python医学图像处理
2014-11-07 15:27:00 weixin_33842328 阅读数 9

()增强图片在百度网盘里面

()处理

http://bj3s.pku.edu.cn/activity/subjects/lesson6.pdf

http://www.360doc.com/content/07/0219/04/16546_369705.shtml

http://www.qnr.cn/med/data/jcyx/byswx/201003/337773.html

http://wenku.baidu.com/link?url=L2fGX_Zv33xPtwcImdvgrGtursEskJ8jQKBEQJHhAiO5LIhag3sPhiJDJGhrn7RRrcvUdhuc2nXlt5SvgIRA3AoEQWugKxP987g4navz7uq 三维重建

http://wenku.baidu.com/link?url=H0ytWNnbLwgkeocuX-VN6iNMud7RO5uGr_407qbMH_MF1DLmFLoWUqojSvCOsW2ZVXFcngNQW-E1J50F0vdMfMLrTkazv2QtnjPdbdDmhdO 

转载于:https://www.cnblogs.com/pengkunfan/p/4081452.html

2018-11-24 17:06:23 weixin_43789163 阅读数 1143

电子科技大学 格拉斯哥学院 2017级 徐冰砚

浅谈图像处理在医学方面的应用

1、背景:

在上学期的新生研讨课中,曾兵院长介绍了图像处理的相关原理和应用。图像处理(image processing)是一种用计算机对图像进行分析,以达到所需结果的技术。在获得图像之后,需要用专门的设备将其数字化,即通过取样和量化过程将一个以自然形式存在的图像变换为适合计算机处理的数字形式。图像在计算机内部被表示为一个数字矩阵,矩阵中每一元素称为像素。
图像处理有各种应用途径,卫星图像处理、面孔识别特征识别、显微图像处理等等,给我印象最为深刻的是图像处理在医学方面的应用。目前临床广泛使用的医学成像模式主要分为四类:X- 射线成像、核磁共振成像(MRI)、核医学成像(NMI)、超声波成像(Ultrasonic Imaging)。图像分析可以将医学模拟图像转化为数字图像,开展了计算机辅助诊断(computer aided diagnosis)的初步研究,在一定程度上可以辅助医生分析医学图像,从而排除人为主观因素,提高诊断准确性和效率。

2、医学图像处理技术:

(1) 图像分割:
由于人体的组织器官不均匀、器官蠕动等造成医学图像一般具有噪声、病变组织边缘模糊等特点, 医学图像分割技术的目的就是将图像中感兴趣的区域清楚的提取出来, 这样就能为后续的定量、定性分析提供图像基础,同时它也是三维可视化的基础。现在有的图像分割方法有如下几种:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

(2) 图像配准和图像融合:
医学图像配准是指对于一幅医学图像通过一种或一系列的空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配,配准处理一般可以分为图像变换和图像定位两种。
医学图像在空间域配准之后,就可以进行图像融合,融合图像的创建又分为图像数据的融合与融合图像的显示两部分来完成。图像融合的目的是通过综合处理应用这些成像设备所得信息以获得新的有助于临床诊断的信息。利用可视化软件,对多种模态的图像进行图像融合,可以准确地确定病变体的空间位置、大小、几何形状及它与周围生物组织之间的空间关系,从而及时高效地诊断疾病,也可以用在手术计划的制定、病理变化的跟踪、治疗效果的评价等方面。

(3) 伪彩色处理技术:

伪彩色图像处理技术是将黑白图像经过处理变为彩色图像, 可以充分发挥人眼对彩色的视觉能力, 从而使观察者能从图像中取得更多的信息。经过伪彩色处理技术, 提高了对图像特征的识别。临床研究对CT、MRI、B 超和电镜等图片均进行了伪彩色技术的尝试, 取得了良好的效果, 部分图片经过处理后可以显现隐性病灶。

3、总结:

随着医疗技术的蓬勃发展,对医学图像处理提出的要求也越来越高。医学图像处理技术发展至今,仍然还有很多亟待解决的问题。有效地提高医学图像处理技术的水平、与多学科理论的交叉融合、医务人员和计算机理论技术人员之间的交流就显得越来越重要。总之,医学图像作为现代医疗诊断的重要依据,必将在医药信息研究领域和计算机图像处理领域受到更多的关注。

4、参考文献:
[1]王新成.高级图像处理技术[M].北京:中国科学技术出版社,2001.
[2]丁莹.图像配准技术在医学图像处理中的应用研究[M].长春理工大学,2006.12.
[3]田捷.医学影像处理与分析[M], 电子工业出版社, 2003.
[4]田娅, 饶妮妮, 蒲立新.国内医学图像处理技术的最新动态[J].电子科技大学学报, 2002(5): 485- 489.
图片来源:(https://baike.baidu.com/item/医学图像分析/3939451#2)

2014-11-07 15:27:00 weixin_33895657 阅读数 130

()增强图片在百度网盘里面

()处理

http://bj3s.pku.edu.cn/activity/subjects/lesson6.pdf

http://www.360doc.com/content/07/0219/04/16546_369705.shtml

http://www.qnr.cn/med/data/jcyx/byswx/201003/337773.html

http://wenku.baidu.com/link?url=L2fGX_Zv33xPtwcImdvgrGtursEskJ8jQKBEQJHhAiO5LIhag3sPhiJDJGhrn7RRrcvUdhuc2nXlt5SvgIRA3AoEQWugKxP987g4navz7uq 三维重建

http://wenku.baidu.com/link?url=H0ytWNnbLwgkeocuX-VN6iNMud7RO5uGr_407qbMH_MF1DLmFLoWUqojSvCOsW2ZVXFcngNQW-E1J50F0vdMfMLrTkazv2QtnjPdbdDmhdO 

2016-10-26 20:18:42 laughter8 阅读数 1069

从开始使用opencv开始回忆起吧。

opencv是一个开源计算机视觉库(computer vision CV)。相较于之前使用的MATLAB,opencv的库函数其实还是较少的,很多基本的功能需要自己重新编写。后来发现opencv的语言平台不仅仅是C++,还支持c语言、Python的时候才觉得它并不像我觉得那样是个初级库,即便它的库函数确实较少。

1.初识

现在越来越觉得学习任何一个新知识,基础打好了往后学习或是实践才能游刃有余。

中间遇到很多小问题,即便现在想起来已经不觉得是问题,但的的确确占用着我的时间消磨着我的耐心和自信心。

a.任何新的知识在学习时都需要一个良好的知识平台或者称作基础资源平台,对opencv来说就是基础函数库和调试经验库(stack overflow)

(函数库:http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/tutorials.html)

具体问题有:sort函数使用出错,原因是在C++std空间和opencv的cv空间都存在该函数,且函数列表一样,出现错误(ambiguous)。

opencv库函数列表里的inputarray、outputarray类型是支持Mat(单通道或多通道)、vector类型(或vector<vector>)。

具体见http://blog.csdn.net/yang_xian521/article/details/7755101

2 具体bug调试

a.clearBorder函数,至今为止还没有调试成功,换了一种方法。留存,以后看到了或者能修改有所获。

b.逻辑问题。在construct-neighboorhood函数每次循环之后忘了清空列表,导致结果出错。

c.vector<vector<Point>>的使用。矢量是不需要初始化的类型,可以直接push_back填充数值,可以直接用[ i]使用元素。但即便如此,在未声明或确定它的size时,是不可 以用其下标方式来对其元素赋值的,这点与int*p来表示数组时会出现同样的问题。这时编译器检测不到,自己也不能推测哪里出现问题。只能单步调试来锁定问题位置。

d.各种数据类型的位数还是要牢记。之前总以为用什么都行不会有超出的,在这里栽了几次跟头终于有意识了。double类型的mat,用uchar类型的指针读到的都是错误的 数据,uchar是8位的,32位编译器里int是32位的,对于大图片来说int也是不够用的(比如计算整幅图的灰度值和)。

本来过程中还是有很多其他问题的,一时想不起来了。以后总结还是要每周一做。

收获还是蛮大的,明白了只要是理解通了算法,代码都是能code出来的,时间长短只不过是熟练程度问题。







2018-04-08 10:23:19 qq_36919570 阅读数 167

打开各种格式的图片?

——使用PIL库的Image即可:

from PIL import Image
im = Image.open('0000001.tif')

还可以转换成灰度图像:


im = im.convert('L')


转换成图像矩阵也很方便:

import numpy as np
ima = np.array(Image.open('00000033.tif'))

查看这个数组的维数和类型:

print(ima2.shape,ima2.dtype)
out:(409, 449, 3) uint8

可见这是一个高409、宽449(注意顺序哦)、RGB3通道的图片,每个通道的数据类型都是uint8

还可以进行类型转换(numpy数组的操作):

ima2 = np.round(100.0/255 * ima2 + 100).astype(np.uint8)  


数组重新转换为图片:

newim = Image.fromarray(ima2)   # 转换为图片


图片存储:


newim.save('big3.jpg','jpeg') ## pil_im.save('new2.png','png') # 第二个参数为存储格式

勾画图片轮廓:

    plt.contour(ima2,origin='image')

    plt.show()



画直方图:

    pyplot.hist(ima2.flatten(), 128)

    #先将图像矩阵展平

    pyplot.show()


直方图均衡化操作:

def histeq():
    im = np.array(Image.open('big.jpg').convert('L'))
    print( len(im)*len(im[0]) , im )
    # 或者print(im.shape[0]*shape[1])
    plt.hist(im.flatten(), 256) # 256:bins参数,256个桶/横值,统计等于每个横值的点的数目即形成直方图
    plt.show()
    #~原图的直方图
    imahist,bins = np.histogram(im.flatten(),256,normed=True)
    #~ numpy的直方图统计
    print('bins:', bins , 'length:', len(bins),'\n')
    cdf = imahist.cumsum()
    # print(cdf)##数组的累计求和函数cumsum
    cdf = 255 * cdf / cdf[-1]   # 归一化.cdf[-1]是末尾,累积求和最大的那个。最大值是255
    # print(cdf)##所谓直方图均衡化操作
    im2 = np.interp(im.flatten(),bins[:-1],cdf) #-1,切片逆序
    # interp:numpy的插值函数
    print(len(im2), im2)
    plt.hist(im2,256)
    plt.show()


numpy的插值函数:

def intp():
    '''
    试用numpy的插值函数。
    interp(x, xp, fp, left=None, right=None, period=None)
    x : array_like
        The x-coordinates of the interpolated values.

    xp : 1-D sequence of floats
        The x-coordinates of the data points, must be increasing if argument
        `period` is not specified. Otherwise, `xp` is internally sorted after
        normalizing the periodic boundaries with ``xp = xp % period``.

    fp : 1-D sequence of float or complex
        The y-coordinates of the data points, same length as `xp`.
    '''
    x = np.arange(0,10)
    xo = [1.5,3.5,5.5,7.5,9.5]
    yo = [60,55.48,45,41,36]
    plt.plot(xo,yo)
    plt.show()
    y = np.interp(x,xo,yo)
    plt.plot(x,y)
    plt.show()

python图像处理

阅读数 3

python 图像处理

阅读数 302

python 图像处理

阅读数 17

python图像处理

阅读数 371

python图像处理

阅读数 5

没有更多推荐了,返回首页