opencv视盘视杯分割

使用 OpenCV 进行视盘和视杯图像分割
为了实现视盘和视杯的图像分割，通常会采用一系列预处理、阈值化以及形态学操作来提取目标区域。以下是具体方法：
预处理阶段
原始眼底图像可能含有噪声和其他干扰因素，因此需要先对其进行平滑滤波以提高后续处理的效果。
import cv2
import numpy as np

def preprocess_image(image_path):
image = cv2.imread(image_path)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 转换为灰度图
blurred = cv2.GaussianBlur(gray, (5, 5), 0) # 应用高斯模糊去除噪音

return blurred
登录后复制
提取视盘和视杯区域
通过应用自适应阈值算法或其他合适的二值化技术，可以得到初步的掩膜（Mask），用于区分背景与前景中的视盘和视杯结构。
def extract_roi(blurred_image):
_, binary_mask = cv2.threshold(blurred_image, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

kernel = np.ones((3, 3), dtype=np.uint8)
opening = cv2.morphologyEx(binary_mask, cv2.MORPH_OPEN, kernel, iterations=2)

sure_bg = cv2.dilate(opening, kernel, iterations=3)

dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
_, sure_fg = cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0)

sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg, sure_fg)

markers = watershed_segmentation(sure_fg, unknown)[^1]

segmented_img = visualize_results(image, markers)

return segmented_img

def watershed_segmentation(foreground, background):
"""基于分水岭变换的方法来进行更精确地分离对象"""

ret, markers = cv2.connectedComponents(foreground)

markers += 1

markers[background == 255] = 0

img_copy = cv2.cvtColor(cv2.imread('path_to_your_image'), cv2.COLOR_BGR2RGB)
markers = cv2.watershed(img_copy, markers)

return markers
登录后复制
可视化结果
最后一步是将获得的结果叠加回原图之上展示出来，这有助于直观理解哪些部分被识别为视盘或视杯。
def visualize_results(original_image, markers):
original_with_contours = original_image.copy()

boundaries = find_boundaries(markers)

for boundary in boundaries:
x_coords, y_coords = zip(*boundary)
original_with_contours[y_coords, x_coords] = [64, 224, 208] # 设置颜色

return original_with_contours

def find_boundaries(marker_map):
edges = feature.canny(marker_map != 1).astype(int)
labeled_edges = measure.label(edges)
properties = regionprops(labeled_edges)

all_borders = []
for prop in properties:
coords = prop.coords.tolist()
all_borders.append(coords)

return all_borders
登录后复制
上述代码片段展示了如何利用OpenCV库完成从加载图片到最后绘制边界的过程[^2]。值得注意的是，在实际应用场景下还需要针对特定数据集调整参数设置，并考虑加入更多高级特征如深度学习模型辅助检测等手段提升性能。