如何从skimage.measure中消除compare_ssim的SSIM图像输出中的差异周围的边缘 算法：结果：代码：

如何解决如何从skimage.measure中消除compare_ssim的SSIM图像输出中的差异周围的边缘 算法：结果：代码：

我正在尝试编写一个代码，以计算显微镜图像上的轨迹所占的面积，如下所示：

由于轨迹不均匀（我的意思是，它们没有独特的灰度级，因为它们的边缘较暗，中间较亮），我不能仅通过将它们的灰度级与背景的灰度级，因为在某些轨道上它是相同的。

因此，我尝试将图像与背景图像进行比较：

我这样做是为了提取这两个图像之间的差异（对应于轨道本身）。为了做到这一点，我使用了skimage的compare_ssim函数。我使用的代码如下：

from skimage.measure import compare_ssim 
import imutils
import cv2
import numpy as np

# load the two input images
imageA = cv2.imread("./b.jpg")
imageB = cv2.imread("./a.jpg")
# convert the images to grayscale
grayA = cv2.cvtColor(imageA,cv2.COLOR_BGR2GRAY)
grayB = cv2.cvtColor(imageB,cv2.COLOR_BGR2GRAY)
    
# compute the Structural Similarity Index (SSIM) between the two
# images,ensuring that the difference image is returned
(score,diff) = compare_ssim(grayA,grayB,full=True)
diff = (diff * 255).astype("uint8")
# show the diff image
cv2.imshow("Diff",diff)

我获得的差异图像如下：

这非常好，因为现在轨迹中的灰度与背景的灰度有很大的区别，我可以计算出轨迹所占的面积（轨迹中有些点较亮，但是数量很少，我可以接受）。

尽管如此，问题在于，在diff图像中，不仅轨迹显示为黑色，而且轨迹周围还有粗边框：

此边缘使我的面积估计不正确。 因此，我想知道如何消除该边缘，或者至少使其更薄。

如果这不可能，那么如果您可以向我展示另一个Python函数，该函数可以实现我计算轨道所占面积的目的，那将非常有帮助。

解决方法

总有一种更好的方法来执行相同的操作，但是我在这里使用了一种简单的方法，您可以根据需要进行改进或调整：

---

算法：

1. 首先，适当的阈值将仅保留边缘
2. 第二，形态学（扩张或腐蚀，取决于您的阈值化方法）会使您的边缘变薄。
3. 最后，要清除轨迹以外的所有内容，可以使用 Flood_Fill 算法，然后计算白色像素以获取您的面积（以像素为单位）。

---

结果：

在最终结果中： The count of the white of pixels is: 52219

---

代码：

#========================
# Import Libraries
#========================
import numpy as np
import matplotlib.pyplot as plt
import cv2
from skimage.morphology import flood_fill

#========================
# Read images
#========================
img = cv2.imread('1.png',0)
bck = cv2.imread('2.png',0)

#========================
# Gaussian Blur
#========================
gauss = cv2.GaussianBlur(img,(5,5),1)
bck_gauss = cv2.GaussianBlur(bck,1)
#========================
# Thresholding
#========================
_,thresh1 = cv2.threshold(gauss,127,255,cv2.THRESH_BINARY)
_,bck_th = cv2.threshold(bck_gauss,cv2.THRESH_BINARY_INV)

# Get rid of black borders
thresh1 = thresh1 + bck_th

#========================
# Morphology
#========================
kernel = np.zeros((7,7),np.uint8)
kernel[2,:] = 1
kernel[:,2] = 1
dilation = cv2.dilate(thresh1,kernel,iterations = 1)

#========================
# Flood Fill 
#========================

res = flood_fill(dilation,(1,1),0)
print("The count of the white of pixels is: ",int(np.sum(res)/np.max(res)))
#========================
# Visualize Results
#========================
plt.figure(num='Blobs')

plt.subplot(221)
plt.imshow(img,cmap='gray')
plt.title('Original')
plt.axis('off')

plt.subplot(222)
plt.imshow(thresh1,cmap='gray')
plt.title('Thresholded')
plt.axis('off')

plt.subplot(223)
plt.imshow(dilation,cmap='gray')
plt.title('Morphology')
plt.axis('off')

plt.subplot(224)
plt.imshow(res,cmap='gray')
plt.title('Final Result')
plt.axis('off')

plt.show()