使用 OpenCV-Python 编制识别细胞的计数、标注和统计程序是一个非常有趣的计算机视觉项目。下面将逐步介绍如何构建这样一个系统。 ### 步骤一：环境配置 首先需要安装 Python 和必要的库： ```bash pip install opencv-python numpy scikit-image matplotlib ``` ### 步骤二：图像预处理 为了准确地检测到每个细胞，通常我们需要对原始显微镜图片做一些预处理工作。这包括灰度化、去噪以及增强对比度等操作： ```python import cv2 import numpy as np from skimage import filters, morphology, measure import matplotlib.pyplot as plt # 读取输入图像并转换为灰度图 image = cv2.imread('cells.jpg', cv2.IMREAD_GRAYSCALE) # 使用高斯模糊去除噪声 blurred = cv2.GaussianBlur(image, (5, 5), 0) ``` ### 步骤三：阈值分割 接下来选择合适的算法来进行二值化处理，常用的方法有全局阈值法或自适应阈值法。对于复杂背景下的细胞图像来说，Otsu's Method 或局部自适应方法可能会更合适一些。 ```python _, binary_image = cv2.threshold(blurred, thresh=0, maxval=255, type=cv2.THRESH_BINARY + cv2.THRESH_OTSU) plt.imshow(binary_image, cmap='gray') plt.show() ``` ### 步骤四：形态学操作 由于实际样本可能存在粘连等情况，因此有必要利用形态学运算如开闭运算来改善轮廓质量，并通过填充孔洞等方式分离紧挨着的目标物。 ```python kernel = np.ones((3, 3), dtype=np.uint8) # 定义结构元素大小 opened_img = cv2.morphologyEx(binary_image, cv2.MORPH_OPEN, kernel) filled_holes = ndi.binary_fill_holes(opened_img).astype(np.uint8)*255 ``` ### 步骤五：目标检测及特征提取 现在可以开始寻找所有的独立区域了。`findContours()` 函数可以帮助我们找到所有封闭曲线；而 `contourArea()` 则能获取各个对象所占像素数目，从而计算出面积信息用于区分正常尺寸范围内的有效细胞。 ```python cnts = cv2.findContours(filled_holes.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0] areas = [cv2.contourArea(c) for c in cnts] min_area_threshold = ... # 设定最小合法细胞面积 max_area_threshold = ... # 最大面积上限同样重要以避免误判大块杂质为目标体 valid_cells = [] for i, area in enumerate(areas): if min_area_threshold <= area <= max_area_threshold: valid_cells.append(cnts[i]) print("Detected number of cells:", len(valid_cells)) ``` 最后还可以进一步标记每颗单独检出的对象，在原彩色图像上绘制边界框或者其他图形提示用户关注结果详情。 --- 以上就是基于 OpenCV 的简单版细胞自动计数与分析系统的实现框架。当然现实情况往往更为复杂多样，比如不同类型细胞形状差异较大等问题都需要针对性调整优化上述流程中的某些环节才能达到更好的效果。