注意此方法处理的是CT影像。
问题是:原来对于CT影像寻找轮廓之前的预处理不合适,导致轮廓向体内偏移严重:

其实原因就是分割阈值过大。
主要处理步骤如下:
python
img = all_ds[i].pixel_array
# 归一化
norm = cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8)
# 开运算
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (7, 7))
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
# 使用Otsu阈值分割
ret, binary = cv2.threshold(opening, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
_, final = cv2.threshold(opening, ret, 255, cv2.THRESH_BINARY)
contours, _ = cv2.findContours(final, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
# 提取最大轮廓,这是我们要的最大外围轮廓
ctr = max(contours, key=cv2.contourArea).squeeze()
根据手头上几个CT影像的测试结果,自认为经过上面的处理得到的结果是较好的。
此前,在otsu阈值分割之前采用的是闭运算而不是开运算,实验结果是采用闭运算轮廓会出现"不规则锯齿"问题。而开运算则避免了这个问题。我认为,闭运算先膨胀再腐蚀,填补内部小空洞,对物体边缘的作用是更"模糊化",即使得前景和背景过度更平滑,区别更不明显;而开运算先腐蚀再膨胀,去除噪声小白点,对物体边缘的作用是更"清晰化",即使得前景和背景区分的更明显。


同时,在otsu之前一般会有高斯模糊处理,最初我也这个操作。但是,在这个任务中我们目的是更清晰的找出身体的最外围轮廓,让前景、背景区别更明显,模糊化不利于这个效果,所以去掉,实验结果显示去掉后效果也会变好。
缺点:
采用开运算之后偶尔几张影像会出现"内凹"现象,推测原因是开运算腐蚀过于严重,但总体来看,采用开运算利大于弊。


