วิธีที่ดีที่สุดในการแบ่งกลุ่มเส้นเลือดในใบไม้?

ฉันได้ทำการวิจัยจำนวนมากและค้นพบวิธีการเช่นการปรับเปลี่ยนตามธรรมชาติ, การทำสันปันน้ำเป็นต้นซึ่งสามารถใช้ในการตรวจจับหลอดเลือดดำในใบ อย่างไรก็ตามการกำหนดเกณฑ์ไม่ดีเพราะมันมีเสียงรบกวนมาก

ภาพทั้งหมดของฉันเป็นภาพสีเทาใคร ๆ ก็สามารถแนะนำวิธีการที่จะนำมาใช้ในขณะที่พิจารณาปัญหานี้ในความต้องการความช่วยเหลือเร่งด่วน

แก้ไข: ภาพต้นฉบับของฉัน

หลังจากการนวดแป้ง

ตามคำแนะนำของคำตอบฉันได้ลองการตรวจจับขอบต่อไปนี้

1. แสนรู้

เสียงรบกวนมากเกินไปและสิ่งรบกวนที่ไม่พึงประสงค์

2. โชเบล

3. โรเบิร์ต

แก้ไข: พยายามอีกหนึ่งการดำเนินการฉันได้รับผลลัพธ์ต่อไปนี้ดีกว่าสิ่งที่ฉันพยายามด้วยแสนรู้และปรับตัวคุณรู้สึกอย่างไร

คุณไม่ได้มองหาขอบ (= เส้นขอบระหว่างพื้นที่ขยายของค่าสูงและต่ำสีเทา) คุณกำลังมองหาสันเขา (เส้นบางสีเข้มหรือสว่างกว่าละแวกของพวกเขา) ดังนั้นตัวกรองขอบอาจไม่เหมาะ: ตัวกรองขอบจะ ให้ปีกสองอัน (ด้านใดด้านหนึ่งของบรรทัด) และการตอบสนองที่ต่ำในระหว่างบรรทัด:

เพิ่ม : หากได้รับการขอให้อธิบายความแตกต่างระหว่างตัวตรวจจับขอบและตัวตรวจจับสันได้ชัดเจนยิ่งขึ้น ฉันต้องขออภัยล่วงหน้าหากคำตอบนี้ใช้เวลานานมาก

เครื่องตรวจจับขอบคือ (โดยปกติ) ผู้ดำเนินการที่ได้มาเป็นอันดับแรก: หากคุณจินตนาการภาพอินพุตเป็นแนวนอน 3 มิติเครื่องตรวจจับขอบจะวัดความชันของความลาดชันในแต่ละจุดของภูมิทัศน์นั้น:

หากคุณต้องการตรวจจับขอบของพื้นที่ที่สว่างหรือมืดที่ขยายออกไป แต่สำหรับเส้นเลือดในภาพของ OP มันจะให้คุณเหมือนกัน: โครงร่างด้านซ้ายและขวาของแต่ละเส้นเลือด:

นั่นยังอธิบาย "รูปแบบเส้นคู่" ในผลลัพธ์ของเครื่องตรวจจับขอบ Canny:

$g$$x$$y$

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

หรือในรูปแบบเมทริกซ์:

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

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

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

ฟังก์ชั่นการประมาณนี้มีรูปร่างแบบใด จริงๆแล้วไม่มาก:

ในการตรวจจับแนวสันเขาเราต้องการค้นหาพื้นที่ในภาพที่มีลักษณะเหมือนแปลงสุดท้ายด้านบนดังนั้นเราจึงค้นหาพื้นที่ที่ค่าลักษณะเฉพาะหลักของ Hessian มีขนาดใหญ่ (เทียบกับค่าลักษณะเฉพาะเล็กน้อย) วิธีที่ง่ายที่สุดในการตรวจจับนั่นคือการคำนวณค่าลักษณะเฉพาะที่สำคัญในแต่ละพิกเซล - และนั่นคือสิ่งที่ตัวกรองสันด้านล่างทำ

กรองสันอาจจะให้ผลลัพธ์ที่ดี ฉันลอง Mathematica ในตัวRidgeFilter(ซึ่งคำนวณค่าลักษณะเฉพาะที่สำคัญของเมทริกซ์ Hessian ในแต่ละพิกเซล) บนภาพของคุณ:

อย่างที่คุณเห็นมันมีจุดสูงสุดเพียงจุดเดียวสำหรับเส้นสีดำบาง ๆ ผลตอบแทน Binarizing และ Skeletonizing:

หลังจากตัดโครงกระดูกและลบส่วนประกอบขนาดเล็ก (เสียงรบกวน) จากภาพฉันได้รับโครงกระดูกสุดท้ายนี้:

รหัส Mathematica แบบเต็ม:

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

เพิ่ม:

ฉันไม่ใช่ผู้เชี่ยวชาญ Matlab ฉันไม่รู้ว่ามันมีตัวกรองสันในตัวหรือไม่ แต่ฉันสามารถแสดงให้คุณเห็นวิธีการใช้ "ด้วยมือ" (อีกครั้งโดยใช้ Matematica) อย่างที่ฉันพูดตัวกรองสันเป็นค่าลักษณะเฉพาะที่สำคัญของเมทริกซ์ Hessian ฉันสามารถคำนวณค่าลักษณะเฉพาะที่เป็นสัญลักษณ์ใน Mathematica:

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

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

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

เมื่อใช้การตรวจจับขอบ Canny (ใน Halcon) โดยมีค่าเป็น 1 และขีด จำกัด ต่ำ 8 และขีด จำกัด สูง 13 (ในระดับ 1-255) ฉันได้รับผลลัพธ์ดังต่อไปนี้:

ด้วยการปรับแต่งพารามิเตอร์ผลลัพธ์ที่คุณได้จาก Canny นั้นจะดีขึ้นมากขึ้น เมื่อใช้ภาพนี้คุณสามารถข้ามขอบสั้นเพื่อกำจัดสัญญาณรบกวนและเชื่อมต่อขอบยาวสำหรับผลสุดท้าย

BTW: สีที่แตกต่างบ่งบอกถึงขอบที่แตกต่างกัน

ฉันสามารถรับผลลัพธ์ที่คล้ายกันโดยใช้เครื่องตรวจจับขอบ Canny ออนไลน์นี้ :

• เลือกรูปภาพ I9Pxl.png
• ซิกม่า 1.2
• T-low 0.04
• T-high 0.07
• การตั้งค่าอื่น ๆ เป็นค่าเริ่มต้น
• คลิกอัปเดตมุมมองเพื่อดูผลลัพธ์

ต่อจากคำตอบที่ยอดเยี่ยมข้างต้นนี่คือวิธีทำใน python โดยใช้ scikit funcitons

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)

แทนการกำหนดเกณฑ์ใหม่ฉันได้ใช้การตรวจจับขอบอย่างง่าย

ใช้GIMP ที่มีความแตกต่างของ Gaussian - Radious Outer: 3.0 และ Inner: 1.0

นี่มันเป็นอย่างไร

คุณสามารถใช้ตัวกรองค่ามัธยฐานหรือการกัดเซาะ / การขยายเพื่อให้คุณสามารถลบสัญญาณรบกวนบางส่วน

นี่คือหน้าที่อธิบายการใช้งานของ gimp

คุณควรอ้างถึงเทคนิคต่าง ๆ เช่น Laplacian of Gaussian หรือ Difference of Gaussin ฯลฯ ดูที่นี้: http://homepages.inf.ed.ac.uk/rbf/HIPR2/log.htm#7

และคำตอบนี้ Laplacian ใช้กับ Unsharp Mask อย่างไร?

หัวข้อนี้ดึงดูดความสนใจมาโดยตลอดและยังไม่มีฉันทามติที่แท้จริงในหัวข้อ ดังนั้นฉันตัดสินใจที่จะวางคำไม่กี่คำ

คำตอบของฉันสำหรับคำถามที่คล้ายกันก่อนหน้านี้เกี่ยวกับ stackexchange ( Q1และQ2 ) เกี่ยวข้องกับอัลกอริทึมการแยกโครงสร้าง curvilinear subpixel โดย Steger วิธีการนี้ทำได้ดีพอสมควรในหลาย ๆ กรณีและโชคดีรวมถึงวิธีนี้ ดังนั้นฉันโพสต์ภาพที่ส่งออกที่นี่: และที่นี่ด้วยการตั้งค่าพารามิเตอร์ที่แตกต่างกันและไม่มีการเชื่อมต่อสี - ness: สำหรับรายละเอียดและการอ้างอิงที่เหมาะสมโปรดดูโพสต์ stackexchange ฉันได้อ้างถึง

เป็นส่วนหนึ่งของงานวิศวกรรมปีสุดท้ายของฉันฉันต้องศึกษาวิธีการแบ่งส่วนสำหรับหลอดเลือดในรูปอวัยวะตา ฉันพบวิธีฟื้นฟูต้นไม้นี้ (โดย Cohen, Laurent D. และ Mille, Julienน่าสนใจเป็นพิเศษที่จะใช้พร้อมกับวิธีการเดินเร็ว

เอกสารอื่น ๆ ที่คุณอาจต้องการพิจารณา:

• Geodesic Active Contours
• ในการดำเนินการของวิธีการเดินเร็วสำหรับขัดแตะ 3D
• Multistencils FMM: คำตอบที่แม่นยำสูงสำหรับสมการ Eikonal บนโดเมนคาร์ทีเซียน

ลิงค์ที่มีประโยชน์: - การแพร่กระจายด้านหน้าใน 2D และ 3D

ฉันหวังว่านี่จะช่วยได้นิดหน่อย แต่มันก็ไม่ได้ทันสมัย