И.М.Журавель "Краткий курс теории обработки изображений"

В оглавление \ К следующему разделу \ К предыдущему разделу

Сегментация цветных изображений на основе кластеризации по методу k-средних

Рассмотрим задачу, основной целью которой является автоматическая сегментация на основе кластеризации (метод k-средних) цветных изображений, представленных в цветовом пространстве L*a*b*.

Содержание

• Шаг1: Считывание изображения.
• Шаг 2: Преобразование изображения из цветовой системы RGB в цветовую систему L*a*b*.
• Шаг 3: Классификация цветов в пространстве 'a*b*' с использованием кластеризации (метод k-средних).
• Шаг 4: Присвоение меток каждому пикселю изображения на основе метода k-средних.
• Шаг 5: Создание сегментированного изображения на основе цветного.
• Шаг 6: Сегментация ядер на основании отдельного изображения.

Шаг1: Считывание изображения.

Считаем файл hestain.png, который содержит изображение гемотоксина и эозина (H&E). Здесь применен метод окрашивания для детального анализа патологий.

he=imread('hestain.png');
imshow(he), title('H&E изображение');
text(size(he, 2),size(he, 1)+15,...
     'Image courtesy of Alan Partin, Johns Hopkins University', ...
     'FontSize',7,'HorizontalAlignment','right');



Шаг 2: Преобразование изображения из цветовой системы RGB в цветовую систему L*a*b*.

Какое количество цветов видно на изображении, когда не принимать во внимание возможность комбинации яркостей? На самом деле их три: белый, голубой и розовый. Следует отметить различия этих цветов между собой. Цветовое пространство L*a*b* (оно еще известно как CIELAB или CIE L*a*b*) дает возможность различать эти визуальные различия.

Цветовое пространство L*a*b* получено на основе трехцветных значений CIE XYZ. Пространство L*a*b* включает информацию о значении интенсивности 'L*', значении цветности 'a*', которое показывает какой цвет выбран на красно-зеленой оси и значение цветности 'b*' показывает какой цвет выбран на голубо-желтой оси. Вся информация о цветах содержится в значениях 'a*' и 'b*'. Оценить разницу между двумя цветами можно с использованием евклидового расстояния.

Преобразуем изображение в цветовое пространство L*a*b* с использованием функций makecform и applycform.

cform=makecform('srgb2lab');
lab_he=applycform(he, cform);

Шаг 3: Классификация цветов в пространстве 'a*b*' с использованием кластеризации (метод k-средних).

Кластеризация приводит до разделения объектов на группы. Кластеризация методом k-средних приводит также к локализации объектов в пространстве. Поиск разделения, т.е. какой объект к какому классу принадлежит, происходит на основе анализа метрического расстояния между объектами.

Далее на основании информации о цветах в пространстве 'a*b*', каждому пикселю объекта присваивается значение 'a*' и 'b*'. Используем кластеризацию методом k-средних для разделения объектов на три кластера. Для этого используем евклидовую метрику.

ab=double(lab_he(:, :, 2:3));
nrows=size(ab, 1);
ncols=size(ab, 2);
ab=reshape(ab, nrows*ncols, 2);
nColors=3;
[cluster_idx cluster_center]=kmeans(ab, nColors, 'distance', 'sqEuclidean', ...
                                      'Replicates',3);

Шаг 4: Присвоение меток каждому пикселю изображения на основе метода k-средних.

Для каждого объекта на исходном изображении метод k-средних возвращает индекс соответствующего кластера. Значение параметра cluster_center, которое получено в результате применения метода k-средних будет использовано при дальнейшей демонстрации метода. Отметим пиксели, которые содержаться в cluster_index.

pixel_labels=reshape(cluster_idx, nrows,ncols);
imshow(pixel_labels, []), title('изображение, отмеченное кластерными индексами');



Шаг 5: Создание сегментированного изображения на основе цветного.

Используя параметр pixel_labels, можно разделить объекты на изображении hestain.png по цветах.

segmented_images=cell(1, 3);
rgb_label=repmat(pixel_labels, [1 1 3]);
for k=1 : nColors
        color=he;
        color(rgb_label~=k)=0;
        segmented_images{k}=color;
end
imshow(segmented_images{1}), title('объекты в кластере 1');



imshow(segmented_images{2}), title('объекты в кластере 2');



mshow(segmented_images{3}), title('объекты в кластере 3');



Шаг 6: Сегментация ядер на основании отдельного изображения.

Рассмотрим изображение, которое содержит синие объекты. Отметим, что они являются темно-синими и светло-синими. Используя значение 'L*' в цветовом пространстве L*a*b* можно отделить темно-синие объекты от светло-синих.

Напомним, что параметр 'L*' содержит значения интенсивностей для каждого цвета. Найдем кластеры, которые содержат синие объекты. Получим значения интенсивностей объектов в этом кластере и обработаем их пороговым методом с использованием функции im2bw.

Параметр cluster_center содержит среднее значение 'a*' и 'b*' для каждого кластера. Синий кластер имеет второе наибольшее значение cluster_center.

mean_cluster_val=zeros(3, 1);
for k=1:nColors
        mean_cluster_val(k)=mean(cluster_center(k));
end
[mean_cluster_val,idx]=sort(mean_cluster_val);
blue_cluster_num=idx(2);
L=lab_he(:, :, 1);
blue_idx=find(pixel_labels==blue_cluster_num);
L_blue=L(blue_idx);
is_light_blue=im2bw(L_blue,graythresh(L_blue));

Используем маску is_light_blue для того, чтобы пометить те пиксели, которые являются частью синего ядра. Отобразим синие ядра на разделенном изображении.

nuclei_labels=repmat(uint8(0), [nrows ncols]);
nuclei_labels(blue_idx(is_light_blue==false))=1;
nuclei_labels=repmat(nuclei_labels, [1 1 3]);
blue_nuclei=he;
blue_nuclei(nuclei_labels~=1)=0;
imshow(blue_nuclei), title('синие ядра');



В оглавление \ К следующему разделу \ К предыдущему разделу