加速像素和对象分类器 (APOC)

clesperanto 与 scikit-learn 结合，用于在GPU上使用 OpenCL 对图像中的像素和对象进行分类。此存储库包含python开发人员的后端。用户友好的插件可在以下位置找到

• napari-accelerated-pixel-and-object-classification
• clijx-accelerated-pixel-and-object-classification

有关从图像和标签掩码文件夹对对进行分类器的训练，请参阅 此笔记本。

对象分割

给定一个blob图像和相应的注释...

import apoc
from skimage.io import imread, imshow
import pyclesperanto_prototype as cle

image = imread('blobs.tif')
imshow(image)

manual_annotations = imread('annotations.tif')
imshow(manual_annotations, vmin=0, vmax=3)

... 可以分割对象（查看完整示例）

# define features: original image, a blurred version and an edge image
features = apoc.PredefinedFeatureSet.medium_quick.value

# Training
clf = apoc.ObjectSegmenter(opencl_filename='object_segmenter.cl', positive_class_identifier=2)
clf.train(features, manual_annotations, image)

# Prediction
segmentation_result = clf.predict(image=image)
cle.imshow(segmentation_result, labels=True)

对象分类

给定注释，也可以根据其形状对blob进行分类（查看完整示例）。

features = 'area,mean_max_distance_to_centroid_ratio,standard_deviation_intensity'

# Create an object classifier
classifier = apoc.ObjectClassifier("object_classifier.cl")

# Training
classifier.train(features, segmentation_result, annotation, image)

# Prediction / determine object classification
classification_result = classifier.predict(segmentation_result, image)

cle.imshow(classification_result, labels=True)

对象选择器

如果期望的分析目标是选择特定类别的对象，则可以使用对象选择器（查看完整示例）。

features = 'area,mean_max_distance_to_centroid_ratio,standard_deviation_intensity'

cl_filename = "object_selector.cl"

# Create an object classifier
apoc.erase_classifier(cl_filename) # delete it if it was existing before
classifier = apoc.ObjectSelector(cl_filename, positive_class_identifier=1)

# train it
classifier.train(features, labels, annotation, image)

result = classifier.predict(labels, image)
cle.imshow(result, labels=True)

对象合并器

APOC还提供了一个 ObjectMerger，允许在标签边缘上训练分类器以决定合并它们或保留它们。（查看完整示例）

feature_definition = "touch_portion mean_touch_intensity"

classifier_filename = "label_merger.cl"

apoc.erase_classifier(classifier_filename)
classifier = apoc.ObjectMerger(opencl_filename=classifier_filename)

classifier.train(features=feature_definition,
                 labels=oversegmented,
                 sparse_annotation=annotation,
                 image=background_subtracted) 

merged_labels = classifier.predict(labels=oversegmented, image=background_subtracted)
cle.imshow(merged_labels, labels=True)

更多详细示例

• 对象分割
• 对象分类
• 基于自定义测量表的对象分类
• 像素分类器（包括基准测试）.
• 输出概率图
• 使用多对训练图像对继续训练像素分类器
• 生成自定义特征堆栈

安装

您可以使用conda或pip安装apoc

conda install -c conda-forge apoc-backend

或者

conda install pyopencl
pip install apoc

Mac用户请也安装此软件

conda install -c conda-forge ocl_icd_wrapper_apple

Linux用户请也安装此软件

conda install -c conda-forge ocl-icd-system

贡献

欢迎贡献。可以使用pytest运行测试，请在提交拉取请求前确保覆盖率至少保持不变。

许可

根据BSD-3许可证发布，"apoc"是免费且开源的软件

问题

如果您遇到任何问题，请在image.sc上创建一个主题，并附上详细描述和标签@haesleinhuepf。