通过迭代自适应阈值和形状分析检测圆形物体簇

我一直在开发一个应用程序来计算圆形物体，例如图片中的细菌菌落。

让这一切变得简单的是，物体通常与背景有很大区别。

然而，有一些困难使得分析变得棘手：

1. 背景将呈现渐变以及快速的强度变化。
2. 在容器的边缘，对象将是椭圆形而不是圆形。
3. 物体的边缘有时相当模糊。
4. 对象将聚集。
5. 对象可以非常小（直径 6 像素）
6. 最终，这些算法将由对图像分析没有深入了解的人使用（通过 GUI），因此参数必须直观且很少。

这个问题已在科学文献中多次提及并“解决”，例如使用循环霍夫变换或分水岭方法，但我从未对结果感到满意。

所描述的一种简单方法是通过自适应阈值和分割来获取前景（正如我在这个帖子 https://stackoverflow.com/questions/10313602/reshaping-noisy-coin-into-a-circle-form/10324759#10324759）使用距离变换的聚类对象。

我已经成功地实现了这种方法，但它并不总是能够应对强度的突然变化。另外，同行们要求我提出一种更“新颖”的方法。

因此，我正在寻找一种提取前景的新方法。

因此，我研究了其他阈值/斑点检测方法。 我尝试了 MSER，但发现它们不是很强大，而且对我来说速度很慢。

我最终想出了一个算法，到目前为止，它给了我很好的结果：

1. 我分割图像的三个通道并减少它们的噪声（模糊/中值模糊）。对于每个通道：
2. 我通过计算原始通道和卷积通道（通过大内核模糊）之间的绝对差来手动实现自适应阈值处理的第一步。然后，对于所有相关的阈值：
3. 我对 2) 的结果应用阈值
4. 找到轮廓
5. 根据轮廓的形状（大小、面积、凸度...）验证或无效轮廓
6. 仅有效的连续区域（i.e.然后在累加器中重新绘制（每个通道 1 个累加器）。
7. 在累积超过阈值的连续区域后，我最终得到了“区域分数”的地图。具有最高强度的区域是最常满足形态过滤标准的区域。
8. 然后将三个图（每个通道一个）转换为灰度并设置阈值（阈值由用户控制）

Just to show you the kind of image I have to work with: This picture represents part of 3 sample images in the top and the result of my algorithm (blue = foreground) of the respective parts in the bottom.

这是我的 C++ 实现：3-7

/*
 * cv::Mat dst[3] is the result of the absolute difference between original and convolved channel.
 * MCF(std::vector<cv::Point>, int, int) is a filter function that returns an positive int only if the input contour is valid.
 */

/* Allocate 3 matrices (1 per channel)*/
cv::Mat accu[3];

/* We define the maximal threshold to be tried as half of the absolute maximal value in each channel*/
int maxBGR[3];
for(unsigned int i=0; i<3;i++){
    double min, max;
    cv::minMaxLoc(dst[i],&min,&max);
    maxBGR[i] = max/2;
    /* In addition, we fill accumulators by zeros*/
    accu[i]=cv::Mat(compos[0].rows,compos[0].cols,CV_8U,cv::Scalar(0));
}
/* This loops are intended to be multithreaded using
#pragma omp parallel for collapse(2) schedule(dynamic)
For each channel */
for(unsigned int i=0; i<3;i++){
    /* For each value of threshold (m_step can be > 1 in order to save time)*/
    for(int j=0;j<maxBGR[i] ;j += m_step ){
            /* Temporary matrix*/
            cv::Mat tmp;
            std::vector<std::vector<cv::Point> > contours;
            /* Thresholds dst by j*/
            cv::threshold(dst[i],tmp, j, 255, cv::THRESH_BINARY);
            /* Finds continous regions*/
            cv::findContours(tmp, contours, CV_RETR_LIST, CV_CHAIN_APPROX_TC89_L1);
            if(contours.size() > 0){
                /* Tests each contours*/
                for(unsigned int k=0;k<contours.size();k++){
                    int valid = MCF(contours[k],m_minRad,m_maxRad);
                    if(valid>0){
                        /* I found that redrawing was very much faster if the given contour was copied in a smaller container.
                         * I do not really understand why though. For instance,
                         cv::drawContours(miniTmp,contours,k,cv::Scalar(1),-1,8,cv::noArray(), INT_MAX, cv::Point(-rect.x,-rect.y));
                         is slower especially if contours is very long.
                         */
                        std::vector<std::vector<cv::Point> > tpv(1);
                        std::copy(contours.begin()+k, contours.begin()+k+1, tpv.begin());
                        /* We make a Roi here*/
                        cv::Rect rect = cv::boundingRect(tpv[0]);
                        cv::Mat miniTmp(rect.height,rect.width,CV_8U,cv::Scalar(0));
                        cv::drawContours(miniTmp,tpv,0,cv::Scalar(1),-1,8,cv::noArray(), INT_MAX, cv::Point(-rect.x,-rect.y));
                        accu[i](rect)    = miniTmp + accu[i](rect);
                    }
                }
            }
        }
    }
/* Make the global scoreMap*/
cv::merge(accu,3,scoreMap);
/* Conditional noise removal*/
if(m_minRad>2)
    cv::medianBlur(scoreMap,scoreMap,3);
cvtColor(scoreMap,scoreMap,CV_BGR2GRAY);

我有两个问题：

1. 这种前景提取方法的名称是什么？您是否认为在这种情况下使用它可能不合适？

2. 由于递归查找和绘制轮廓非常密集，因此我想让我的算法更快。你能告诉我有什么方法可以实现这个目标吗？

非常感谢您的帮助，

几年前，我编写了一个应用程序来检测显微镜图像中的细胞。代码是用 Matlab 编写的，我认为现在比应有的更复杂（这是我的第一个 CV 项目），所以我只会概述对您实际上有帮助的技巧。顺便说一句，它的速度慢得要命，但它确实很擅长分离大群的双胞胎细胞。

我定义了一个度量来评估给定点是单元格中心的机会： - 亮度在其周围以圆形图案减少 - 纹理亮度的变化遵循给定的模式 - 一个小区不会覆盖超过 % 的相邻小区

有了它，我开始迭代地找到最好的单元格，将其标记为已找到，然后寻找下一个。由于这样的搜索成本很高，因此我采用遗传算法在特征空间中更快地搜索。

一些结果如下：