Вопрос или проблема
Предыстория
Я аспирант, пытающийся улучшить свои навыки в области data science. Один из моих исследовательских проектов связан с определением размера кластеров на цветном изображении областей. Вот пример изображения, которое я использую. Цвета естественны, так как они представляют ориентацию света микроскопа. Свет попадает на поверхность по-разному, в результате чего появляются разные цвета. Но я не пытаюсь суммировать области похожих цветов, а просто определить площадь каждой из этих полиго́nальных областей. У меня нет достоверных данных или размеченных изображений.
Проблема
Я пытаюсь вычислить размер каждой из этих цветных областей.
Попытки решить проблему
У меня нет размеченных изображений, поэтому я не пытался применять какие-либо контролируемые методы. И я не знаю, разумен ли мой подход, но мой текущий метод решает две проблемы одновременно. Первая — это обнаружение краев, вторая — подсчет пикселей. Возможно, есть лучший подход?
Для обнаружения краев я использую K-средние, как это предоставляется в Weka. Параметры, которые я использовал, приведены ниже.
weka.clusterers.SimpleKMeans -init 0 -max-candidates 100 -periodic-pruning 10000 -min-density 2.0 -t1 -1.25 -t2 -1.0 -N 70 -A “weka.core.EuclideanDistance -R first-last” -I 500 -num-slots 1 -S 40
Другой способ, которым я пытался решить эту проблему, — это построение графиков значений RGB пикселей для определения ковариации пикселей с целью определения границ. Затем я бы добавил пиксели между границами, чтобы определить размер области.
Проблемы с моим подходом
Используя K-средние, я должен заранее знать, сколько цветных областей находится на изображении, а я не знаю этого. При использовании метода ковариации он хорошо определяет границы в цветовом массиве, но у меня нет способа узнать площадь области.
Вопрос
Какой более мудрый способ подойти к этому вопросу, который я мог бы попробовать дальше? Какой метод будет здесь наиболее эффективным?
Дополнительная информация
Формат изображения: TIF
Сжатие: Нет
Размер: 2000 x 2000 пикселей (4 Мпикселя)
Цвета: 16.7 миллионов (24 бит на пиксель)
Количество уникальных цветов: 382,887
Определение размера цветных областей может быть лучше сформулировано как задача выпуклой оболочки, поскольку границы четко различимы. После того как каждая выпуклая оболочка определена, область можно определить в пикселях.
Ответ или решение
Способы вычисления площади закрашенных областей на карте
Введение
Выявление и анализ областей с различной окраской на изображениях является важной задачей в области компьютерного зрения и анализа данных. Для аспиранта, работающего над проектом, связанным с определением размеров кластеров в окрашенных изображениях, это может представлять определенные сложности. В данном ответе мы рассмотрим эффективные методы расчета площади закрашенных областей, основываясь на предоставленной информации и опыте.
Проблема
Ваша задача заключается в том, чтобы вычислить площадь каждого из закрашенных регионов на изображении микроструктуры, но без предварительной разметки или истинных значений. Это вносит определенные трудности в использование традиционных методов, таких как супервизированное обучение. Вместо этого мы должны рассмотреть методы, которые могут эффективно определять границы и размеры областей.
Решение
-
Метод сегментации изображений
Вместо использования такой техники, как K-средние, где необходимо заранее знать количество кластеров, стоит рассмотреть алгоритмы сегментации изображений. Один из наиболее популярных методов – алгоритм подсчета связных компонентов. Этот метод позволяет выделить отдельные области на изображении, основываясь на их цвете и связности пикселей. Важно тщательно подбирать параметры, такие как пороговое значение для различия цвета. -
Алгоритм Canny для детекции краев
Перед сегментацией может быть полезным использовать алгоритм Canny для определения границ объектов. Этот метод может помочь выделить контуры закрашенных областей, что сделает последующую сегментацию более точной. Алгоритм Canny использует несколько этапов, включая сглаживание, нахождение градиентов и подавление не максимальных значений, что позволяет добиться высокой четкости определяемых границ. -
Обработка цветового пространства
Чтобы эффективно разделить области, попробуйте изменить цветовое пространство изображения. Цветовое пространство HSV (Hue, Saturation, Value) может быть более информативным для выделения различных областей по сравнению с RGB. После преобразования можно использовать методы пороговой обработки для выделения различных регионов. -
Конвексные оболочки
Рассмотрение проблемы как задачи о конвексной оболочке может быть полезным. Определите границы каждой области и выделите контур, чтобы затем вычислить площадь. Вычисление площади конвексной оболочки для каждого регистраций точки может быть выполнено с использованием алгоритма Грэхема или алгоритма Джарвиса. -
Определение площади
После выделения границ закрашенных областей можно подсчитать количество пикселей в каждой области. Если изображение имеет разрешение 2000×2000 пикселей, то каждая единица площади может считаться квадратным пикселем. Таким образом, общая площадь может быть рассчитана умножением количества пикселей в области на площадь одного пикселя.
Заключение
При анализе изображений с многими закрашенными областями важно выбирать правильные инструменты и методы. Это включает в себя сегментацию изображений, детекцию краев, изменение цветового пространства, анализ контуров и вычисление площадей. Использование этих методов не только повысит точность ваших расчетов, но и упростит процесс получения результатов. Объединив их, можно значительно облегчить задачу определения площади закрашенных регионов на микроскопических изображениях.