Cách tốt nhất để phân chia tĩnh mạch trong lá?

Tôi đã thực hiện rất nhiều nghiên cứu và tìm ra các phương pháp như đập thích ứng, đầu nguồn, vv có thể được sử dụng để phát hiện các tĩnh mạch trong lá. Tuy nhiên, ngưỡng không tốt vì nó gây ra nhiều tiếng ồn

Tất cả hình ảnh của tôi đều là hình ảnh màu xám, xin vui lòng bất cứ ai có thể đề xuất phương pháp tiếp cận trong khi xem xét vấn đề này trong nhu cầu giúp đỡ khẩn cấp

EDIT: Hình ảnh gốc của tôi

Sau khi đập

Theo đề xuất của câu trả lời tôi đã thử phát hiện cạnh sau

1. Khôn ngoan

Quá nhiều tiếng ồn và nhiễu loạn không mong muốn

2. Sobel

3. Roberts

EDIT: Đã thử một thao tác nữa tôi nhận được kết quả sau tốt hơn so với những gì tôi đã thử với canny và thích nghi Bạn cảm thấy thế nào?

Bạn không tìm kiếm các cạnh (= viền giữa các khu vực mở rộng có giá trị xám cao và thấp), bạn đang tìm các đường vân (đường mỏng tối hơn hoặc sáng hơn vùng lân cận của chúng), vì vậy bộ lọc cạnh có thể không lý tưởng: Bộ lọc cạnh sẽ cung cấp cho bạn hai sườn (một ở mỗi bên của dòng) và phản hồi thấp ở giữa dòng:

THÊM : Nếu đã được yêu cầu giải thích sự khác biệt giữa máy dò cạnh và máy dò sườn rõ ràng hơn. Tôi xin lỗi trước nếu câu trả lời này đang trở nên rất dài.

Một máy dò cạnh là (thường) một toán tử đạo hàm đầu tiên: Nếu bạn tưởng tượng hình ảnh đầu vào là một cảnh quan 3D, thì một máy dò cạnh đo độ dốc của độ dốc tại mỗi điểm của cảnh quan đó:

Nếu bạn muốn phát hiện đường viền của vùng sáng hoặc tối kéo dài, điều này là tốt. Nhưng đối với các tĩnh mạch trong hình ảnh của OP, nó sẽ cung cấp cho bạn giống nhau: các đường viền bên trái và bên phải của mỗi tĩnh mạch:

Điều đó cũng giải thích "mẫu đường đôi" trong kết quả dò cạnh Canny:

Vì vậy, làm thế nào để bạn phát hiện những đường mỏng này (tức là những đường vân), sau đó? Ý tưởng là các giá trị pixel có thể được xấp xỉ (cục bộ) theo đa thức bậc 2, tức là nếu hàm hình ảnh là , thì đối với các giá trị nhỏ của và :$g$$x$$y$

$g(x,y)\approx \frac{1}{2} x^2 \frac{\partial ^2g}{\partial x^2}+x y \frac{\partial ^2g}{\partial x\, \partial y}+\frac{1}{2} y^2 \frac{\partial ^2g}{\partial y\, ^2}+x \frac{\partial g}{\partial x}+y \frac{\partial g}{\partial y}+g(0,0)$

hoặc, ở dạng ma trận:

$g(x,y)\approx \frac{1}{2} \left( \begin{array}{c} x \\ y \end{array} \right).\left( \begin{array}{cc} \frac{\partial ^2g}{\partial x^2} & \frac{\partial ^2g}{\partial x\, \partial y} \\ \frac{\partial ^2g}{\partial x\, \partial y} & \frac{\partial ^2g}{\partial y\, ^2} \end{array} \right).\left( \begin{array}{cc} x & y \end{array} \right)+\left( \begin{array}{c} x \\ y \end{array} \right).\left( \begin{array}{cc} \frac{\partial g}{\partial x} & \frac{\partial g}{\partial y} \end{array} \right)+g(0,0)$

Ma trận đạo hàm bậc hai được gọi là " Ma trận Hessian ". Nó mô tả cấu trúc bậc 2 mà chúng ta quan tâm.$\left( \begin{array}{cc} \frac{\partial ^2g}{\partial x^2} & \frac{\partial ^2g}{\partial x\, \partial y} \\ \frac{\partial ^2g}{\partial x\, \partial y} & \frac{\partial ^2g}{\partial y\, ^2} \end{array} \right)$

Phần thứ 2 của hàm này có thể được chuyển thành tổng của hai parabon được quay bởi một góc nào đó, bằng cách phân tách ma trận Hessian ở trên thành một phép quay chéo ma trận chéo của nó ( Phân rã ma trận ). Chúng tôi không quan tâm đến việc xoay vòng (chúng tôi muốn phát hiện các đường vân theo bất kỳ hướng nào), vì vậy chúng tôi chỉ quan tâm đến và$\lambda _1 x^2 + \lambda _2 y^2$$\lambda _1$$\lambda _2$

Hàm gần đúng này có thể có dạng hình gì? Trên thực tế, không nhiều:

Để phát hiện các đường vân, chúng tôi muốn tìm các khu vực trong hình ảnh trông giống như các ô cuối cùng ở trên, vì vậy chúng tôi đang tìm kiếm các khu vực có giá trị riêng lớn của Hessian (so với giá trị riêng nhỏ). Cách đơn giản nhất để phát hiện đó là chỉ tính toán giá trị riêng tại mỗi pixel - và đó là những gì bộ lọc sườn dưới đây thực hiện.

Một bộ lọc sườn núi có thể sẽ cho kết quả tốt hơn. Tôi đã thử tích hợp sẵn của Mathicala RidgeFilter(tính toán giá trị riêng của ma trận Hessian ở mỗi pixel) trên hình ảnh của bạn:

Như bạn có thể thấy, chỉ có một đỉnh duy nhất cho mỗi vạch tối mỏng. Sản lượng Binarizing và skeletonizing:

Sau khi cắt tỉa bộ xương và loại bỏ các thành phần nhỏ (nhiễu) khỏi hình ảnh, tôi nhận được bộ xương cuối cùng này:

Mã Mathicala đầy đủ:

ridges = RidgeFilter[ColorNegate@src];
skeleton = SkeletonTransform[Binarize[ridges, 0.007]];
DeleteSmallComponents[Pruning[skeleton, 50], 50]

THÊM VÀO:

Tôi không phải là chuyên gia Matlab, tôi không biết liệu nó có bộ lọc sườn núi tích hợp hay không, nhưng tôi có thể chỉ cho bạn cách triển khai "bằng tay" (một lần nữa, sử dụng Matematica). Như tôi đã nói, bộ lọc sườn núi là giá trị riêng của ma trận Hessian. Tôi có thể tính toán giá trị biểu tượng đó trong Mathicala:

$\text{eigenvalue}=\text{Last}\left[\text{Eigenvalues}\left[\left( \begin{array}{cc} H_{\text{xx}} & H_{\text{xy}} \\ H_{\text{xy}} & H_{\text{yy}} \end{array} \right)\right]\right]$

=>$\frac{1}{2} \left(H_{\text{xx}}+H_{\text{yy}}+\sqrt{H_{\text{xx}}^2+4 H_{\text{xy}}^2-2 H_{\text{xx}} H_{\text{yy}}+H_{\text{yy}}^2}\right)$

Vì vậy, những gì bạn phải làm là tính toán các đạo hàm thứ hai , , (sử dụng sobel hoặc đạo hàm của bộ lọc gaussian) và chèn chúng vào biểu thức trên và bạn đã có bộ lọc sườn núi của mình. H xy H $H_{\text{xx}}$$H_{\text{xy}}$$H_{\text{yy}}$

Khi sử dụng phát hiện cạnh Canny (trong Halcon), với alpha là 1 và ngưỡng thấp 8 và ngưỡng 13 cao (trên thang điểm 1-255), tôi nhận được kết quả như sau:

Với việc điều chỉnh các tham số, kết quả bạn nhận được từ Canny có thể được cải thiện hơn nhiều. Sử dụng hình ảnh này, bạn có thể bỏ qua các cạnh ngắn để loại bỏ nhiễu và kết nối các cạnh dài cho kết quả cuối cùng.

BTW: một màu khác nhau chỉ ra một cạnh khác.

Tôi có thể nhận được một kết quả khá giống nhau bằng cách sử dụng trình phát hiện cạnh Canny trực tuyến này :

• Chọn ảnh I9Pxl.png
• Sigma 1.2
• T-thấp 0,04
• Cao 0,07
• Cài đặt khác mặc định
• Nhấp vào xem cập nhật cho kết quả

Tiếp theo từ câu trả lời xuất sắc ở trên, đây là cách thực hiện trong python bằng cách sử dụng funcitons scikit.

from skimage.feature import hessian_matrix, hessian_matrix_eigvals

#assume you have an image img

hxx, hxy, hyy = hessian_matrix(img, sigma=3)
i1, i2 = hessian_matrix_eigvals(hxx, hxy, hyy)

#i2 is the variable you want.

#Visualise the result
import matplotlib.pyplot as plt
plt.imshow(i2)

Thay vì ngưỡng, tôi đã áp dụng phát hiện cạnh đơn giản.

GIMP được sử dụng với sự khác biệt của Gaussian - Radious Outer: 3.0 và Inside: 1.0.

Đây là cách nó trông như thế nào.

Bạn có thể áp dụng thêm bộ lọc trung bình hoặc xói mòn / giãn nở để bạn có thể loại bỏ một số nhiễu hạt.

Đây là trang giải thích việc thực hiện của gimp.

Bạn nên tham khảo các kỹ thuật khác nhau như Laplacian của Gaussian hoặc Sự khác biệt của Gaussin, v.v ... Xem điều này: http://homepages.inf.ed.ac.uk/rbf/HIPR2/log.htm#7

Và câu trả lời này Laplacian được sử dụng cho Unsharp Mask như thế nào?

Chủ đề này luôn thu hút rất nhiều sự quan tâm, và chưa có sự đồng thuận thực sự nào về chủ đề này. Vì vậy, tôi quyết định bỏ một vài từ.

Câu trả lời của tôi cho những câu hỏi tương tự trước đây về stackexchange ( Q1 và Q2 ) liên quan đến thuật toán trích xuất cấu trúc đường cong subpixel của Steger. Phương pháp này thực hiện hợp lý tốt trong nhiều trường hợp và may mắn, bao gồm cả phương pháp này. Do đó, tôi đăng hình ảnh đầu ra ở đây: và ở đây với một cài đặt tham số khác và không có màu kết nối: Để biết chi tiết và tham chiếu thích hợp, vui lòng xem các bài đăng stackexchange tôi đã đề cập.

Là một phần của năm cuối cùng của bài tập nghiên cứu kỹ thuật, tôi đã phải nghiên cứu các phương pháp phân đoạn cho các mạch máu trong hình ảnh đáy mắt. Tôi thấy phương pháp tái tạo cây này (của Cohen, Laurent D. và Mille, Julien đặc biệt thú vị khi sử dụng cùng với Phương pháp di chuyển nhanh.

Các giấy tờ khác bạn có thể muốn xem xét:

• Đường viền hoạt động trắc địa
• Về việc thực hiện các phương pháp diễu hành nhanh cho mạng 3D
• Đa bút chì FMM: một giải pháp chính xác cao cho phương trình Eikonal trên các miền Cartesian

Liên kết hữu ích: - Tuyên truyền phía trước trong 2D và 3D

Tôi hy vọng điều này sẽ giúp một chút, mặc dù nó không chính xác là nghệ thuật.