粒子・細胞・結晶の高度検出・測定に最適!

画像解析ソフトウェアMIPAR

バージョン4.5リリース 学習不要の自動AI検出オプション「Spotlight」新登場!

解析例4. MIPARでWatershed法を楽々実行

互いに接触する物体をセグメンテーションする際に、Watershed法は良く利用されます。

分水嶺は、画像の輝度勾配を山と谷の地形図に見立て、そこに水を流し貯めていくイメージの物体検出手法です

次の画像とレシピを使って実際にMIPARで試してみましょう!

  • 使用する画像:watershed _sample_grains.png
  • 使用したレシピ:ordinary_watershed.rcp、watershed_with_marks.rcp
pdf

ZIP(277KB)

レシピに含まれるメニューについて

1. Watershedをそのまま適用(ordinary_watershed.rcpの場合)

1-1.

MIPARを起動し、「Image Processor」をクリックして、「Open Image」からwatershed _sample_grains.pngを選択して開きます。

1-2.

今回のようなカラー画像の場合、メニューのColorから、Channel Operationを選択して、RGBそれぞれの要素を抽出できます。このサンプルでは境界部分に青色が多いので、bまたはblueを入力して進みます。

1-3.

次に、メニューのSegmentationからWatershedを選択して検出レベルを決定します。今回の例はSeparationの値を30としました。

1-4.

Acceptをクリックして進むと、Watershedによる分離検出が行われます。

これだけの操作では、分離検出が充分ではない場合がほとんどです。その場合、次のマーカー方式でWatershedをご利用ください。

2. マーカーを使って物体の位置を把握させてからWatershedを実行(watershed_with_marks.rcpの場合)

2-1.

上記1と同様にChannel Operationで青色要素のみ抽出します。

2-2.

メニューのSegmentationからAdaptive Thresholdを選択して、物体の箇所を大まかに指定します。

マーカーとして利用しますので、対象となる全ての物体が選択されていることが理想的です。

2-3.

次にメニューMorphologyからSmart Erosionを選択して、主につながっている箇所を無くすべく、検出した領域を周辺のピクセル状況などを考慮したアルゴリズムで減らしていきます。

この時、必要な選択箇所がなくならないように注意してください。

2-4.

メニューのClean-UpからReject Featureを選択して、ここでは10ピクセル以下の不要な小さい箇所をさらに削除します。

2-5.

この選択箇所を次のWatershedで使用するCompanion Imageとして登録します。

メニューのMemoryからSet Companion Imageを選択します。

2-6.

MemoryからCall Originla Imageを選択して、元の画像を呼び出します。

2-7.

メニューのSegmentationからWatershedを選択します。この時、MarkersにCompanion Imageを設定してください。

2-8.

マーカーを使用したほうが一般的に、Watershedを単独で実行するよりもより正確に物体の検出が行えます。

page_top_icon