图像分割中的轮廓补全

Question

我正在尝试使用机器学习（即随机森林）进行图像分割。分类器利用许多不同的像素级特征将像素分类为边缘像素或非边缘像素。我最近将我的分类器应用于一组即使手动也很难分割的图像（基于边缘像素图的图像分割），并且仍在努力从结果概率图中获得合理的轮廓。我还将分类器应用于一组更简单的图像，当我将阈值调整为 0.95 时，我获得了非常好的预测轮廓（兰德指数 > 0.97）。我有兴趣通过过滤从概率图中提取的轮廓来改善分割结果。

这是原始图像：

专家概述：

从我的分类器生成的概率图：

当我基于 0.95 的阈值将图像转换为二进制时，可以进一步改进：

我尝试填充概率图中的漏洞，但这给我留下了很多噪音，有时会合并附近的单元格。我也尝试过在 openCV 中查找轮廓，但这也不起作用，因为这些轮廓中的许多都没有完全连接 - 轮廓中这里和那里会丢失一些像素。

编辑：我最终在概率图上使用了 Canny 边缘检测。

Answer 1

初始图像似乎对比度很好，我想我们可以简单地设置阈值以获得对细胞的良好估计。这是阈值图像的基于形态学区域的过滤：

临界点：

基于区域的开放过滤器（这需要根据您研究的细胞数据集进行设置）：

基于区域的关闭过滤器（这需要根据您研究的细胞数据集进行设置）：

使用 I-Erosion(I) 绘制轮廓：

代码片段：

C is input image
C10 = C>10; %threshold depends on the average contrast in your dataset
C10_areaopen = bwareaopen(C10,2500); %area filters average remove small components that are not cells
C10_areaopenclose = ~bwareaopen(~C10_areaopen,100); %area filter fills holes 
se = strel('disk',1);
figure, imshow(C10_areaopenclose-imerode(C10_areaopenclose,se)) %inner contour

为了获得更平滑的形状，我想可以对过滤后的图像进行精细的打开操作，从而去除单元格的任何凹入部分。同样对于附加的单元格，可以使用距离函数和距离函数的分水岭来获得单元格的分割：http : //www.ias-iss.org/ojs/IAS/article/viewFile/862/765

我想这也可以用于您的概率/置信度图以执行基于非线性区域的过滤。