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

#### 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

#### 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

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。