filters_preprocessing

# 过滤器与预处理 ## 概述 Histolab 提供了一套全面的过滤器，用于预处理全切片图像和切片（tiles）。过滤器可应用于图像以进行可视化、质量控制、组织检测和伪影去除。它们是可组合的，并且可以链接在一起以创建复杂的预处理工作流。 ## 过滤器类别 ### 图像过滤器 色彩空间转换、阈值处理和强度调整 ### 形态学过滤器 结构化操作，如膨胀、腐蚀、开运算和闭运算 ### 组合过滤器 用于组合多个过滤器的工具 ## 图像过滤器 ### RgbToGrayscale 将 RGB 图像转换为灰度图像。 python from histolab.filters.image_filters import RgbToGrayscale gray_filter = RgbToGrayscale() gray_image = gray_filter(rgb_image) **使用场景：** - 基于强度的操作预处理 - 简化颜色复杂度 - 作为形态学操作的输入 ### RgbToHsv 将 RGB 转换为 HSV（色相、饱和度、明度）色彩空间。 python from histolab.filters.image_filters import RgbToHsv hsv_filter = RgbToHsv() hsv_image = hsv_filter(rgb_image) **使用场景：** - 基于颜色的组织分割 - 通过色相检测笔迹标记 - 分离彩色与非彩色内容 ### RgbToHed 将 RGB 转换为 HED（苏木精-伊红-DAB）色彩空间以进行染色反卷积。 python from histolab.filters.image_filters import RgbToHed hed_filter = RgbToHed() hed_image = hed_filter(rgb_image) **使用场景：** - 分离 H&E 染色成分 - 分析核（苏木精）与细胞质（伊红）染色 - 量化染色强度 ### OtsuThreshold 应用 Otsu 自动阈值法创建二值图像。 python from histolab.filters.image_filters import OtsuThreshold otsu_filter = OtsuThreshold() binary_image = otsu_filter(grayscale_image) **工作原理：** - 自动确定最佳阈值 - 将前景与背景分离 - 最小化类内方差 **使用场景：** - 组织检测 - 细胞核分割 - 二值掩码创建 ### AdaptiveThreshold 应用自适应阈值处理以应对局部强度变化。 python from histolab.filters.image_filters import AdaptiveThreshold adaptive_filter = AdaptiveThreshold( block_size=11, # 局部邻域大小 offset=2 # 从平均值中减去的常数 ) binary_image = adaptive_filter(grayscale_image) **使用场景：** - 非均匀照明