N-dimenzionální obrázky

Biomedical Image Analysis in Python

Stephen Bailey

Instructor

Obrázky různých tvarů a velikostí

im[row, col]

rentgen nohy

Obrázky různých tvarů a velikostí

vol[pln, row, col]

gif těla

Obrázky různých tvarů a velikostí

im[row, col, ch]

buňka RGB

Obrázky různých tvarů a velikostí

im_ts[time, row, col, ch]

video buňky

N-dimenzionální obrázky jsou zásobníky polí

vrstvené obrázky mírně posunuté

import imageio.v2 as imageio
import numpy as np

im1=imageio.imread('chest-000.dcm')
im2=imageio.imread('chest-001.dcm')
im3=imageio.imread('chest-002.dcm')

im1.shape

(512, 512)

vol = np.stack([im1, im2, im3])

vol.shape

(3, 512, 512)

Přímé načítání objemů

imageio.volread():

přímé čtení vícerozměrných dat
sestavení objemu z více obrázků

import os
os.listdir('chest-data')

['chest-000.dcm', 
 'chest-001.dcm', 
 'chest-002.dcm',
 ..., 
 'chest-049.dcm']

import imageio.v2 as imageio
vol = imageio.volread('chest-data', format='DICOM')

vol.shape

(50, 512, 512)

Tvar, vzorkování a zorné pole

Tvar obrázku: počet prvků podél každé osy

import imageio.v2 as imageio
vol = imageio.volread(
            'chest-data', format='DICOM')
# Tvar obrázku (ve voxelech)
n0, n1, n2 = vol.shape
n0, n1, n2

(50, 512, 512)

Zorné pole: fyzický prostor pokrytý podél každé osy

Vzorkovací frekvence: fyzický prostor pokrytý každým prvkem

# Vzorkovací frekvence (v mm)
d0, d1, d2 = vol.meta['sampling']
d0, d1, d2

(2, 0.5, 0.5)

# Zorné pole (v mm)
n0 * d0, n1 * d1, n2 * d2

(100, 256, 256)

Pojďme cvičit!

Biomedical Image Analysis in Python