使用OpenCV实现细胞计数的检测效果优化咨询

问题描述 #

目前已接近实现细胞计数功能，但现有方案存在缺漏，轮廓检测统计结果偏差较大。

• 实验原始细胞图像：
  
• 现有实现代码：

image = cv2.imread('/cells.png', 
                cv2.IMREAD_GRAYSCALE)
image = cv2.resize(image, (1000, 600)) 

th, threshedImg = cv2.threshold(image, 30, 255,cv2.THRESH_TOZERO_INV)
img_blur = cv2.GaussianBlur(threshedImg, (3,3), 0) 
sobelxy = cv2.Sobel(src=img_blur, 
                    ddepth=cv2.CV_64F, 
                    dx=1, dy=1, ksize=5)
edges = cv2.Canny(image=img_blur, 
                  threshold1=20, 
                  threshold2=65)

cv2.imshow('thresh', threshedImg)
cv2.imshow('Canny Edge Detection', edges)
cv2.waitKey(0)

• 现有代码输出效果：
  • Canny边缘检测结果：
  • 阈值处理结果：
• 现存问题：阈值处理细胞区域提取效果、Canny边缘捕捉效果均符合预期，但直接调用轮廓检测统计细胞数量结果偏差大。

问题原因 #

直接用Canny输出做轮廓检测计数不准的核心原因有三个：

1. Canny输出的细胞边缘存在大量断裂，没有形成闭合轮廓，单个细胞会被识别成多段零散边缘
2. 相邻粘连的细胞边缘会连为一体，被识别成单个大轮廓，导致计数偏少
3. 背景残留的细碎噪点会生成大量无效小轮廓，导致计数偏多

可落地的改进方案 #

1. 预处理环节调整 #

• 把固定阈值替换为Otsu自动阈值，自适应适配图像灰度分布，避免固定阈值在光照不均区域失效，替换原阈值代码为：

# 提前导入numpy，后续形态学操作也会用到
import numpy as np
th, threshedImg = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

• 把高斯模糊核调整为(5,5)，压平背景细碎噪点，减少假边缘生成
• 删除代码中未参与后续流程的Sobel算子计算，冗余操作无实际作用

2. 增加形态学操作与粘连细胞分割 #

这一步是解决计数不准的核心：

• 先做闭运算，填补细胞边缘的小缺口，让每个细胞的轮廓形成闭合连通域
• 用距离变换+分水岭算法分割粘连在一起的细胞，避免多个细胞被识别为单个轮廓
  核心实现代码：

# 生成椭圆形态学核，更贴合细胞的圆形形态
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
# 闭运算补全边缘缺口
closed_img = cv2.morphologyEx(threshedImg, cv2.MORPH_CLOSE, kernel, iterations=2)

# 距离变换定位每个细胞的独立中心区域
dist_trans = cv2.distanceTransform(closed_img, cv2.DIST_L2, 5)
ret, sure_foreground = cv2.threshold(dist_trans, 0.3*dist_trans.max(), 255, 0)
sure_foreground = np.uint8(sure_foreground)
unknown_region = cv2.subtract(closed_img, sure_foreground)

# 分水岭算法做粘连分割
ret, markers = cv2.connectedComponents(sure_foreground)
markers += 1
markers[unknown_region == 255] = 0
color_img = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
markers = cv2.watershed(color_img, markers)

3. 轮廓检测加过滤规则 #

分割完成后再做轮廓检测，不要直接统计所有轮廓，增加面积过滤规则剔除无效轮廓：

contours, _ = cv2.findContours(markers.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cell_count = 0
for cnt in contours:
    cnt_area = cv2.contourArea(cnt)
    # 面积上下限根据你样本中细胞的实际像素大小调整，当前数值为参考值
    if 60 < cnt_area < 1200:
        cell_count += 1
print(f"细胞计数结果：{cell_count}")

调优提示 #

• 所有参数不要硬编码，先统计10张左右样本图像里正常细胞的面积、灰度分布范围，再确定阈值，泛化性会明显提升
• 如果样本图像光照不均问题明显，可以在阈值处理前增加顶帽运算校正亮度差

内容的提问来源于stack exchange，提问作者Bob Jeans