findscripter scikit-image 生物图像处理
何时使用
当你用 Python 对显微/荧光生物图像做处理与定量分析时使用本条，典型场景：
- 预处理荧光显微图像：去背景、去噪、光照不均校正、对比度增强（CLAHE）
- 用阈值或分水岭分割细胞、细胞核、细胞器
- 测量对象属性：面积、周长、强度统计、形状描述子（偏心率等）
- 形态学操作：腐蚀、膨胀、开/闭运算、填孔、骨架化
- 斑点/特征检测（LoG/DoG 检测细胞核、puncta），图像配准
- 批量对一整个文件夹的图像跑同一套流程并导出 CSV
不该用本条的边界：
- 实时视频处理 / GPU 加速 → 用 OpenCV
- 深度学习细胞分割（密集贴合细胞精度更好）→ 用 CellPose
- 交互式多维图像可视化与标注 → 用 napari
- 全玻片（WSI）切片处理 → 用 PathML / histolab
步骤
- 装环境并确认 dtype：图像即 NumPy 数组，处理前先
img_as_float转 float64[0,1] - 读图：
io.imread/tifffile.imread（多通道 CZYX/ZCYX）/ImageCollection（批量） - 预处理：高斯/中值去噪 → top-hat 去背景 → 可选 CLAHE 增强
- 阈值：
threshold_otsu/li/triangle，得二值掩膜 - 清理掩膜：
remove_small_objects+remove_small_holes - 分割贴合对象：距离变换 →
peak_local_max找种子 →watershed - 测量：
label→regionprops(_table)（带intensity_image）→ 转 DataFrame - 导出/可视化：CSV +
label2rgb叠加图，发表图dpi=300
指令
pip install scikit-image numpy scipy matplotlib
pip install tifffile aicsimageio # 读专有显微格式
python -c "import skimage; print(skimage.__version__)"
关键约束：dtype 决定一切。多数算法期望 float64∈[0,1]；处理前 img_as_float(img)，存盘前 img_as_uint。在 uint8/uint16 上做减法会静默截断到 0。
形状约定：灰度 (H,W)；RGB (H,W,3)；多通道 (H,W,C)；Z 栈 (Z,H,W)。
示例
最小流程（读图 → 去噪 → 阈值 → 测量）：
from skimage import io, filters, measure, img_as_float
import numpy as np
img = img_as_float(io.imread("cells.tif"))
smooth = filters.gaussian(img, sigma=1.5)
binary = smooth > filters.threshold_otsu(smooth)
regions = measure.regionprops(measure.label(binary))
print(f"对象数 {len(regions)}, 平均面积 {np.mean([r.area for r in regions]):.1f} px²")
分水岭分离贴合细胞核 + 按核测 GFP 强度（双通道 DAPI=ch0/GFP=ch1）：
from skimage import filters, morphology, measure, img_as_float
from skimage.segmentation import watershed
from skimage.feature import peak_local_max
from scipy import ndimage as ndi
import tifffile, pandas as pd, numpy as np
img = tifffile.imread("cells.tif")
dapi, gfp = img_as_float(img[0]), img_as_float(img[1])
# DAPI 分割 + 清理
binary = filters.gaussian(dapi, sigma=2) > filters.threshold_otsu(dapi)
binary = morphology.remove_small_objects(binary, min_size=200)
binary = morphology.remove_small_holes(binary, area_threshold=500)
# 距离变换 → 种子 → 分水岭
distance = ndi.distance_transform_edt(binary)
coords = peak_local_max(distance, min_distance=30, labels=binary)
mask = np.zeros_like(distance, dtype=bool); mask[tuple(coords.T)] = True
markers = ndi.label(mask)[0]
labels = watershed(-distance, markers, mask=binary)
# 按核测 GFP → DataFrame → CSV
props = measure.regionprops(labels, intensity_image=gfp)
df = pd.DataFrame([{"id": p.label, "area_px2": p.area,
"gfp_mean": p.mean_intensity, "ecc": p.eccentricity}
for p in props])
df.to_csv("nucleus_measurements.csv", index=False)
print(f"核数 {len(df)}, 平均 GFP {df['gfp_mean'].mean():.3f}")
常用算子速查：去背景 morphology.white_tophat(img, disk(50))；斑点检测 feature.blob_log(img, min_sigma=5, max_sigma=20, threshold=0.05)（列为 [y,x,sigma]，半径=√2·sigma）；形态学 opening/closing(binary, disk(3))；配准 registration.phase_cross_correlation(ref, moving)。
按属性筛选有效细胞：df[(df.area>100)&(df.area<5000)&(df.ecc<0.9)]。
注意事项
- 先转 float：
img = img_as_float(img)作为第一步，否则整数运算溢出/截断（OverflowError或静默归 0）。 - 务必可视化中间结果：分割前把二值掩膜叠原图（
label2rgb）核对——静默分割错误是最常见失败模式。 - 贴合对象必用 watershed：单纯阈值分不开相邻核；过分割时调大
peak_local_max的min_distance并平滑距离图。 - 阈值在代表性样本上调：Otsu 适合双峰直方图，困难图用
filters.try_all_threshold(img)对比 Otsu/Li/Triangle。 regionprops缺强度统计：忘了传intensity_image=img。- 物理单位换算：
area_um2 = area_px * pixel_size_um**2，像素尺寸取自显微镜元数据。 - 批量前先验证：在 3-5 张人工计数过的图上核对对象数，再跑全量。
- 3D 别当 2D：先看
img.shape判断是否 Z 栈，逐切片或用 3D 函数处理。
互见
- related：
dicom-medical-imaging—— 临床/放射影像（DICOM）处理，与生物显微成像同属影像分析 - related：
single-cell-rnaseq-analysis—— 影像定量与单细胞转录组互为单细胞表型的两条证据链 - combines_with：
scientific-database-lookup—— 把测量结果关联到基因/蛋白数据库做下游解读 - combines_with：
scientific-manuscript-writing—— 把分割叠加图与定量表格写入论文图表
本条采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0），适配重写而非逐字翻译。