Python 在二进制图像中测量大颗粒时检测到过多微小区域的方法

我正在从ImageJ转到用于对显示粒子(无论是在长凳上还是在倒下)的图像进行图像处理的图像处理，并试图编写我的第一个代码，用于1)打开粒子图像，2)应用阈值和降噪来获得二值图像，3)应用分水岭来分离重叠的粒子，以及4)测量检测到的区域以获得关于粒子大小分布的信息(例如，面积、周长、轴).

我现在正在处理附加的图像，让事情变得简单.它是一串直径从0.5毫米到1毫米的颗粒放在长椅上.

Particles 0.5-1 mm个

现在，我用Python编写了这段代码，它使用OpenCV和skImage函数的混合来创建和打磨二进制图像，应用分水岭(上面的例子不需要，但对于future -我将高速拍摄坠落的粒子-它将非常有用)，并测量识别出的细胞.

编辑:附上了第二张图片，我有同样的问题，但针对较小的颗粒(0.250-0.50毫米，但分水岭很重要)‘

Smaller particles where I need watershed个

EDIT2:显示导致该问题的主要处理过程的较短代码.

import cv2
import numpy as np
import pandas as pd
import os
from skimage.segmentation import watershed, clear_border
from skimage import measure, color, io, morphology

# Define the folder path containing the images
image = "C:/..."

# Set scale pixels/mm (either based on ImageJ or by reference image, or calculations)
px_per_mm = 222
mm_per_px = 1 / px_per_mm
img = cv2.imread(image)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#Threshold and remove noise
thresholded_img =  cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]

kernel = np.ones((5, 5),np.uint8)
image = cv2.morphologyEx(thresholded_img, cv2.MORPH_OPEN, kernel)
image = clear_border(image)

# Prepare for Watershed
sure_bg = cv2.dilate(image,kernel, iterations=4)
dist_transform = cv2.distanceTransform(image, cv2.DIST_L2, 0)
ret2, sure_fg = cv2.threshold(dist_transform, 0.4 * dist_transform.max(), 255, 0)
sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg, sure_fg)
ret3, markers = cv2.connectedComponents(sure_fg, connectivity=8)
markers = markers + 10
markers[unknown == 255] = 0

# Now we are ready for watershed filling.
markers = cv2.watershed(img, markers)

#Measure properties
label_image = measure.label(markers,background=255, connectivity=None)
props = measure.regionprops_table(label_image, image,
                          properties=['label', 'Area'])

# Scale properties from pixels to mm
props['Area'] = props['Area'] * mm_per_px ** 2

# Remove the image frame that is usually identified as a region
max_area_threshold = 700
props_df = pd.DataFrame(props)
filtered_props = props_df[props_df['Area'] <= max_area_threshold]
# Convert the filtered properties to a DataFrame
particle_analysis = pd.DataFrame(filtered_props)

现在，当前代码给出了粒子区域的分布:

Area distribution个

这在很大程度上是正确的，但显示了0.0-0.5箱中的许多区域，一旦消除了噪声和小颗粒，这些区域就不会出现在图像中. 使用ImageJ，我会得到类似的结果，但没有巨大的初始bin: ImageJ results个

如果我判断二值图像、分水岭等，一切似乎都很好，所以不知道为什么要检测到如此小的区域.它发生在我用来测试代码的所有图像上.

我们非常欢迎在识别问题方面的任何帮助！非常感谢！

我根据OpenCV和SkImage上的教程编写了代码，并测试了几种阈值处理、降噪、形态操作和改变区域测量函数的参数，试图在分析中仅检测真实的颗粒.然而，我总是得到初始绑定，显然区域的特征是非常小的区域