Damarları yapraklarda ayırmanın en iyi yolu nedir?

Çok fazla araştırma yaptım ve yapraklardaki damarları tespit etmede kullanılabilecek uyarlanabilir eşik, havza vb. Yöntemler buldum. Ancak eşikleme çok fazla gürültü çıkardığından iyi değildir

Tüm resimlerim gri imge, lütfen acil yardıma ihtiyacı olan bu sorunu göz önüne alarak hangi yaklaşımların benimseneceğini önerebilir

EDIT: Orijinal görüntüm

Eşikten sonra

Cevap tarafından önerildiği gibi aşağıdaki kenar algılama denedim

1. açıkgöz

Çok fazla gürültü ve istenmeyen rahatsızlıklar

2. Sobel

3. Roberts

EDIT: Bir operasyon daha denedim, aşağıdaki sonucu elde ediyorum, canny ve adaptif ile denediklerimden daha iyi. Ne hissediyorsun?

Kenarlar aramıyorsunuz (= yüksek ve düşük gri değere sahip geniş alanlar arasındaki sınırlar), sırtlar arıyorsunuz (çevrelerinden daha koyu veya daha parlak ince çizgiler), bu nedenle kenar filtreleri ideal olmayabilir: Bir kenar filtresi size iki kanat (çizginin her bir tarafında bir tane) ve çizginin ortasında düşük bir yanıt verin:

EKLE : Bir kenar dedektörü ve bir sırt dedektörü arasındaki farkı daha net bir şekilde açıklamanız istendiyse. Bu cevap çok uzadıysa şimdiden özür dilerim.

Bir kenar algılayıcısı (genellikle) bir birinci türev operatörüdür: Giriş görüntüsünü bir 3B manzara olarak hayal ederseniz, bir kenar algılayıcı eğimin dikliğini o manzaradaki her bir noktada ölçer:

Uzatılmış bir aydınlık veya karanlık bölgenin sınırını tespit etmek istiyorsanız, bu gayet iyi. Fakat OP görüntüsündeki damarlar için size aynı şeyi verecektir: her damarın solunda ve sağında ana hatlar:

Bu ayrıca Canny kenar dedektörü sonuçlarında "çift çizgi deseni" açıklar:

$g$$x$$y$

$g(x,y)\approx \frac{1}{2} x^2 \frac{\partial ^2g}{\partial x^2}+x y \frac{\partial ^2g}{\partial x\, \partial y}+\frac{1}{2} y^2 \frac{\partial ^2g}{\partial y\, ^2}+x \frac{\partial g}{\partial x}+y \frac{\partial g}{\partial y}+g(0,0)$

veya matris formunda:

$g(x,y)\approx \frac{1}{2} \left( \begin{array}{c} x \\ y \end{array} \right).\left( \begin{array}{cc} \frac{\partial ^2g}{\partial x^2} & \frac{\partial ^2g}{\partial x\, \partial y} \\ \frac{\partial ^2g}{\partial x\, \partial y} & \frac{\partial ^2g}{\partial y\, ^2} \end{array} \right).\left( \begin{array}{cc} x & y \end{array} \right)+\left( \begin{array}{c} x \\ y \end{array} \right).\left( \begin{array}{cc} \frac{\partial g}{\partial x} & \frac{\partial g}{\partial y} \end{array} \right)+g(0,0)$

$\left( \begin{array}{cc} \frac{\partial ^2g}{\partial x^2} & \frac{\partial ^2g}{\partial x\, \partial y} \\ \frac{\partial ^2g}{\partial x\, \partial y} & \frac{\partial ^2g}{\partial y\, ^2} \end{array} \right)$

$\lambda _1 x^2 + \lambda _2 y^2$$\lambda _1$$\lambda _2$

Bu işlev yaklaşımının ne tür şekilleri olabilir? Aslında o kadar değil:

Sırtı tespit etmek için, yukarıdaki parsellerin sonuncusuna benzeyen alanları bulmak istiyoruz, bu nedenle Hessian'ın ana özdeğerinin büyük olduğu (küçük özdeğerle karşılaştırıldığında) alanlar arıyoruz. Bunu tespit etmenin en basit yolu, her pikselin ana özdeğerini hesaplamaktır - ve aşağıdaki sırt filtresinin yaptığıdır.

Bir sırt filtresi muhtemelen daha iyi sonuçlar verecektir. Mathematica'yı yerleşik olarak RidgeFilter(Hessian matrisinin her bir pikselindeki özdeğerini hesaplayan) resminizde denedim :

Gördüğünüz gibi, her ince koyu çizgi için sadece tek bir tepe var. Binarizasyon ve skeletonizing verimler:

İskeleti budandıktan ve görüntüdeki küçük bileşenleri (gürültü) çıkardıktan sonra şu son iskeleti elde ediyorum:

Tam Mathematica kodu:

ridges = RidgeFilter[ColorNegate@src];
skeleton = SkeletonTransform[Binarize[ridges, 0.007]];
DeleteSmallComponents[Pruning[skeleton, 50], 50]

EKLEMEK:

Ben bir Matlab uzmanı değilim, bir sırt süzgecine sahip olup olmadığını bilmiyorum, ama size "elle" nasıl uygulandığını gösterebilirim (yine, Matematica kullanarak). Dediğim gibi, sırt süzgeci, Hessian matrisinin ana öz değeridir. Bu özdeğerin matematiksel olarak Mathematica'da hesaplamasını yapabilirim:

$\text{eigenvalue}=\text{Last}\left[\text{Eigenvalues}\left[\left( \begin{array}{cc} H_{\text{xx}} & H_{\text{xy}} \\ H_{\text{xy}} & H_{\text{yy}} \end{array} \right)\right]\right]$

$\frac{1}{2} \left(H_{\text{xx}}+H_{\text{yy}}+\sqrt{H_{\text{xx}}^2+4 H_{\text{xy}}^2-2 H_{\text{xx}} H_{\text{yy}}+H_{\text{yy}}^2}\right)$

$H_{\text{xx}}$$H_{\text{xy}}$$H_{\text{yy}}$

Canny edge algılamasını (Halcon'da) kullanırken, alfa 1, düşük eşik 8 ve yüksek eşik 13 (1-255 ölçeğinde) ile aşağıdaki sonucu alıyorum:

Parametrelerin ayarlanması ile Canny'den aldığınız sonuç daha da iyileştirilebilir. Bu görüntüyü kullanarak, gürültüyü gidermek için kısa kenarları atlayabilir ve nihai sonuç için uzun kenarları bağlayabilirsiniz.

BTW: farklı bir renk farklı bir kenarı belirtir.

Bu çevrimiçi Canny edge dedektörünü kullanarak oldukça benzer bir sonuç alabilirim :

• Resim seç I9Pxl.png
• Sigma 1.2
• T-düşük 0,04
• T-yüksek 0.07
• Diğer ayarlar varsayılan
• Sonuç için güncelleme görünümüne tıklayın

Yukarıdaki mükemmel cevaptan sonra, icikit funcitons kullanılarak python'da nasıl yapılacağı açıklanmaktadır.

from skimage.feature import hessian_matrix, hessian_matrix_eigvals

#assume you have an image img

hxx, hxy, hyy = hessian_matrix(img, sigma=3)
i1, i2 = hessian_matrix_eigvals(hxx, hxy, hyy)

#i2 is the variable you want.

#Visualise the result
import matplotlib.pyplot as plt
plt.imshow(i2)

Eşikleme yerine basit kenar algılama uygulamıştım.

Gauss - Radious Outer: 3.0 ve Inner: 1.0 Farkı ile Kullanılan GIMP .

İşte nasıl göründüğü.

Ayrıca, bir tanecikli filtre veya erozyon / dilatasyon uygulayarak grenli gürültünün bir kısmını giderebilirsiniz.

İşte sayfa Gimp'in uygulanmasını açıklıyor.

Gaussian Laplasyan'ı veya Gaussin Farkı vb. Gibi farklı tekniklere başvurmalısınız. Buna bakınız: http://homepages.inf.ed.ac.uk/rbf/HIPR2/log.htm#7

Ve bu cevap Laplacian Keskinliği Azaltma Maskesinde nasıl kullanılır?

Bu konu her zaman çok fazla ilgi çekmiştir, ancak konu hakkında gerçek bir fikir birliği yoktur. Bu yüzden birkaç kelime düşürmeye karar verdim.

Stackexchange'te ( Q1 ve Q2 ) daha önce benzer soruları cevaplamam, Steger'in alt piksel eğrisel yapı çıkarım algoritmasını içermekteydi. Bu yöntem birçok durumda oldukça iyi ve neyse ki bu yöntem de dahil olmak üzere oldukça iyi sonuç verdi. Bu nedenle çıktı görüntüsünü buraya gönderiyorum: ve burada farklı bir parametre ayarıyla ve buna bağlı renklendirme olmadan: Ayrıntılar ve doğru referanslar için lütfen bahsettiğim stackexchange mesajlarına bakın.

Son mühendislik çalışmaları ödevimin bir parçası olarak, kan damarları için göz fundus görüntülerinde segmentasyon yöntemleri çalışmak zorunda kaldım. Bu ağaç rekonstrüksiyon yöntemini (Cohen, Laurent D. ve Mille, Julien tarafından özellikle Hızlı Yürüyüş Yöntemleriyle birlikte kullanmak için ilginç buldum) .

Bakmak isteyebileceğiniz diğer makaleler:

• Jeodezik Aktif Konturlar
• 3B kafesler için hızlı yürüyüş yöntemlerinin uygulanması hakkında
• Multistencils FMM: Kartezyen Alanlarındaki Eikonal Denklem için son derece hassas bir çözüm

Faydalı linkler: - 2D ve 3D olarak ön yayılım

Umarım bu biraz yardımcı olur, ancak tam olarak sanat eseri değildir.