医学图像处理

 

---

, i ] k 8 + = < * I

opencv批量分片高像素图像

医学图像通常是大像素（1920x1080）、超大像素（4096x2160）。

深度学习输入数据尺寸通常是 640x640、32x32。

所以我们会切分医学图像, 变成小像素片, 并对每一个方片识别或预测。

星辰图和病理图类似：

• 星辰和病灶细胞一样，可能分布在图像各个位置，也可以集中在图像上的某个区域
• 而且都非常小，可能不到图的1%
  
  方片尺寸最小是 1x1, 一般我们用 50x50。

怎么实现这种分割呢？

• 选定截取区域
• 截取保存

# 截取图像[高的起点:高的终点，宽的起点:宽的终点]，并保存
cv2.imwrite(os.path.join(path, "1.jpg"), imgcopy[0:1200,0:1200]

每个方片尺寸为 50*50，左上角第一个被切分的方片索引为 imgcopy[:50, :50]，紧接着左数第二个方片的索引为 imgcopy[:50,50:100]，第三个方片索引为 imgcopy[:50,100:150]，第一行所有方片被表示为 ingcopy[:50, x:x+50]。

只要在宽度上循环，每次让宽的起点增加50，宽的终点增加50，就可以做第一行的截取。

imgcopy = cv2.cvtColor(img, cv2.COLOR_BGR2RGB).copy # 每次分割前，获取完整的原始图像imgheight = imgcopy.shape[0]  # 获取高度
imgwidth = imgcopy.shape[1]  # 获取宽度patch_height = 50  # 方片尺寸50*50
patch_weight = 50for y in range(0, imgheight, patch_height):  # y 是高的起点for x in range(0, imgwidth, patch_weight):  # x 是宽的起点if patch_height > imgheight or patch_weight > imgwidth: # 边界判断，如果图片小于截取尺寸取消break  y_ = y + patch_heightx_ = x + patch_weightif imgheight >= y_ and imgwidth >= x_:   # 如果图片已经被截取到连50都到不得了，这部分就舍去，不影响patch = imgcopy[y:y_, x:x_]cv2.imwrite(os.path.join(path, "x"+str(x)+"_"+str(x_)+"y"+str(y)+"_"+str(y_)+".jpg"), patch)# 保存截取图像cv2.rectangle(imgcopy, (x,y), (x_,y_),(255,255,255),2) # 把刚刚截取区域在原图上用白色矩形圈出来

分割后。读取大批量文件：

def load_images_from_folder(folder): # 批量读取文件夹中的图片images = []   # 把所有方片保存在列表for filename in os.listdir(folder):img = cv2.imread(os.path.join(folder, filename))if img is not None:images.append(img)return imagesimages = load_images_from_folder("分割文件夹路径")

完整代码：

import cv2
import os
import matplotlib.pyplot as pltpath = r"文件夹路径"
img = cv2.imread(os.path.join(path, "图片名字.jpg"))if img is None:print("opencv读取图像时，没有成功也不会报错")else:print("读取图像成功")imgcopy = cv2.cvtColor(img, cv2.COLOR_BGR2RGB).copy # 将BGR颜色空间的图像转换为RGB颜色空间，并创建一个副本以供后续使用。每次分割前，获取完整的原始图像def extract_images_from_folder(folder):"""对图像进行批量分片（对一个文件夹中所有的图像进行分片）"""# 图像导入for filename in os.listdir(folder):img = cv2.imread(os.path.join(folder, filename))if img is not None:# 如果导入成功，则创建该图片专属的文件夹subfolder = os.path.join(PATH,filename.split(".")[0])if os.path.exists(subfolder):print("folder exists")else:os.mkdir(subfolder)# 开始分割，所有被分割出的切片都位于该图片的文件夹中imgcopy = cv2.cvtColor(img, cv2.COLOR_BGR2RGB).copy()imgheight = imgcopy.shape[0]imgwidth = imgcopy.shape[1]patch_height = 50patch_weight = 50for y in range(0, imgheight, patch_height):for x in range(0, imgwidth, patch_weight):if patch_height > imgheight or patch_weight > imgwidth:breaky_ = y + patch_heightx_ = x + patch_weightif imgheight >= y_ and imgwidth >= x_:patch = imgcopy[y:y_, x:x_]# 将每一张图像保存到单独的文件夹cv2.imwrite(os.path.join(subfolder,str(filename.split(".")[0])+"x"+str(x)+"_"+str(x_)+"y"+str(y)+"_"+ str(y_) +".jpg"), patch)# 保存之后，在原始图像上对当前索引出的区域绘制白色边框# 注意这一操作将会在正在被切片的图像上进行cv2.rectangle(imgcopy # 要绘制长方体的对象, (x, y), (x_, y_) # 绘制长方体的4角的坐标, (255, 255, 255) # 使用的颜色, 2 # 线条的粗细，数字越大越粗)#循环完毕后，绘制被我们分割后的图像            plt.figure(dpi=300)plt.imshow(imgcopy)plt.axis("off");extract_images_from_folder(PATH)

病理图像色彩特征提取

病理图像细微特征提取

自动数据标注

分类场景下的医学图像分析

分割场景下的医学图像分析

检测场景下的医学图像分析