Wie segmentieren Blutgefäße python opencv

Question

Ich versuche, die Blutgefäße in Netzhautbilder mit Python und OpenCV zu segmentieren. Hier ist das Original-Bild:

Idealerweise möchte ich die alle Blutgefäße sehr sichtbar sein wie diese (andere Bild):

Hier ist, was ich versucht habe, so weit . Ich nahm den grünen Farbkanal des Bildes.

img = cv2.imread('images/HealthyEyeFundus.jpg') 
b,g,r = cv2.split(img) 

Dann habe ich versucht durch folgende this article ein angepasstes Filter zu erstellen und das ist, was das Ausgangsbild ist:

Dann max Entropie Schwellwertbildung ich versuchte dabei:

def max_entropy(data): 
    # calculate CDF (cumulative density function) 
    cdf = data.astype(np.float).cumsum() 

    # find histogram's nonzero area 
    valid_idx = np.nonzero(data)[0] 
    first_bin = valid_idx[0] 
    last_bin = valid_idx[-1] 

    # initialize search for maximum 
    max_ent, threshold = 0, 0 

    for it in range(first_bin, last_bin + 1): 
     # Background (dark) 
     hist_range = data[:it + 1] 
     hist_range = hist_range[hist_range != 0]/cdf[it] # normalize within selected range & remove all 0 elements 
     tot_ent = -np.sum(hist_range * np.log(hist_range)) # background entropy 

     # Foreground/Object (bright) 
     hist_range = data[it + 1:] 
     # normalize within selected range & remove all 0 elements 
     hist_range = hist_range[hist_range != 0]/(cdf[last_bin] - cdf[it]) 
     tot_ent -= np.sum(hist_range * np.log(hist_range)) # accumulate object entropy 

     # find max 
     if tot_ent > max_ent: 
      max_ent, threshold = tot_ent, it 

    return threshold 


img = skimage.io.imread('image.jpg') 
# obtain histogram 
hist = np.histogram(img, bins=256, range=(0, 256))[0] 
# get threshold 
th = max_entropy.max_entropy(hist) 
print th 

ret,th1 = cv2.threshold(img,th,255,cv2.THRESH_BINARY) 

Das ist das Ergebnis, das ich bekomme, das offensichtlich nicht alle Blutgefäße zeigt:

Ich habe auch versucht, die Matched-Filter-Version des Bildes und die Größe seiner Sobel Werte zu nehmen.

img0 = cv2.imread('image.jpg',0) 
sobelx = cv2.Sobel(img0,cv2.CV_64F,1,0,ksize=5) # x 
sobely = cv2.Sobel(img0,cv2.CV_64F,0,1,ksize=5) # y 
magnitude = np.sqrt(sobelx**2+sobely**2) 

Dies macht die Gefäße mehr herausspringen:

Dann habe ich versucht Otsu Schwellwertbildung darauf:

img0 = cv2.imread('image.jpg',0) 
# # Otsu's thresholding 
ret2,th2 = cv2.threshold(img0,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) 

# Otsu's thresholding after Gaussian filtering 
blur = cv2.GaussianBlur(img0,(9,9),5) 
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) 

one = Image.fromarray(th2).show() 
one = Image.fromarray(th3).show() 

Otsu nicht ausreichende Ergebnisse nicht geben. Es endet mit Lärm in den Ergebnissen:

Jede Hilfe, wie ich kann Segment geschätzt wird das Blutgefäß erfolgreich.

Answer 1

arbeitete ich an Retina Gefäßerkennung für ein bisschen vor einigen Jahren, und es gibt verschiedene Möglichkeiten, es zu tun:

• Wenn Sie nicht über ein Top-Ergebnis brauchen aber etwas schnell, können Sie orientieren Öffnungen verwenden , see here und here.
• Dann haben Sie eine andere Version mit mathematischer Morphologie version here.

Für bessere Ergebnisse, sind hier einige Ideen:

• Ich persönlich verwendete Kombination von Gabor-Filtern, und die Ergebnisse, wo ziemlich gut. Siehe the segmentation result here on the first image of drive.
• Und Gabor can be combined with learning for a good result oder here.
• Vor ein paar Jahren, they claimed to have the best algorithm, aber ich hatte noch nie die Gelegenheit, es zu testen. Ich war skeptisch gegenüber der Leistungslücke und der Art und Weise, wie sie die Ergebnisse des Zeilendetektors schwellen, es war irgendwie unklar.
• Aber ich weiß, dass heutzutage viele Leute versuchen, das Problem mit CNN anzugehen, aber ich habe nicht von signifikanten Verbesserungen gehört.