題目描述

利用opencv或其他工具編寫程序實現醫學處理。

實現過程

# -*- coding: utf-8 -*-’’’作者 : 丁毅開發時間 : 2021/5/9 16:30’’’import cv2import numpy as np# 圖像細化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]# 顯示灰度圖img = cv2.imread(r'C:UserspcDesktopvas0.png',0)cv2.imshow('img1',img)# 自適應閾值分割img2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 17, 4)cv2.imshow(’img2’, img2)# 圖像反色img3 = cv2.bitwise_not(img2)cv2.imshow('img3', img3)# 圖像擴展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)# 消除小面積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) # 判斷區域是否滿足面積要求 if round(div, 3) > 0.002:color = 255img6[labels == label] = colorcv2.imshow('img6', img6)# 圖像反色img7 = cv2.bitwise_not(img6)# 圖像細化for i in range(10): VThin(img7, array) HThin(img7, array)cv2.imshow('img7',img7)# 邊緣檢測img8 = cv2.Canny(img6, 80, 255)cv2.imshow('img8', img8)# 使灰度圖黑白顛倒img9 = cv2.bitwise_not(img8)cv2.imshow('img9', img9)cv2.waitKey(0)

運行結果

問題及解決方法1.自適應閾值處理運行報錯參考鏈接解決方式：

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

src：InputArray類型的src，輸入圖像，填單通道，單8位浮點類型Mat即可。 dst：函數運算后的結果存放在這。即為輸出圖像（與輸入圖像同樣的尺寸和類型）。 maxValue：預設滿足條件的最大值。 adaptiveMethod自適應閾值算法。 ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C兩種。 thresholdType：指定閾值類型。可選擇THRESH_BINARY或者THRESH_BINARY_INV兩種（即二進制閾值或反二進制閾值）。 bolckSize：表示鄰域塊大小，用來計算區域閾值，一般選擇為3、5、7......等。 C：參數C表示與算法有關的參數，它是一個從均值或加權均值提取的常數，可以是負數。 根據報錯提示及參數解釋，blockSize的取值需要大于1且為奇數。

2.圖像擴展

參考鏈接方式：使用cv2.copyMakeBorder()函數。主要參數：

src ： 輸入的圖片。 top, bottom, left, right ：相應方向上的邊框寬度。 borderType：定義要添加邊框的類型，詳情參考鏈接。

3.面積選擇參考鏈接方式：選擇滿足面積80-10000的圖像輸出, 去除噪聲位置元素。

4.圖像細化參考鏈接方式：經過一層層的剝離，從原來的圖中去掉一些點，但仍要保持原來的形狀，直到得到圖像的骨架。骨架，可以理解為圖像的中軸。

到此這篇關于Python opencv醫學處理的實現過程的文章就介紹到這了,更多相關Python opencv醫學處理內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！