Skip to content

Data Science › Image Analysis › scikit-image 影像處理

scikit-image 影像處理 (Image Processing with scikit-image) ​

古典影像處理流程:不訓練模型,直接對影像做增強、修復、閾值、分割、邊緣偵測與量測。核心常是「先把訊號變乾淨,再把結構抽出來」。

text
載入 → 必要時轉灰階 → 濾波(去噪、平滑)→ 閾值 / 邊緣偵測 → 分割物件 → 量測(面積、強度、形狀)

影像就是 NumPy 陣列 ​

影像shape說明
灰階(rows, cols)一個通道
RGB(rows, cols, 3)最後一軸是通道
多通道螢光(channels, rows, cols) 或 (rows, cols, channels)依檔案而異,要確認
3D / 時間序列(planes, rows, cols)、(t, ...)見 生醫影像分析
dtype範圍注意
uint80–255一般照片
uint160–65535顯微鏡常用(12 / 16-bit 相機)
float通常 0–1多數 scikit-image 函式輸出
python
import numpy as np
from skimage import io, color, img_as_float

img = io.imread("nuclei.tif")          # 顯微鏡 TIFF 也可用 tifffile.imread
img.shape, img.dtype, img.min(), img.max()
img = img_as_float(img)                # 轉成 0–1 float;不要自己除 255(16-bit 會錯)
gray = color.rgb2gray(rgb)             # RGB → 灰階(彩色影像才需要)

定量分析(比較螢光強度)要用原始資料,不要用存成 JPEG 或做過自動對比調整的影像;JPEG 有失真壓縮,自動對比會讓不同影像的強度不能比較。

濾波 (Filtering) ​

濾波用途scikit-image注意
Gaussian平滑、壓高頻雜訊、讓後續分割更穩filters.gaussian(img, sigma=1)sigma 越大越模糊、細節一起抹掉;RGB 加 channel_axis=-1
Median去椒鹽雜訊、保留邊緣filters.median(img, morphology.disk(2))比 Gaussian 更能保留邊界
Sobel強調邊緣(局部強度變化大處)filters.sobel(gray)輸出是邊緣強度,不是二值圖
背景校正移除不均勻照明restoration.rolling_ball(img, radius=50)半徑要大於物件
python
from skimage import filters, restoration, morphology

smooth = filters.gaussian(gray, sigma=1)
denoised = restoration.denoise_tv_chambolle(gray, weight=0.1)    # 去噪但保留邊緣
background = restoration.rolling_ball(gray, radius=50)
corrected = gray - background

去噪不是越強越好:過度去噪會把想保留的細節一起消掉。可以先人為加雜訊(util.random_noise)測試流程是否穩定。

對比增強 (Contrast Enhancement) ​

方法函式適合
線性拉伸exposure.rescale_intensity(img, in_range=(p2, p98))只為了看清楚;保留相對強度
直方圖等化exposure.equalize_hist(gray)重新分配亮度分布
CLAHE(自適應直方圖等化)exposure.equalize_adapthist(gray, clip_limit=0.03)光照不均、局部細節不明顯
python
from skimage import exposure
p2, p98 = np.percentile(gray, (2, 98))
display = exposure.rescale_intensity(gray, in_range=(p2, p98))

對比增強會放大雜訊,而且改變強度的相對關係:用來顯示或幫助分割可以,量測強度時要回到原始影像。

修復 (Inpainting) ​

影像有刮痕、文字或局部缺損時,先用 mask 標出要修的區域,再用周圍未受損的區域估計內容:

python
from skimage.restoration import inpaint

mask = np.zeros(img.shape[:2], dtype=bool)
mask[101:106, 0:240] = True
restored = inpaint.inpaint_biharmonic(img, mask, channel_axis=-1)   # RGB;灰階省略 channel_axis

閾值 (Thresholding) ​

把灰階影像轉成二值 mask,是很多分割流程的第一步,也是「把連續訊號變成結構假設」的一步:錯了會影響後面所有量測。

方法函式適合
Otsufilters.threshold_otsu前景與背景強度呈雙峰
Li、Trianglethreshold_li、threshold_triangle前景比例很小(稀疏螢光訊號)
局部 (local)filters.threshold_local(img, block_size=51)照明不均
多類別filters.threshold_multiotsu(img, classes=3)背景、弱訊號、強訊號
python
from skimage import filters
filters.try_all_threshold(gray)                  # 一次比較多種全域方法
binary = smooth > filters.threshold_otsu(smooth)

同一批實驗的影像要用同一種閾值方法(或固定閾值),並報告用了哪一種。

分割細胞核:watershed ​

互相接觸的細胞核在閾值 mask 中會黏成一塊,connected components 會少算。標準做法:distance transform 的峰值當種子,再用 watershed 沿著「谷」切開。

python
import pandas as pd
from scipy import ndimage as ndi
from skimage import measure, segmentation, feature

smooth = filters.gaussian(img, sigma=1)
mask = ndi.binary_fill_holes(smooth > filters.threshold_otsu(smooth))

dist = ndi.distance_transform_edt(mask)                          # 每個前景像素到背景的距離
coords = feature.peak_local_max(dist, min_distance=5, labels=measure.label(mask))
markers = np.zeros(mask.shape, dtype=int)
markers[tuple(coords.T)] = np.arange(1, len(coords) + 1)
labels = segmentation.watershed(-dist, markers, mask=mask)       # 每個細胞核一個整數標籤

props = pd.DataFrame(measure.regionprops_table(
    labels, intensity_image=img,
    properties=("label", "area", "eccentricity", "solidity", "intensity_mean", "centroid")))
props = props[props["area"] >= 20]                               # 去掉碎片(門檻依倍率決定)

Nuclei segmentation pipeline

scikit-image 的 human_mitosis 螢光影像:Otsu mask 得到 276 個連通區塊,watershed 把黏在一起的細胞核切開後得到 312 個。min_distance 太小會把一個細胞核切成多塊(過度分割),太大則漏切。

量測 (regionprops)意義
area、perimeter像素數、周長(乘上像素大小換成 µm²)
eccentricity、solidity形狀:拉長程度、凸性(分裂中或破碎的細胞核)
intensity_mean、intensity_max強度(需要 intensity_image;舊名 mean_intensity 已改名)
centroid、bbox位置
注意說明
像素大小面積要乘上像素實際大小(從顯微鏡 metadata 讀),不同倍率不能直接比像素數
邊緣物件被影像邊界切到的細胞核量測不完整,用 segmentation.clear_border(labels) 移除
驗證抽幾張影像與人工計數比較;擁擠或形狀不規則時,改用 Cellpose / StarDist 等深度學習分割
統計單位同一張影像的細胞不是獨立樣本,比較組別時以生物重複(每隻動物、每個病人)為單位,見 假重複

輪廓、邊緣與角點 ​

任務函式輸出用途
輪廓measure.find_contours(binary, 0.5)每個輪廓是 (row, col) 座標陣列形狀擷取、邊界視覺化
Canny 邊緣feature.canny(gray, sigma=1.0)細的二值邊緣圖比 Sobel 乾淨;sigma 小較敏感、大則漏小結構
Harris 角點feature.corner_harris(gray) → feature.corner_peaks(resp, min_distance=5)角點座標特徵配對、registration、追蹤
python
from skimage import measure, feature

contours = measure.find_contours(binary.astype(float), 0.5)   # 二值圖的邊界在 0 與 1 之間
edges = feature.canny(gray, sigma=1.0)
corners = feature.corner_peaks(feature.corner_harris(gray), min_distance=5)

先找區域,再局部處理 ​

很多實用任務不是整張圖套同一個變換,而是先偵測區域(人臉、組織區塊、ROI),再只對 ROI 處理,例如對偵測到的人臉做 Gaussian 模糊以去識別化,或只在組織區域內計數細胞。

選方法 ​

想做的事方法
改善可見性對比增強(只用於顯示)
去雜訊Gaussian、median、TV denoise
前景 / 背景分離閾值(Otsu、local)
分開接觸的物件distance transform + watershed
量測物件label + regionprops_table
幾何特徵輪廓、邊緣、角點