Java 分割后如何去除图像中的小物体

说明

我有一张肺癌CT扫描图像，我想从中分割和提取癌区。我使用了opencv和Java

我有以下图像作为输入：

在使用阈值分割和分水岭方法进行分割后，我得到以下结果：

然后，我想从分割的图像中提取癌区，所以我必须去除所有噪声和感兴趣区域（癌结节）之外的其他物体。如下图所示，我想像这样提取癌结节：

---

如何在android中使用OpenCV实现这一点

为什么不使用称为MobileUnit的深层神经网络来解决语义分割问题。我刚才提到它有一个非常简单的设计。它可用于IOS和Android

您可以在Github存储库中查看更多详细信息。

---

为什么不使用称为MobileUnit的深层神经网络来解决语义分割问题。我刚才提到它的设计非常简单。它可用于IOS和Android

您可以在Github存储库中查看更多详细信息。

---

我试图实施我建议的解决方案。我的答案是C++，但是这个想法很简单，你应该能够用java实现它。正如我所评论的，这个想法是使用形态学来获得感兴趣的斑点。主要是侵蚀操作。让我们看看：

   //Read input image:
   std::string imagePath = "C://opencvImages//lungsImage.png";
   cv::Mat imageInput= cv::imread( imagePath );

   //Convert it to grayscale:
   cv::Mat grayImg;
   cv::cvtColor( imageInput, grayImg, cv::COLOR_BGR2GRAY );

第一步是获得二值图像。看来你实现了分水岭分割。没关系。我试着用一个大窗口应用一个简单的自适应阈值（

601

，在这种情况下）。它给了我很好的结果：

    //Get the binary image:
    cv::adaptiveThreshold( grayImg, grayImg, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY, 601, 10 );

这是您得到的结果：

现在，有多个斑点。然而，我将寻找最大的blob，因为这是我们感兴趣的目标区域所在的位置。搜索二值图像中最大的斑点是我经常执行的任务，因此我为此准备了一个函数。它被称为

findBiggestBlob

。稍后我将介绍该函数。查看过滤掉较小斑点后得到的结果：

    //Get the biggest blob in the binary image
    cv::Mat targetBlobs = findBiggestBlob( grayImg );

结果是：

现在，只需应用形态学。首先，一个侵蚀操作。使用大小为

5 x 5

的

ellipse

结构元素和

4

迭代来分离感兴趣的blob：

    //Apply erosion to the biggest blob mask;
    cv::Mat morphKernel = cv::getStructuringElement( cv::MORPH_ELLIPSE, cv::Size(5, 5) );
    int morphIterations = 4; // use 4 iterations
    cv::morphologyEx( targetBlobs, targetBlobs, cv::MORPH_ERODE, morphKernel, cv::Point(-1,-1), morphIterations );

查看结果，感兴趣的blob现在已分离：

现在，想法很简单。如果我们再次提取图像中最大的斑点，我们最终应该得到的是没有癌区的肺。然后，将此图像减去“分离”的遮罩，我们将在一个遮罩中得到感兴趣的斑点：

    //Get the lungs image:
    cv::Mat bigBlob = findBiggestBlob( targetBlobs );

你得到这个：

现在，让我们应用

explate

操作恢复blob的原始大小，使用相同的结构元素和相同的迭代次数。结果是：

下面是覆盖在原始图像上的斑点（红色）：

这是

findBiggestBlob

函数的代码。其思想就是计算二进制输入中的所有轮廓，计算它们的面积，并存储具有束中最大面积的轮廓：

//Function to get the largest blob in a binary image:
cv::Mat findBiggestBlob( cv::Mat &inputImage ){

    cv::Mat biggestBlob = inputImage.clone();

    int largest_area = 0;
    int largest_contour_index=0;

    std::vector< std::vector<cv::Point> > contours; // Vector for storing contour
    std::vector<cv::Vec4i> hierarchy;

    // Find the contours in the image
    cv::findContours( biggestBlob, contours, hierarchy,CV_RETR_CCOMP, CV_CHAIN_APPROX_SIMPLE ); 

    for( int i = 0; i< (int)contours.size(); i++ ) {            

        //Find the area of the contour            
        double a = cv::contourArea( contours[i],false);
        //Store the index of largest contour:
        if( a > largest_area ){
            largest_area = a;                
            largest_contour_index = i;
        }

    }

    //Once you get the biggest blob, paint it black:
    cv::Mat tempMat = biggestBlob.clone();
    cv::drawContours( tempMat, contours, largest_contour_index, cv::Scalar(0),
                  CV_FILLED, 8, hierarchy );

    //Erase the smaller blobs:
    biggestBlob = biggestBlob - tempMat;
    tempMat.release();
    return biggestBlob;
}

//获取二进制图像中最大blob的函数：
cv:：Mat findBiggestBlob（cv:：Mat和inputImage）{
cv:：Mat biggestBlob=inputImage.clone（）；
int最大面积=0；
int最大轮廓指数=0；
std:：vector轮廓；//用于存储轮廓的向量
向量层次；
//找到图像中的轮廓
cv：：findContours（大网格、等高线、层次结构、cv_RETR_CCOMP、cv_CHAIN_APPROX_SIMPLE）；
对于（int i=0；i<（int）等高线.size（）；i++{
//找到轮廓的区域
双a=cv：：轮廓面积（轮廓[i]，假）；
//存储最大轮廓的索引：
如果（a>最大面积）{
最大面积=a；
最大等高线指数=i；
}
}
//一旦得到最大的斑点，将其涂成黑色：
cv:：Mat tempMat=biggestBlob.clone（）；
cv:：drawContours（tempMat，等高线，最大等高线索引，cv:：Scalar（0），
CV_填充，8，层次结构）；
//清除较小的斑点：
biggestBlob=biggestBlob-tempMat；
tempMat.release（）；
返回最大的blob；
}

我尝试实施我建议的解决方案。我的答案是C++，但是这个想法很简单，你应该能够用java实现它。正如我所评论的，这个想法是使用形态学来获得感兴趣的斑点。主要是侵蚀操作。让我们看看：

   //Read input image:
   std::string imagePath = "C://opencvImages//lungsImage.png";
   cv::Mat imageInput= cv::imread( imagePath );

   //Convert it to grayscale:
   cv::Mat grayImg;
   cv::cvtColor( imageInput, grayImg, cv::COLOR_BGR2GRAY );

第一步是获得二值图像。看来你实现了分水岭分割。没关系。我试着用一个大窗口应用一个简单的自适应阈值（

601

，在这种情况下）。它给了我很好的结果：

    //Get the binary image:
    cv::adaptiveThreshold( grayImg, grayImg, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY, 601, 10 );

这是您得到的结果：

现在，有多个斑点。然而，我将寻找最大的blob，因为这是我们感兴趣的目标区域所在的位置。搜索二值图像中最大的斑点是我经常执行的任务，因此我为此准备了一个函数。它被称为

findBiggestBlob

。稍后我将介绍该函数。查看过滤掉较小斑点后得到的结果：

    //Get the biggest blob in the binary image
    cv::Mat targetBlobs = findBiggestBlob( grayImg );

结果是：

现在，只需应用形态学。首先，一个侵蚀操作。使用大小为

5 x 5

的

ellipse

结构元素和

4

迭代来分离感兴趣的blob：

    //Apply erosion to the biggest blob mask;
    cv::Mat morphKernel = cv::getStructuringElement( cv::MORPH_ELLIPSE, cv::Size(5, 5) );
    int morphIterations = 4; // use 4 iterations
    cv::morphologyEx( targetBlobs, targetBlobs, cv::MORPH_ERODE, morphKernel, cv::Point(-1,-1), morphIterations );

查看结果，感兴趣的blob现在已分离：

现在，想法很简单。如果我们再次提取图像中最大的斑点，我们最终应该得到的是没有癌区的肺。然后，将此图像减去“分离”的遮罩，我们将在一个遮罩中得到感兴趣的斑点：

    //Get the lungs image:
    cv::Mat bigBlob = findBiggestBlob( targetBlobs );

你明白了吗