如何用Python3.11与scikit-image去除培养皿外围假阳性保留内部菌落？

问题背景 #

我需要处理随时间变化的培养皿扫描图像，分析菌落的生长速率、出现时间等统计数据。目前已完成以下步骤：

• 读取图像并转为灰度图
• 通过中值滤波处理
• 阈值分割得到二值图

当前实现代码：

# Reading image and gray scaling
import skimage.io
import skimage.color
import matplotlib.pyplot as plt

test = skimage.io.imread("C:/Users/user/Documents/PythTestImg/img016.tif")
graytest = skimage.color.rgb2gray(test)

fig, ax = plt.subplots()
plt.imshow(graytest, cmap='gray')
plt.show()

# Median filter
from skimage.morphology import disk
from skimage.filters import median

d = disk(radius=2)
blurredtest = median(graytest, d)

fig, ax = plt.subplots()
plt.imshow(blurredtest, cmap='gray')
plt.show()

# Histogram creation
import numpy as np

histogram, bin_edges = np.histogram(blurredtest, bins=256, range=(0.0, 1.0))

fig, ax = plt.subplots()
plt.plot(bin_edges[0:-1], histogram)
plt.title("Grayscale Histogram")
plt.xlabel("grayscale value")
plt.ylabel("pixels")
plt.xlim(0, 1.0)
plt.show()

# Thresholding section
# t = skimage.filters.threshold_otsu(blurredtest)
# print("Found automatic threshold t = {}.".format(t))

t = 0.93
finaltest = blurredtest > t

fig, ax = plt.subplots()
plt.imshow(finaltest, cmap="gray")
plt.show()

当前结果已分离出白色菌落，但圆形培养皿外围存在假阳性区域（尤其是大块白色区域）。手动删除矩阵值的方式无法批量高效处理，尝试过霍夫变换和边缘检测但参数设置未达预期，需要在保留内部菌落的前提下，选择性去除培养皿外围的假阳性，使用环境为PyCharm、Python 3.11和scikit-image。

解决方案：圆形掩码过滤法 #

核心思路是精准定位培养皿的圆形区域，生成仅覆盖内部的掩码，通过掩码与二值图的逻辑运算剔除外围假阳性，完全适配批量处理。

1. 边缘检测提取培养皿轮廓 #

先对模糊后的灰度图做Canny边缘检测，为后续圆检测提供清晰轮廓：

from skimage import feature

# sigma值根据图像噪声调整，越大边缘越平滑，噪声越少
edges = feature.canny(blurredtest, sigma=3)

2. 霍夫圆检测定位培养皿 #

通过霍夫圆检测锁定培养皿的圆心和半径，重点是设置合理的半径范围：

from skimage.transform import hough_circle, hough_circle_peaks
import numpy as np

# 估算培养皿的像素半径范围，根据图像实际尺寸调整
radius_range = np.arange(200, 300, 2)

# 执行霍夫圆检测
hough_radii, hough_centers = hough_circle(edges, radius_range)

# 获取最匹配的圆形（即培养皿）
accums, cx, cy, radii = hough_circle_peaks(hough_radii, hough_centers, radius_range, total_num_peaks=1)

3. 生成培养皿内部掩码 #

基于检测到的圆心和半径，创建仅内部区域为True的二值掩码：

mask = np.zeros_like(finaltest)

# 利用距离公式生成圆形掩码
y, x = np.ogrid[:mask.shape[0], :mask.shape[1]]
distance_from_center = np.sqrt((x - cx)**2 + (y - cy)**2)
mask[distance_from_center <= radii] = True

4. 过滤外围假阳性 #

将原始二值图与掩码做逻辑与运算，保留内部菌落，剔除外围假阳性：

cleaned_test = finaltest & mask

# 展示处理后的结果
fig, ax = plt.subplots()
plt.imshow(cleaned_test, cmap="gray")
plt.show()

批量处理优化建议 #

• 若所有图像的培养皿尺寸、位置差异小，可固定半径范围；若差异大，可先用skimage.measure.find_contours提取最大连通区域，再计算圆心和半径。
• 将上述步骤封装为函数，遍历图像文件夹实现批量自动处理。

参数调试技巧 #

• Canny边缘检测的sigma：图像噪声多则调大，轮廓不清晰则调小。
• 霍夫圆检测的radius_range：先查看图像尺寸估算培养皿像素半径，缩小范围可提升检测精度与速度。
• 若霍夫圆检测不稳定，可先通过Otsu自动阈值分割灰度图，再提取面积最大的连通区域作为培养皿，生成对应掩码。

内容的提问来源于stack exchange，提问作者DAVID VAYSBERG