Matlab 细胞培养图像的细胞分割：背景像素分类错误

我需要分割细胞培养图像中的一些细胞，我有一些错误地将背景区域划分为前景的问题

我使用

imbothat

matlab函数进行背景减除（存在大量均匀照明），然后使用

gmm

在两个区域（背景与单元）进行分类，得到了一些好结果

然而，

imbothat

渲染一些与单元格区域非常相似的背景像素，然后

gmm

（二值化阈值可能在图像之间变化很大，我不想主观地选择它）执行不好的分类

有人知道如何解决这个问题吗

我尝试向

gmm

添加一些额外的数据（除了

Igraywobvd

），例如

stdfilts

或

entropyfilts

，但结果没有任何改善

如果我将strel减少到20（或更少），这些“有问题”的背景区域不会突出显示，但我会丢失许多单元格区域

这是原始图像：

这是我获得的序列（指示错误的分类区域）：

我的matlab代码如下：

for  jpg_file=1:length(jpgsinfolder)

I=original_images{jpg_file}; %figure; imshow(original)
Igray=rgb2gray(I); %figure; imshow(Igray)

%Substract background
Igraywob=imbothat(imadjust(Igray), strel('disk',50)); %figure; 
imshow(Igraywob)

%GMM 
%Convert input images to double vectors and generate the dataset
Igraywobvd=double(Igraywob(:));
%Add data to the final dataset
gmm_dataset=horzcat(Igraywobvd);
%GMM
opt = statset('MaxIter',15000,'TolFun',1e-6);
gmm =fitgmdist(gmm_dataset,2,'Options',opt,'CovType','diagonal','RegularizationValue',0.01);
 %----Probability of our pixels to belong to the fitted distributions
prob = gmm.posterior(gmm_dataset);
%------save labels of the major probability
[val, labels_gmm] = max(prob,[],2); 
%Reshape vector with the original image size
labels_gmm=reshape(labels_gmm,size(Igray,1),size(Igray,2));  %figure; 
imagesc(labels_gmm2)
%Chose the labels with highest intensity (corresponding to the cells)
med1=mean2(Igray(labels_gmm==1));
med2=mean2(Igray(labels_gmm==2));
if med1>med2
    labels_gmm(labels_gmm==1)=0;
    labels_gmm(labels_gmm==2)=1;
else
    labels_gmm(labels_gmm==1)=1;
    labels_gmm(labels_gmm==2)=0;
end
%Binarization
labels_gmm_bin=labels_gmm>0;  %figure; imshow(labels_gmm)
%Delete small objects (artifacts)
labels_gmm_op=bwareaopen(labels_gmm_bin, 500); %figure; imshow(labels_gmm_op)
%Close small holes inside the cells
cellmask=imclose(labels_gmm_op, strel('disk',1));

%Can see the final result:
cellmask_results = labeloverlay(Igray,cellmask,'Transparency',0.7); 
figure(jpg_file); imshow(cellmask_results)

end

---

你可以尝试应用形态学开口（）来过滤掉小区域，但它也会删除对象的薄区域，我不确定这是否有问题。你可以尝试应用形态学开口（）来过滤掉小区域，但它也会删除对象的薄区域，我不确定这是否是个问题。