重叠细胞分割求助：Watershed算法误分割非重叠细胞

我正在使用Python脚本进行重叠细胞分割，这套方法在分离重叠细胞时效果不错，但误分割非重叠细胞的问题很头疼。我已经附上了输入图像、输出图像、标记错误分割细胞的输出图像以及阈值化图像，想请教如何避免这个问题，或者当前方法是不是不适用于这类图像？

我的代码 #

from skimage.feature import peak_local_max
from skimage.morphology import watershed
from scipy import ndimage
import numpy as np
import cv2

# load the image and perform pyramid mean shift filtering
# to aid the thresholding step
image = cv2.imread('C:/Users/Root/Desktop/image13.jpg')
shifted = cv2.pyrMeanShiftFiltering(image, 41, 51)

# convert the mean shift image to grayscale, then apply
# Otsu's thresholding
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
im = gray.copy()

D = ndimage.distance_transform_edt(thresh)
localMax = peak_local_max(D, indices=False, min_distance=3, labels=thresh)

# perform a connected component analysis on the local peaks,
# using 8-connectivity, then apply the Watershed algorithm
markers = ndimage.label(localMax, structure=np.ones((3, 3)))[0]
labels = watershed(-D, markers, mask=thresh)

print("[INFO] {} unique segments found".format(len(np.unique(labels)) - 1))
conts=[]
for label in np.unique(labels):
	# if the label is zero, we are examining the 'background'
	# so simply ignore it
	if label == 0:
		continue
	# otherwise, allocate memory for the label region and draw
	# it on the mask
	mask = np.zeros(gray.shape, dtype="uint8")
	mask[labels == label] = 255
	# detect contours in the mask and grab the largest one
	cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
	c = max(cnts, key=cv2.contourArea)
	rect = cv2.minAreaRect(c)
	box = cv2.boxPoints(rect)
	box = np.int0(box)
	if cv2.contourArea(c) > 150:
		#cv2.drawContours(image,c,-1,(0,255,0))
		cv2.drawContours(image,[box],-1,(0,255,0))

cv2.imshow("output", image)
cv2.waitKey()

问题根源分析 #

你的核心问题出在**peak_local_max的参数设置和阈值化环节的细节处理**上：

• min_distance=3太小了——这个参数控制局部极大值之间的最小距离，值过小会导致单个非重叠细胞的距离变换图上出现多个局部峰值，Watershed算法自然会把一个细胞拆成多个区域。
• 你做了均值漂移滤波（pyrMeanShiftFiltering）但没用到实处：后续阈值化用的是原始灰度图，而非滤波后的shifted图像，导致阈值化结果残留大量噪声，进一步干扰局部峰值检测。
• 缺少形态学处理：阈值化后的图像可能存在小噪声点或细胞内部孔洞，这些都会误导距离变换和峰值检测。

改进方案 #

针对以上问题，你可以按以下步骤调整代码：

1. 用滤波后的图像做阈值化 #

把阈值化的输入换成shifted处理后的图像，能有效抑制背景噪声，让细胞边界更清晰：

# 修正阈值化步骤：使用均值漂移滤波后的图像转灰度
gray = cv2.cvtColor(shifted, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

2. 调整peak_local_max的min_distance参数 #

根据你的细胞实际尺寸设置这个值——如果非重叠细胞直径在20像素左右，把min_distance调到10-15，确保单个细胞内只检测到一个局部峰值：

localMax = peak_local_max(D, indices=False, min_distance=12, labels=thresh)

你可以根据实际图像微调数值，直到不再出现单细胞被分割的情况。

3. 增加形态学处理优化阈值图像 #

在阈值化后加入开运算消除小噪声，闭运算填补细胞内部孔洞：

# 定义椭圆结构元素，大小根据细胞尺寸调整
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
# 开运算去除背景小噪声
thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)
# 闭运算填补细胞内部孔洞
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=1)

4. 可选：过滤无效标记区域 #

在生成标记后，过滤掉对应过小区域的标记，避免噪声带来的假分割：

markers = ndimage.label(localMax, structure=np.ones((3,3)))[0]
# 统计每个标记的像素数量
label_counts = np.bincount(markers.flatten())
# 过滤掉像素数过少的标记（比如小于50的）
for label in range(1, len(label_counts)):
    if label_counts[label] < 50:
        markers[markers == label] = 0
# 重新标记，去除无效标记
markers = ndimage.label(markers > 0, structure=np.ones((3,3)))[0]

关于方法适用性的说明 #

Watershed算法本身非常适合细胞分割场景，尤其是重叠细胞的分离，只要参数和预处理环节匹配你的图像特征，完全可以适配你的需求。你当前的问题不是方法不适用，而是细节处理没到位。

内容的提问来源于stack exchange，提问作者Philipp Marquardt