我有一个3D阵列,里面有来自mri数据集的体素。模型可以沿着一个或多个方向拉伸。E、 g.体素大小(x,y,z)可以是0.5x 0.5x2 mm。现在我想重新采样的三维数组成一个数组持有1,1,1毫米体素。为此,我需要使x/y维度变小,z维度变大,然后插值体素值。 我的问题是:在numpy或scipy中是否有一个简单的函数用于对简单的3d数组进行重新采样?
从*.nii文件加载模型:
img = nib.load(sFileName)
array = np.array(img.dataobj).astype("uint8") # 3d array with e.g. 0.5,0.5,2 mm
# TODO resample
ndimage.zoom
这可能是最好的方法,zoom method正是为这类任务而设计的。
按指定的因子更改每个维度中的大小。如果数组的原始形状是
(40, 50, 60)
,那么新的数组将是(20, 25, 120)
。信号重采样
SciPy有一个用于信号处理的large set of methods。这里最相关的是decimate和resample_poly。我在下面使用后者
因子(必须是整数)是上下采样的。即:
可能的缺点是:这个过程在每个维度上都是独立的,因此空间结构可能不像ndimage方法那样被考虑在内。
RegularGridInterpolator
这是更实际的,但也更费力,而且没有过滤的好处:直接的下采样。我们必须为插值程序创建一个网格,在每个方向使用原始步长。创建内插器后,需要在新网格上对其求值;其调用方法采用不同的网格格式,使用
mgrid
准备。缺点:例如,当一个维度减少2时,它实际上会每隔一个值下降一次,这就是简单的下采样。理想情况下,在这种情况下,应该平均相邻值。在信号处理方面,在{a5}中,低通滤波先于下采样。
相关问题 更多 >
编程相关推荐