使用 opencv 中的轮廓检测检测视网膜图像中的视盘？

Question

我有以下视网膜图像，我试图在视盘周围画一个圆圈（视网膜图像中的白色圆形）。 这是原始图像：

我应用了自适应阈值然后 cv2.findcontour：

import cv2
def detectBlob(file):
    # read image
    img = cv2.imread(file)
    imageName = file.split('.')[0]
    # convert img to grayscale
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # do adaptive threshold on gray image
    thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 101, 3)

    # apply morphology open then close
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
    blob = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (20,20))
    blob = cv2.morphologyEx(blob, cv2.MORPH_CLOSE, kernel)

    # invert blob
    blob = (255 - blob)

    # Get contours
    cnts,hierarchy = cv2.findContours(blob, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

        # write results to disk
    result = img.copy()
    cv2.drawContours(result, cnts, -1, (0, 0, 255), 3)
    cv2.imwrite(imageName+"_threshold.jpg", thresh)
    cv2.imwrite(imageName+"_blob.jpg", blob)
    cv2.imwrite(imageName+"_contour.jpg", result)

detectBlob('16.png')

这是阈值的样子：

这是轮廓的最终 output：

理想情况下，我正在寻找这样的 output：

Answer 1

自适应阈值化失败是因为过滤器尺寸太小。 虽然我们没有弄清楚这一点，但背景中的波浪非常令人不安。

通过将图像分辨率降低 16 倍并应用范围为 99x99 的自适应滤波器，我获得了一个有趣的结果。

Answer 2

您需要识别更大的结构。 理想情况下，您需要大约 1/4 视盘半径的结构尺寸来平衡结果和处理时间（用更大的尺寸进行实验直到可以接受）。

或者您可以对图像进行下采样（降低分辨率并使图片更小），这或多或少是一回事，即使您在视盘边界上失去了精度。