得真实情况。我们可以使用专家提供的类似示例来训练深度学习网络，并进行大规模验证。我们还可以通过将这些示例提供给其他平台并让他们以更