opencv-bioimage-analysis

OpenCV — バイオ画像のコンピュータービジョン

概要

OpenCV（cv2）は、C++ による最適化処理を備えた画像処理ルーチンを提供し、生物画像の前処理、セグメンテーション、特徴抽出、動画解析に利用できます。ライフサイエンス分野では、蛍光画像の強調（背景差分、CLAHE）、形態学的セグメンテーション（ウォーターシェッド、輪郭検出）、明視野画像での細胞検出、リアルタイムの顕微鏡ストリーム処理に使われています。科学的な測定を重視する scikit-image とは異なり、OpenCV は計算速度と動画への対応を優先しているため、前処理パイプラインやリアルタイムイメージングアプリケーションに最適です。

使用する場面

• 蛍光画像または明視野画像を前処理する場合：背景差分、CLAHE、ガウシアン／メディアンぼかし
• ディープラーニングを使わずに、古典的手法で細胞の輪郭、ブロブ、エッジを検出する場合
• ライブセルイメージング顕微鏡の動画ストリームをリアルタイムで処理する場合
• 繰り返し現れる構造（オルガネラ、結晶、パターン）を見つけるためのテンプレートマッチング
• マスクを調整するために形態学的演算（収縮、膨張、オープニング、クロージング）を適用する場合
• 細胞を追跡するために動画フレーム間のオプティカルフローを計算する場合
• 科学的な形態計測、regionprops、科学画像 I/O（TIFF メタデータ）には、代わりに scikit-image を使用してください
• 蛍光画像のディープラーニングによる細胞セグメンテーションには、代わりに Cellpose または StarDist を使用してください

前提条件

• Python パッケージ：opencv-python、numpy、matplotlib
• 任意：追加モジュール（SIFT、SURF、オプティカルフロー）用の opencv-contrib-python

# Install OpenCV
pip install opencv-python

# Install with extra contributed modules (SIFT, SURF, etc.)
pip install opencv-contrib-python

# Verify
python -c "import cv2; print(cv2.__version__)"
# 4.10.0

クイックスタート

import cv2
import numpy as np

# Read and display image info
img = cv2.imread("cells.tif", cv2.IMREAD_GRAYSCALE)
print(f"Shape: {img.shape}, dtype: {img.dtype}")
print(f"Min: {img.min()}, Max: {img.max()}")

# Apply Gaussian blur and threshold
blurred = cv2.GaussianBlur(img, (5, 5), 0)
_, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print(f"Cells detected (rough): {np.sum(binary > 0)} foreground pixels")

コア API

モジュール 1：画像の I/O と色空間変換

画像の読み込み、書き込み、色空間間の変換を行います。

import cv2
import numpy as np

# Read image (GRAYSCALE, COLOR, or UNCHANGED for 16-bit)
img_gray  = cv2.imread("cells.tif", cv2.IMREAD_GRAYSCALE)   # uint8
img_color = cv2.imread("rgb.tif", cv2.IMREAD_COLOR)         # BGR order!
img_16bit = cv2.imread("16bit.tif", cv2.IMREAD_UNCHANGED)   # uint16

print(f"Grayscale shape: {img_gray.shape}, dtype: {img_gray.dtype}")
print(f"Color shape:     {img_color.shape}")

# Color space conversions
img_rgb  = cv2.cvtColor(img_color, cv2.COLOR_BGR2RGB)   # BGR → RGB
img_hsv  = cv2.cvtColor(img_color, cv2.COLOR_BGR2HSV)   # BGR → HSV
img_gray2 = cv2.cvtColor(img_color, cv2.COLOR_BGR2GRAY) # BGR → gray

# Write image
cv2.imwrite("output.png", img_gray)
cv2.imwrite("output_16bit.tif", img_16bit)
print("Images written.")

モジュール 2：フィルタリングと強調

画像の前処理にフィルターとコントラスト強調を適用します。

import cv2
import numpy as np

img = cv2.imread("cells.tif", cv2.IMREAD_GRAYSCALE)

# Gaussian blur (noise reduction)
blurred = cv2.GaussianBlur(img, (7, 7), sigmaX=1.5)

# Median blur (salt-and-pepper noise)
median = cv2.medianBlur(img, 5)

# CLAHE: Contrast Limited Adaptive Histogram Equalization (for microscopy)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_img = clahe.apply(img)

# Top-hat filter for bright spots on dark background
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (15, 15))
tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

print(f"CLAHE range: [{clahe_img.min()}, {clahe_img.max()}]")
cv2.imwrite("clahe_enhanced.tif", clahe_img)

モジュール 3：しきい値処理とバイナリーセグメンテーション

さまざまなしきい値処理方法を使って、グレースケール画像をバイナリーマスクに変換します。

import cv2
import numpy as np

img = cv2.imread("nuclei.tif", cv2.IMREAD_GRAYSCALE)

# Otsu's thresholding (automatic threshold selection)
thresh_val, otsu_mask = cv2.threshold(img, 0, 255,
                                      cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print(f"Otsu threshold: {thresh_val:.0f}")

# Adaptive thresholding (handles uneven illumination)
adaptive = cv2.adaptiveThreshold(
    img, 255,
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
    cv2.THRESH_BINARY,
    blockSize=11,     # neighborhood size (odd)
    C=2,              # constant subtracted from mean
)

# For 16-bit images: normalize first
img_16 = cv2.imread("16bit_nuclei.tif", cv2.IMREAD_UNCHANGED)
img_8 = cv2.normalize(img_16, None, 0, 255, cv2.NORM_MINMAX, dtype=cv2.CV_8U)
_, mask_16 = cv2.threshold(img_8, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

print(f"Otsu mask foreground: {mask_16.sum() / 255} pixels")

モジュール 4：輪郭検出と計測

バイナリーマスクから細胞の輪郭を検出し、計測します。

import cv2
import numpy as np
import pandas as pd

img = cv2.imread("cells.tif", cv2.IMREAD_GRAYSCALE)
blurred = cv2.GaussianBlur(img, (5, 5), 0)
_, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# Remove small objects with morphological opening
kernel = np.ones((3, 3), np.uint8)
cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=2)

# Find contours
contours, hierarchy = cv2.findContours(cleaned, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
print(f"Objects detected: {len(contours)}")

# Measure each contour
records = []
for i, cnt in enumerate(contours):
    area = cv2.contourArea(cnt)
    if area < 50: continue  # skip tiny objects
    perimeter = cv2.arcLength(cnt, True)
    x, y, w, h = cv2.boundingRect(cnt)
    (cx, cy), radius = cv2.minEnclosingCircle(cnt)
    records.append({"cell_id": i, "area": area, "perimeter": perimeter,
                     "x": x, "y": y, "w": w, "h": h, "radius": radius})

df = pd.DataFrame(records)
print(f"Cells > 50 px²: {len(df)}")
print(df[["area", "perimeter", "radius"]].describe())

モジュール 5：マスク調整のための形態学的演算

形態学的演算を使ってセグメンテーションマスクを調整します。

import cv2
import numpy as np

# Load binary mask (from thresholding or Cellpose)
mask = cv2.imread("rough_mask.png", cv2.IMREAD_GRAYSCALE)
_, mask = cv2.threshold(mask, 127, 255, cv2.THRESH_BINARY)

# Structural elements
ellipse = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
rect    = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

# Opening: remove small bright noise
opened = cv2.morphologyEx(mask, cv2.MORPH_OPEN, ellipse, iterations=1)

# Closing: fill small holes inside cells
closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, ellipse, iterations=2)

# Dilation: expand cell boundaries slightly
dilated = cv2.dilate(closed, ellipse, iterations=1)

# Distance transform for watershed seed generation
dist = cv2.distanceTransform(closed, cv2.DIST_L2, 5)
_, seeds = cv2.threshold(dist, 0.5 * dist.max(), 255, 0)
seeds = seeds.astype(np.uint8)
print(f"Potential cell centers: {cv2.connectedComponents(seeds)[0] - 1}")

モジュール 6：ライブセルイメージングのための動画処理

タイムラプス顕微鏡の動画ストリームを処理します。

import cv2
import numpy as np

# Process a time-lapse video file
cap = cv2.VideoCapture("timelapse.avi")
fps = cap.get(cv2.CAP_PROP_FPS)
n_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
print(f"Video: {n_frames} frames at {fps} FPS")

# Background subtraction (remove static background)
bg_subtractor = cv2.createBackgroundSubtractorMOG2(
    history=50, varThreshold=25, detectShadows=False
)

frame_counts = []
frame_idx = 0
while cap.isOpened():
    ret, frame = cap.read()
    if not ret: break
    
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    fg_mask = bg_subtractor.apply(gray)
    
    # Count moving objects in this frame
    contours, _ = cv2.findContours(fg_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    moving = [c for c in contours if cv2.contourArea(c) > 100]
    frame_counts.append(len(moving))
    frame_idx += 1

cap.release()
print(f"Processed {frame_idx} frames. Mean moving objects: {np.mean(frame_counts):.1f}")

主なパラメーター

パラメーター	モジュール	デフォルト	効果
sigmaX	GaussianBlur	ksize から自動設定	ガウス標準偏差。大きいほど平滑化が強くなります
clipLimit	createCLAHE	40.0	コントラスト増幅の最大値。顕微鏡画像では 2.0～4.0
tileGridSize	createCLAHE	(8,8)	局所ヒストグラム均等化に使うタイルサイズ
blockSize	adaptiveThreshold	必須	適応的しきい値処理の近傍サイズ（奇数、3 以上である必要があります）
C	adaptiveThreshold	必須	平均値から差し引く定数。差し引く場合は正の値を指定します
iterations	morphologyEx	1	収縮／膨張の繰り返し回数。多いほど効果が強くなります
history	BackgroundSubtractorMOG2	500	背景のモデル化に使うフレーム数。少ないほど適応が速くなります
varThreshold	BackgroundSubtractorMOG2	16	ピクセルの分散しきい値。大きいほど感度が低くなります
minArea	輪郭フィルター	—	残す最小の cv2.contourArea(cnt)。ノイズを除去します
cv2.IMREAD_UNCHANGED	imread	—	ビット深度（16 ビット、32 ビット）を保持します。科学画像には必須です

よくあるワークフロー

ワークフロー 1：蛍光核の検出パイプライン

import cv2
import numpy as np
import pandas as pd

def detect_nuclei(image_path: str, min_area: int = 200) -> pd.DataFrame:
    """Detect DAPI-stained nuclei from a fluorescence image."""
    img = cv2.imread(image_path, cv2.IMREAD_UNCHANGED)
    
    # Normalize 16-bit to 8-bit
    if img.dtype == np.uint16:
        img = cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX, dtype=cv2.CV_8U)
    
    # Preprocess: CLAHE → Gaussian blur
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    enhanced = clahe.apply(img)
    blurred = cv2.GaussianBlur(enhanced, (5, 5), 1.5)
    
    # Segment: Otsu threshold → morphological opening
    _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
    cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=1)
    
    # Find and measure contours
    contours, _ = cv2.findContours(cleaned, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    records = []
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area < min_area: continue
        M = cv2.moments(cnt)
        if M["m00"] == 0: continue
        cx = int(M["m10"] / M["m00"])
        cy = int(M["m01"] / M["m00"])
        records.append({"area": area, "cx": cx, "cy": cy,
                         "perimeter": cv2.arcLength(cnt, True)})
    
    return pd.DataFrame(records)

df = detect_nuclei("dapi.tif", min_area=300)
print(f"Nuclei detected: {len(df)}")
print(df.describe())

ワークフロー 2：画像ディレクトリの一括処理

import cv2
import numpy as np
import pandas as pd
from pathlib import Path

def process_image(path: str) -> dict:
    img = cv2.imread(path, cv2.IMREAD_GRAYSCALE)
    if img is None:
        return {}
    blurred = cv2.GaussianBlur(img, (5, 5), 0)
    _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    cells = [c for c in contours if cv2.contourArea(c) > 200]
    return {"file": Path(path).name, "cell_count": len(cells),
            "mean_area": np.mean([cv2.contourArea(c) for c in cells]) if cells else 0}

results = [process_image(str(p)) for p in sorted(Path("images").glob("*.tif"))]
df = pd.DataFrame([r for r in results if r])
print(df)
df.to_csv("batch_results.csv", index=False)
print("Saved: batch_results.csv")

よくあるレシピ

レシピ 1：画像上で検出した細胞に注釈を付ける

import cv2
import numpy as np

img = cv2.imread("cells.tif", cv2.IMREAD_GRAYSCALE)
img_color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)

blurred = cv2.GaussianBlur(img, (5, 5), 0)
_, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for i, cnt in enumerate(contours):
    if cv2.contourArea(cnt) < 200: continue
    # Draw contour outline
    cv2.drawContours(img_color, [cnt], -1, (0, 255, 0), 2)
    # Label with cell number
    M = cv2.moments(cnt)
    if M["m00"] > 0:
        cx, cy = int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"])
        cv2.putText(img_color, str(i), (cx - 5, cy), cv2.FONT_HERSHEY_SIMPLEX,
                    0.4, (255, 255, 0), 1)

cv2.imwrite("annotated_cells.png", img_color)
print(f"Annotated {len(contours)} cells. Saved: annotated_cells.png")

レシピ 2：ローリングボールによる背景差分

import cv2
import numpy as np

def rolling_ball_background(img: np.ndarray, radius: int = 50) -> np.ndarray:
    """Estimate and subtract background using a blur approximation."""
    kernel_size = 2 * radius + 1
    background = cv2.GaussianBlur(img, (kernel_size, kernel_size), radius / 3)
    corrected = cv2.subtract(img, background)
    return corrected

img = cv2.imread("uneven_fluorescence.tif", cv2.IMREAD_GRAYSCALE)
corrected = rolling_ball_background(img, radius=50)
cv2.imwrite("background_corrected.tif", corrected)
print(f"Background corrected. Range: [{corrected.min()}, {corrected.max()}]")

トラブルシューティング

問題	原因	解決策
imread が None を返す	ファイルが見つからない、または未対応の形式です	絶対パスを使用し、Path(path).exists() で確認します。TIFF の場合は cv2.IMREAD_UNCHANGED を使用します
16 ビット画像が黒く表示される	IMREAD_GRAYSCALE が uint8 にクリップします	cv2.IMREAD_UNCHANGED を使用して、次のように正規化します：cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX)
BGR と RGB の色が一致しない	OpenCV は BGR、matplotlib は RGB を使用します	plt.imshow() の前に変換します：rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
輪郭検出で 1 つの細胞が複数に分割される	二値マスクに穴やノイズがあります	輪郭検出の前に cv2.MORPH_CLOSE を適用し、ガウスぼかしのシグマを大きくします
GaussianBlur に奇数のカーネルが必要	偶数のカーネルサイズが指定されています	常に奇数のカーネルサイズを使用します：3、5、7、9。(4,4) ではなく ksize=(5,5) を指定します
CLAHE で画像が悪化する	clipLimit が大きすぎます	clipLimit を 1.5–2.0 に下げ、tileGridSize を (16,16) に大きくします
背景差分で細胞が消える	MOG2 の履歴が短すぎます	history パラメーターを大きくします。顕微鏡画像では静止フレームの差分を使用します
大きな画像で処理が遅い	ピクセルを Python のループで処理しています	NumPy のベクトル化演算、または CUDA で高速化された cv2.cuda モジュールを使用します

参考資料

• OpenCV Python ドキュメント — Python API のリファレンスとチュートリアル
• OpenCV GitHub：opencv/opencv — ソースコードと Python バインディング
• Bradski G (2000)「The OpenCV Library」— Dr. Dobb's Journal of Software Tools 25(11):120-125
• PyImageSearch のチュートリアル — 生物画像解析におけるコンピュータービジョンへの OpenCV の応用