这里介绍如何使用python中的scikit-image包提供的工具模块实现类似ImageJ中划线测量的功能。

在前面我们已经导出了绿色通道的图像，接下来可以使用 ImageJ 对其中感兴趣的区域进行划线，并保存为ROI记录，然后再回到 python 中直接读取 ROI ，批量提取所有数据的 profile 并与下游的统计分析整合到一起。

ImageJ中划线保存ROI

由于保存的tif图像并没有写多余的meta信息指定LUT和Scale，所以我们使用 ImageJ 打开后通常还需要自己设置伪彩，调整对比和设定 Scale（已经统一pixelsize为 =0.1微米）。为了方便， 这里可以使用一小段 ImageJ Macro：

run("Green");
run("Enhance Contrast", "saturated=0.35");
run("Set Scale...", "distance=1 known=0.1 unit=microns");

然后完成所有selection 并保存到 ROI 管理器之后，可以执行以下一段 ImageJ Macro 快速保存并按照规则命名 ROI 记录文件：

img = getTitle();
wks = getDirectory("image");
fname = img+"_RoiSet.zip";
fpath = wks + "/" +fname;
roiManager("deselect");
roiManager("save",fpath);
roiManager("delete");
save(wks+"/"+img);
close();

python中提取profile

借鉴我之前的文章读取ImageJ保存的ROI记录和TIFF图像，然后profiling 可以使用 scikit-image 中的 profile_line 函数。这里需要 import 的模块如下：

from aicsimageio import AICSImage
from roifile import roiread
import matplotlib.pyplot as plt 
from skimage.measure import profile_line
from glob import glob
import pickle

由于要同时读取图像和ROI记录，所以我们可以通过这样的方式把文件路径弄好：

fps = glob("*.tif")
rps = [fp+"_RoiSet.zip" for fp in fps]

图像文件和ROI文件分别存放在 fps 和 rps 两个 list，而且rps是通过列表推导式基于fps生成的，所以每一个图像与其ROI是一一对应的。后面就可以用 zip 函数来遍历。

读取TIFF图像文件使用 AICSImage，由于我们之前已经设定好了，只是 xy 二维图像，而且 pixelsize 统一为 0.1，所以这里读取数据的代码就只有两行：

img = AICSImage(fp)
ch = img.get_image_data("YX")

读取ROI文件使用 roifile 的 roiread 函数，返回的是一个 list，然后结合后面 profile_line 的input 要求，我们需要知道这个 line type 的 roi 的起点和终点。这里可以通过 dir 函数来查看 roi 对象有哪些 attribute，然后发现有一个 .coordinates() 的方法会回传一个坐标列表，但是仍然是 [x, y] 的顺序，如果要用到矩阵中，得自己换成 [y, x] 再输入。而对于 line type roi，还有一些 x1，x2，y1，y2 等更加直观的属性，我们很容易就知道(x1, y1) 应该对应的就是起点。所以这个部分就是：

prof = profile_line(ch, 
                    src=[roi.y1, roi.x1], 
                    dst=[roi.y2, roi.x2], 
                    linewidth=1)

然后遍历收集数据到字典中，并且保存到临时文件，休息一下，方便之后接着处理。

with open("line_profiles.tmp", 'wb') as f:
    pickle.dump(data, f)

完整代码如下：