2-24一张显微图里有多少个细胞？：Otsu二值化+中值滤波+数学形态学+连通域细胞计数
一句话介绍： 这套 MATLAB 程序读取一张血细胞灰度图，自动完成阈值分割、去噪、二值逻辑优化、孔洞填充和形态学开运算，再利用 8 邻域连通域统计细胞，并对面积异常大的粘连区域进行补偿计数。项目配套实验结果为 28 个细胞。
先看它解决什么问题
显微图像中的细胞并不是天然就能直接“数”。
原图中同时存在：
灰度背景；细胞内部亮暗变化；小颗粒噪声；边缘处不完整细胞；
两个细胞互相接触或粘连的情况。
如果直接对原图做目标计数，背景和噪声很容易被误认为细胞。
这套程序先把图像逐步整理成适合计算机计数的二值目标：
原始细胞图 → Otsu 自动二值化 → 中值滤波 → 二值逻辑优化 → 取反 → 孔洞填充 → 圆盘开运算 → 8 邻域连通域 → 粘连区域补偿 → 细胞总数
最终目标很直接：把“看起来像细胞”的灰度区域，转换成一个个可以编号和统计的二值连通区域。
1. 当前程序处理的是什么图像？
主程序为 main.m，灰度血细胞图像。图中可以看到多个近圆形细胞，同时存在少量小黑点和多个相互接触的细胞，因此很适合演示“图像分割 + 形态学 + 连通域计数”的完整流程。
工程中还附带 统计细胞的数目.docx，记录了该程序的处理思路和实验结果。
2. 第一步：为什么先做自动二值化？
计算机要统计细胞，最方便的形式不是灰度图，而是：
背景 = 0目标 = 1这样的二值图像。
程序使用 graythresh，也就是经典的 Otsu 最大类间方差法自动寻找阈值。
它的核心思想可以写成：
σ_B²(t) = ω₀(t) · ω₁(t) · [μ₀(t) - μ₁(t)]²
其中：
t：候选灰度阈值；
ω₀、ω₁：阈值两侧两类像素所占比例；
μ₀、μ₁：两类像素的平均灰度。
程序选择让 σ_B²(t) 最大的阈值，使前景与背景尽量分开。
对当前 blood1.BMP 核对，Otsu 阈值约为：
90 / 255 ≈ 0.353
因此不需要用户手工反复试阈值。
3. 为什么二值化以后还不能直接计数？
初次二值化后仍然会存在：
小黑点；局部边缘不连续；细胞内部空洞；细胞粘在一起。
如果此时直接使用连通域统计，一个噪点可能被当成一个目标，一个环形细胞也可能因为内部结构影响后续形态处理。
所以程序继续做二值图像清理。
4. 中值滤波在这里做什么？
程序对二值图像使用：中值滤波
中值滤波会观察一个局部邻域，用邻域中的中间值替换当前像素。
对于二值图来说，可以简单理解为：如果某个小黑点周围绝大多数都是白色背景，它很容易被邻域多数像素“淹没”，从而被去除。
因此它特别适合当前图像中的孤立小颗粒噪声。
程序随后没有直接只保留中值滤波结果，而是把：
原始二值图 OR 中值滤波图
进行逻辑“或”运算，用两次分割结果共同优化二值区域。
5. 为什么还要把图像取反？
经过前面的二值化后，程序需要继续对“细胞目标”做：
填孔；开运算；连通域标记。
MATLAB 的这些二值形态学操作通常把逻辑 1 看成前景目标。
所以程序执行取反：把细胞转换成白色前景 1，把背景转换成黑色 0。
这样后续每个细胞就可以直接作为一个二值目标处理。
6. 为什么要把细胞内部的孔洞填满？
原始细胞呈现出明显的环形或中心亮暗结构。
如果只保留轮廓，一个细胞可能像一个“空心圆”。
程序使用孔洞填充，把被前景包围的内部背景区域填成前景。
这样处理后：一个细胞更接近一块完整的实心区域。
这对后面的面积统计和连通域计数非常重要，因为程序还要根据每个连通区域所占像素数判断是否存在细胞粘连。
7. 圆盘开运算为什么适合细胞图像？
程序建立半径为：4 像素的圆盘结构元素，再进行形态学开运算。
开运算可以写成：
A ○ B = (A ⊖ B) ⊕ B
也就是：先腐蚀 → 再膨胀
它通常能够：去除小型前景噪点；平滑目标边缘；去掉细小突出；断开一部分较窄连接。
细胞本身接近圆形，因此使用圆盘结构元素也比较符合当前目标的几何特征。
8. 程序怎样真正“数细胞”？
预处理完成后，程序调用 8 邻域连通域标记。
所谓 8 邻域，就是一个像素周围：
上、下、左、右 + 4 个对角方向
只要前景像素在这些方向上连续相接，就归入同一个区域。
程序会给每个区域一个标签：1、2、3、……然后统计标签总数。
按当前图像和处理流程重新计算，开运算后首先得到：26 个连通区域
如果所有细胞都完全分开，那么这一步就可以直接把 26 当成细胞数。
但当前图中还有粘连细胞，所以程序继续做一次面积判断。
9. 两个细胞粘在一起时，为什么连通域会少算？
如果两个细胞相互接触，并且二值图中已经连成一块，那么 bwlabel 只会看到：一个连通区域
即使肉眼可以判断里面实际上有两个细胞。
当前程序没有使用分水岭去进一步切开粘连区域，而是采用一个更简单的面积补偿规则：如果某个连通区域面积超过 1500 像素，就把它视为两个细胞相连，因此额外加 1。
可以概括成：
N_final = N_cc + N_large
其中：
N_cc：普通连通域数量；
N_large：面积大于 1500 像素的区域数量。
10. 为什么这种方法比直接数黑色 区域更合理？
如果只做一次阈值分割然后立即 bwlabel：
噪声可能增加假目标；细胞中的孔洞会影响区域形态；小连接可能让两个细胞粘成一个；不同大小区域无法进一步区分。
当前程序相当于先做：
分割 → 清理 → 填充 → 形态优化
再进行：
连通域计数 + 大区域补偿
因此计数对象比初始二值图更加规则。
这也是图像计数问题中很典型的思路：
先把图像整理成“适合数”的目标，再进行统计。
11. 这套方法理论上为什么适合当前细胞图？
优势一：Otsu 避免手工固定阈值
原图灰度变化较明显，Otsu 根据整幅图的灰度分布自动选择前景/背景分界，比完全靠人工输入一个灰度值更方便。
优势二：中值滤波适合孤立颗粒噪声
它利用局部邻域的多数信息去除小黑点，又不像普通均值滤波那样直接把所有像素做平均。
优势三：形态学可以直接操作目标形状
填孔让环状细胞变成完整区域，圆盘开运算进一步清除小结构和整理边界，为连通域统计创造更干净的输入。
优势四：连通域把“图像”转换成“对象”
完成标记以后，每一个细胞候选区域都有自己的标签和面积。
程序因此可以从像素级处理进一步进入：目标级统计
这正是自动细胞计数真正需要的一步。
12. 程序最终能得到什么？
对于当前样本，程序最终能够得到：
自动二值化后的细胞区域；去噪和形态学优化后的二值目标；
每个连通区域的独立标签；每个区域的像素面积；
粘连大区域数量；最终细胞总数。
13. 它适合用在哪里？
显微细胞数量统计教学
非常适合理解从灰度图到目标数量的完整计算机视觉流程。
二值图像形态学实验
工程集中使用了中值滤波、逻辑运算、取反、填孔、开运算和连通域标记，可以直观看到每一步怎样改变目标区域。
简单颗粒 / 圆形目标计数
只要目标与背景灰度差异较明显，并且粘连程度不是特别复杂，这套流程也可以作为颗粒、液滴等目标计数的基础模板。
14. 怎么运行？
主程序是：main.m
程序会自动完成：
读取图像 → Otsu 阈值 → 中值滤波 → 逻辑优化 → 取反 → 填孔 → 开运算 → 连通域计数
要复现项目实验文档中的 28 个细胞，当前源码有一处计数循环需要按原设计遍历全部连通区域：将 for i=length(Sum) 改成 for i=1:length(Sum)。否则当前文件只检查最后一个标签，不能完成文档描述的“统计所有大面积粘连区域”。
最值得调整的只有 中值滤波窗口、半径 4 的圆盘结构元素和 1500 像素粘连判断阈值，它们分别影响去噪强度、形态清理程度和大区域补偿计数。
15. 一句话看懂这个项目
这是一个 MATLAB 显微细胞自动计数程序：使用 Otsu 自动阈值进行二值化，再通过 13×13 中值滤波、逻辑“或”、图像取反、孔洞填充和半径 4 的圆盘开运算整理细胞区域。
