使用 scikit-image 进行图像处理
重磅干货，第一时间送达
划痕试验时间序列分析。
图像处理在当今非常适用，对于2019冠状病毒疾病，无论是开发治疗方法还是寻找检测病毒的新方法，都给全球的研究人员带来了新的挑战。为了对 2019冠状病毒进行研究，研究人员通常需要对图像进行大量计算，以检测有助于得出新见解和结论的特定元素。
在这篇文章中，我将介绍图像处理的基础知识和一个小教程，详细介绍如何将图像处理用于阈值和分割，这是图像处理中两种非常强大的技术。在文章中，我们将使用 scikit-image，因此可能需要 Python 的基本背景知识和一些高等数学知识才能完全理解该概念。
除非我们有丰富的生物学经验，否则大多数人可能不知道什么是划痕试验，我将简要概述什么是划痕检测，然后直接进入教程。
划痕试验是生物学家用来跟踪细胞运动和相互作用的一种技术，具体来说，生物学家在培养皿中采集细胞样本，并在细胞平面上制造人工伤口，在开发人造伤口后，生物学家会定期拍摄任何细胞运动的图像，以开发出一系列用于分析的图像。
在下面的教程中，我们将处理下面提供的图像，因此在开始之前下载此图像并将其添加到我们的项目目录中。
从显微镜获得的划痕分析图像
首先，我们需要确定我们要试图做什么来处理此图像，为了从该图像中获得更多的信息，我们将使用各种分割技术来分离细胞区域和划痕区域（空白区域）。如我们所见，由于整个图像的像素值基本相同，因此我们不能仅根据颜色对该图像进行分割，但是我们可以使用纹理作为参数来确定培养皿的哪个区域有细胞，哪个区域没有细胞。为此，在开始分割图像之前，我们将对图像应用一个特殊的过滤器。
首先，让我们将所有必要的库导入我们的 Python 脚本：
然后，导入我们上面提供的图像，我们在下面的代码片段中将图像命名为“scratch.jpg”。
在上面的代码中，我使用了scikit image中的io包来使用imread函数，该函数允许我输入图像数据，此函数的工作原理与用于 CSV 文件的 Pandas read_csv 方法完全相同。此外，我们使用了 scikit-image 的形态学包中的熵过滤器，这将允许我们通过搜索某些像素中的无序情况来分析图像的纹理。如果小伙伴们想进一步了解所有这些函数的功能和参数，请访问 scikit-image 文档。我们可以使用磁盘参数，但对于此图像，磁盘值为 10 时可获得最佳结果。
现在，我们将应用Otsu阈值滤波器，该滤波器来自skiliage.filters包，这个简单的单行命令将允许我们应用Otsu阈值滤波器。Otsu阈值是一种特定算法，它迭代图像中的每个像素并将像素分为两类：背景和前景。一旦我们实际绘制了图像，我们就会理解其效果。
阈值过滤器只返回单个数字，该值是 Otsu 算法为优化图像分割计算的精确值，将帮助我们生成最终图像。
最后，在这里我们可以看到图像分割的结果。在这段代码中，我们定义了一个子图，其中将显示原始图像、使用熵过滤器的图像以及同时使用熵过滤器和 Otsu 过滤器的图像。“带 Otsu 过滤器的分段试验”图像将是我们划痕试验分析的最终结果，让我们看看所有这些代码的输出：
正如我们在上面的图像中看到的，熵过滤器在原始图像中产生了巨大的变化，熵过滤器检测图像像素中的微小变化，并根据图像某些区域的复杂性划分像素。正如我们在第二张图片中看到的，黑色条带代表没有细胞的区域，而灰色区域代表有细胞的区域。Otsu 过滤器通过实现一个阈值来巩固这种分割，使我们能够在划痕分析的准确时刻准确地定位细胞的位置。
最后，我们可以打印代表检测中无细胞区域的像素数，以便更好地了解细胞是如何随着时间移动和增殖的。
这个具体的项目对于理解图像处理的一些基本方面非常有用，由于所有像素具有相同的 RGB 值，因此在本教程中分析的图像非常难以分割。然而，在熵过滤器的帮助下，我们能够生成一个基于纹理处理的图像，然后我们可以使用 Otsu 阈值来更深入地了解该时间点的细胞位置。
划痕分析由一个时间序列组成，我们只分析了该时间序列中的一张图像，生物学家在多个图像中多次循环此过程，以生成细胞运动的时间序列表示。当他们浏览每张图像时，生物学家会记录细胞运动和位置的变化，这为他们提供更多有关细胞增殖率和细胞迁移模式的信息。
许多图像处理过滤器需要复杂的高斯数学知识，而大多数人没有这方面的经验，但是 scikit-image 消除了实现此类过滤器所需的高级数学知识。然而，对高斯核和其他此类计算工具的了解，可以让研究人员获得预包装软件能够提供的更准确的可视化效果。
我在下面添加了完整的代码要点。
In [ ]:from skimage.filters.rank import entropyfrom skimage.morphology import diskfrom skimage.filters import threshold_otsufrom skimage import ioimport matplotlib.pyplot as pltimport numpy as npimport skimageIn [ ]:img = io.imread('images/scratch.jpg') # Reading Imageentropy_img = entropy(img, disk(10)) # Applying entropy filter for better segmentationIn [ ]:thresh = threshold_otsu(entropy_img) # Applying Otsu filter for optimal thresholdingIn [ ]:# Creating image in which all pixels with value less than threshold is equal to truebinary = entropy_img <= thresh # Composed of 0s and 1s (False and True)In [ ]:# Displaying Imagesfig, ax = plt.subplots(nrows=1, ncols=3, figsize=(12,10))
ax[0].imshow(img)ax[0].set_title("Original Assay")
ax[1].imshow(entropy_img)ax[1].set_title("Assay w/ Entropy Filter")
ax[2].imshow(binary)ax[2].set_title("Segmented Assay w Otsu Filter")In [ ]:print(np.sum(binary == 1)) # the number of pixels that correspond to the clear space in the assay