Python opencv医学处理的实现过程

题目描述

利用opencv或其他工具编写程序实现医学处理。

实现过程

# -*- coding: utf-8 -*-’’’作者 : 丁毅开发时间 : 2021/5/9 16:30’’’import cv2import numpy as np# 图像细化def VThin(image, array): rows, cols = image.shape NEXT = 1 for i in range(rows):for j in range(cols): if NEXT == 0:NEXT = 1 else:M = int(image[i, j - 1]) + int(image[i, j]) + int(image[i, j + 1]) if 0 < j < cols - 1 else 1if image[i, j] == 0 and M != 0: a = [0]*9 for k in range(3):for l in range(3): if -1 < (i - 1 + k) < rows and -1 < (j - 1 + l) < cols and image[i - 1 + k, j - 1 + l] == 255:a[k * 3 + l] = 1 sum = a[0] * 1 + a[1] * 2 + a[2] * 4 + a[3] * 8 + a[5] * 16 + a[6] * 32 + a[7] * 64 + a[8] * 128 image[i, j] = array[sum]*255 if array[sum] == 1:NEXT = 0 return imagedef HThin(image, array): rows, cols = image.shape NEXT = 1 for j in range(cols):for i in range(rows): if NEXT == 0:NEXT = 1 else:M = int(image[i-1, j]) + int(image[i, j]) + int(image[i+1, j]) if 0 < i < rows-1 else 1if image[i, j] == 0 and M != 0: a = [0]*9 for k in range(3):for l in range(3): if -1 < (i-1+k) < rows and -1 < (j-1+l) < cols and image[i-1+k, j-1+l] == 255:a[k*3+l] = 1 sum = a[0]*1+a[1]*2+a[2]*4+a[3]*8+a[5]*16+a[6]*32+a[7]*64+a[8]*128 image[i, j] = array[sum]*255 if array[sum] == 1:NEXT = 0 return imagearray = [0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 1, 0, 1, 1, 0, 0, 1, 0, 0, 0]# 显示灰度图img = cv2.imread(r'C:UserspcDesktopvas0.png',0)cv2.imshow('img1',img)# 自适应阈值分割img2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 17, 4)cv2.imshow(’img2’, img2)# 图像反色img3 = cv2.bitwise_not(img2)cv2.imshow('img3', img3)# 图像扩展img4 = cv2.copyMakeBorder(img3, 1, 1, 1, 1, cv2.BORDER_REFLECT)cv2.imshow('img4', img4)contours, hierarchy = cv2.findContours(img4, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)# 消除小面积img5 = img4for i in range(len(contours)): area = cv2.contourArea(contours[i]) if (area < 80) | (area > 10000):cv2.drawContours(img5, [contours[i]], 0, 0, -1)cv2.imshow('img5', img5)num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(img5, connectivity=8, ltype=None)# print(stats)s = sum(stats)img6 = np.ones(img5.shape, np.uint8) * 0for (i, label) in enumerate(np.unique(labels)): # 如果是背景，忽略 if label == 0:# print('[INFO] label: 0 (background)')continue numPixels = stats[i][-1] div = (stats[i][4]) / s[4] # print(div) # 判断区域是否满足面积要求 if round(div, 3) > 0.002:color = 255img6[labels == label] = colorcv2.imshow('img6', img6)# 图像反色img7 = cv2.bitwise_not(img6)# 图像细化for i in range(10): VThin(img7, array) HThin(img7, array)cv2.imshow('img7',img7)# 边缘检测img8 = cv2.Canny(img6, 80, 255)cv2.imshow('img8', img8)# 使灰度图黑白颠倒img9 = cv2.bitwise_not(img8)cv2.imshow('img9', img9)cv2.waitKey(0)

运行结果

问题及解决方法1.自适应阈值处理运行报错参考链接解决方式：

void adaptiveThreshold(InputArray src, OutputArray dst, doublemaxValue, int adaptiveMethod, int thresholdType, int bolckSize, double C)

src：InputArray类型的src，输入图像，填单通道，单8位浮点类型Mat即可。 dst：函数运算后的结果存放在这。即为输出图像（与输入图像同样的尺寸和类型）。 maxValue：预设满足条件的最大值。 adaptiveMethod自适应阈值算法。 ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C两种。 thresholdType：指定阈值类型。可选择THRESH_BINARY或者THRESH_BINARY_INV两种（即二进制阈值或反二进制阈值）。 bolckSize：表示邻域块大小，用来计算区域阈值，一般选择为3、5、7......等。 C：参数C表示与算法有关的参数，它是一个从均值或加权均值提取的常数，可以是负数。 根据报错提示及参数解释，blockSize的取值需要大于1且为奇数。

2.图像扩展

参考链接方式：使用cv2.copyMakeBorder()函数。主要参数：

src ： 输入的图片。 top, bottom, left, right ：相应方向上的边框宽度。 borderType：定义要添加边框的类型，详情参考链接。

3.面积选择参考链接方式：选择满足面积80-10000的图像输出, 去除噪声位置元素。

4.图像细化参考链接方式：经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架。骨架，可以理解为图像的中轴。

到此这篇关于Python opencv医学处理的实现过程的文章就介绍到这了,更多相关Python opencv医学处理内容请搜索好吧啦网以前的文章或继续浏览下面的相关文章希望大家以后多多支持好吧啦网！