基于OpenCV的血球计数板图像酵母细胞计数及死细胞识别需求

一、预处理修正与细胞掩码优化 #

你当前代码里存在冗余操作：先转灰度再转RGB是错误且无意义的（灰度图为单通道，无法直接转换为RGB）。以下是修正后的预处理流程，能得到更干净的细胞掩码：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像并转为RGB（OpenCV默认读取为BGR格式）
im = cv2.imread('Yeast.jpg')
im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB)

# 灰度化+去噪
gray = cv2.cvtColor(im_rgb, cv2.COLOR_RGB2GRAY)
blur = cv2.medianBlur(gray, 3)

# 自适应阈值二值化（适配光照不均场景）
thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
# 形态学开运算去除小噪点
kernel = np.ones((3,3), np.uint8)
clean_thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)

plt.imshow(clean_thresh, cmap='gray')

二、提取单个细胞斑点（解决重叠细胞分割） #

直接用轮廓检测会把重叠细胞识别为一个整体，这里用距离变换+分水岭算法分割重叠区域：

# 距离变换：计算前景像素到背景的距离，突出细胞中心
dist_transform = cv2.distanceTransform(clean_thresh, cv2.DIST_L2, 5)
# 阈值筛选得到细胞中心种子点
ret, sure_fg = cv2.threshold(dist_transform, 0.2*dist_transform.max(), 255, 0)
sure_fg = np.uint8(sure_fg)

# 确定背景区域与未知重叠区域
sure_bg = cv2.dilate(clean_thresh, kernel, iterations=3)
unknown = cv2.subtract(sure_bg, sure_fg)

# 标记连通区域，为分水岭算法做准备
ret, markers = cv2.connectedComponents(sure_fg)
markers = markers + 1  # 背景标记设为1，避免与未知区域混淆
markers[unknown==255] = 0

# 应用分水岭分割细胞
markers = cv2.watershed(im_rgb, markers)
im_rgb[markers == -1] = [255,0,0]  # 用红色标记细胞分割边界

# 统计总细胞数（标记值从2开始，减去背景和边界标记）
cell_count_total = len(np.unique(markers)) - 2
print(f"总细胞数：{cell_count_total}")

三、筛选不接触其他细胞的细胞 #

通过膨胀细胞掩码并检查重叠，判断细胞是否独立：

# 提取每个细胞的单独掩码
cell_masks = []
for label in range(2, markers.max()+1):
    mask = np.zeros_like(gray)
    mask[markers == label] = 255
    cell_masks.append(mask)

# 筛选无接触的独立细胞
independent_cells = []
for i, mask in enumerate(cell_masks):
    # 膨胀当前细胞掩码，模拟接触范围
    dilated = cv2.dilate(mask, kernel, iterations=2)
    # 检查是否与其他细胞掩码重叠
    overlap = False
    for j, other_mask in enumerate(cell_masks):
        if i != j and cv2.bitwise_and(dilated, other_mask).any():
            overlap = True
            break
    if not overlap:
        independent_cells.append(mask)

print(f"独立细胞数：{len(independent_cells)}")

四、识别并计数蓝色死细胞 #

在HSV颜色空间中筛选蓝色区域，稳定性优于RGB：

# 转换为HSV空间
hsv = cv2.cvtColor(im_rgb, cv2.COLOR_RGB2HSV)

# 蓝色的HSV范围（可根据实际图像微调）
lower_blue = np.array([90, 50, 50])
upper_blue = np.array([130, 255, 255])
blue_mask = cv2.inRange(hsv, lower_blue, upper_blue)

# 统计独立细胞中的蓝色死细胞
dead_cell_count = 0
for mask in independent_cells:
    # 提取细胞区域内的蓝色部分
    cell_blue = cv2.bitwise_and(blue_mask, mask)
    # 判断蓝色区域占比是否超过阈值（比如50%）
    blue_area = cv2.countNonZero(cell_blue)
    cell_area = cv2.countNonZero(mask)
    if cell_area > 0 and blue_area / cell_area > 0.5:
        dead_cell_count += 1

print(f"符合条件的死细胞数：{dead_cell_count}")

五、是否需要训练目标检测模型？ #

如果你的图像存在大量不规则重叠、极端光照变化，或需要适配多种复杂场景，训练YOLO、Faster R-CNN等模型是可行方案；但对于常规酵母计数任务，上述传统CV方法足够简便，无需标注大量数据，仅需微调参数即可适配多数场景。

内容的提问来源于stack exchange，提问作者Stefan Wiswedel