实际上SLIC算法只是一种超像素的聚类方法，但由于其良好的聚类效果（同时利用了颜色空间与位置空间的信息），使得再对细胞图像进行处理时，获得了较好的效果。
如下图所示，这是一张血细胞显微图像。
文章图片
再进行合适的SLIC处理后，将几乎所有的细胞聚类出来。
文章图片
但是，粘连的细胞还是连在一起，我反向操作，直接提取轮廓线，得到下图。
文章图片
可以看到，许多细胞变成了葫芦状。这里打算使用形状检测的方式，先检测凸多边形，将其直接变成背景。然后再只有类圆形细胞的情况下，检测圆形，这样或许就可以直接将较好的细胞分开，这也是考虑到细胞的圆形特征，对于特殊的情况就没办法了。
下面是对每个超像素进行着色的效果。
文章图片
在考虑超像素的区域性质，而不是他的边界性质时，可以初步的检测圆形状，再没有去处凸多边形的情况下，仍然圈出了很多的细胞。
【基于SLIC的细胞分割与检测】
文章图片
推荐阅读
- opencv|图像处理之椒盐噪声的添加与去除
- OpenCV|【OpenCV 完整例程】89. 带阻滤波器的传递函数
- OpenCV|【OpenCV 完整例程】90. 频率域陷波滤波器
- OpenCV|【OpenCV 完整例程】22. 图像添加非中文文字
- OpenCV|【OpenCV 完整例程】91. 高斯噪声、瑞利噪声、爱尔兰噪声
- 灰度世界算法（Gray World Algorithm）和White Patch Retinex算法
- 安卓开发|通过RenderScript 实现 NV21转Bitmap、两张Bitmap按照透明度混合的工具类
- 科学计算|超像素分割
- MFC|gdal 图像金字塔