SimpleITK使用——2. 进行crop操作

已于 2022-09-06 15:24:30 修改
阅读量4.2k 收藏 17
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 医学影像 # ITK 文章标签： python 计算机视觉 深度学习
于 2022-05-06 15:45:16 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.youkuaiyun.com/Castlehe/article/details/124477399
这篇博客详细介绍了如何使用SimpleITK进行图像裁剪，包括通过numpy、CropImageFilter、Crop函数、RegionOfInterestImageFilter和RegionOfInterest方法。内容涵盖了不同裁剪方式的代码示例和应用场景，如配合物理尺寸裁剪、逆操作还原，以及CopyInformation和GetImageFromArray等辅助函数的使用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

1. 使用numpy进行裁剪

1.1 代码

最朴实的方法，

  • 转成numpy数组，然后切片访问要保留的部分
  • 然后对origin和其他内容进行设置，复原回itk的image

下面代码完成的功能是：

  • 如果图像z轴的物理尺寸大于420mm，则截断多余的部分
  • crop之后再resize到[192,192,176]，(x,y,z)

image=sitk.ReadImage(image_path)    
spacing = image.GetSpacing()
size = image
了解本专栏 订阅专栏 解锁全文 超级会员免费看
simpleITK裁剪医学图像用于训练
sdhdsf132452的博客
01-26 162
【代码】simpleITK裁剪医学图像用于训练。
SimpleITK使用——1. 进行Resample/Resize操作
啷个哩个啷
05-02 7806
文章目录1. 变换到一个新的spacing1.1 使用Resample()的方法1.1.1 完整代码1.1.2 转换前后图像1.2 使用ResampleImageFilter()的方法2. 已知原图和变换后目标图像的大小2.1 代码2.2 转换后图像3. 相关内容说明3.0 体素和spacing3.1 Resample() 函数说明3.2 itk::simple::ResampleImageFilter函数说明 1. 变换到一个新的spacing 1.1 使用Resample()的方法 1.1.1
使用SimpleITK工具进行脑部MRI图像放缩
九久的博客
11-14 709
例：对(32, 32, 32)的图片放缩到(256, 256, 256)，原始图片空间为(1.0, 1.0, 1.0)。对图片进行空间设置：放缩后图片空间(1.0, 1.0, 1.0)；不对空间进行设置：放缩后的图片空间(0.125, 0.125, 0.125)。需要对MRI图像进行裁剪、放缩，但是要求放缩之后的影像空间必须与原图片的影像空间一致。至此，图片已经完成了放缩，并且放缩后图片的空间与原图片空间大小是同一的。
ITK医学图像处理工具：安装与应用
最新发布
weixin_42608299的博客
06-07 1016
ITK（Insight Segmentation and Registration Toolkit）是一个开源的、跨平台的工具包，广泛用于医学图像处理和分析。ITK提供了一系列高级工具用于分割、注册、测量和可视化多种类型的医学影像数据。ITK-SNAP允许用户使用Lua脚本语言来自定义一些操作，比如批量处理图像或者自动化某些重复任务。此外，我们还可以通过录制宏来简化日常操作。
SimpleITK的一些常用操作解释
Acmer_future_victor的博客
03-14 942
本文为转载文章，原文链接。
《itk实用demo》-2D提取ROI
就这样吧
09-14 653
2D提取ROI void clipMinSlice(ImageType::Pointer input,ImageType::Pointer *dst) { typedef itk::ImageFileWriter< ImageType> WriterType; WriterType::Pointer writer_heart = WriterType::New...
SimpleITK使用——3. 常见操作
啷个哩个啷
06-30 2644
常见操作
Simple ITK学习记录（1）
weixin_44727457的博客
11-16 669
解决批量导入.dcm数据并且生成迭代器 已经将一批MRCP的数据挑选了出来，现在要做数据预处理，首先研究一下怎么将批量的数据导入。 看到的不错文章保存下来： 对数据进行重采样，解决class imbalance 医学图像处理SimpleITK库的一些常用操作解释 pytorch实现自由的数据读取－torch.utils.data的学习 ImageFolder声称数据集 这个好像不可以用在dcm数据上 2020/11/14今天有点晚了 Simple ITK对读取系列数据的解读 然后根据博客（SimpleI
python三维图视角旋转_图像几何变换之图像旋转（Python实现）
weixin_39854326的博客
11-20 2657
图像几何变换之图像旋转原理旋转变化——极坐标表示设点P0(x0,y0)旋转θ角后对应点为P(x,y)。对于两点坐标可以这样表示：x0=R*cosαy0=R*sinαx=R*cos(α-θ)= x0 *cosθ + y0 *sinθy=R*sin(α-θ)= -x0 *sinθ+ y0 *cosθ以矩阵形式表示为：1.png下面我们来看看更通常一点的做法：以图像的中心为圆心进行旋转。这里涉及到一个坐...
ITK:指定区域裁剪图像
希望我的博客，能帮上你解决学习中工作中所遇到的问题
05-18 706
ITK:指定区域裁剪图像内容提要输出结果C++实现代码 内容提要 通过指定要保留的区域来裁切图像。 输出结果 Image largest region: ImageRegion (0x7f886fc0de00) Dimension: 2 Index: [0, 0] Size: [10, 10] desiredRegion: ImageRegion (0x7ffeef707978) Dimension: 2 Index: [3, 3] Size: [4, 4] new largest region: Im
【ITK库学习】使用itk库进行图像滤波ImageFilter：提取区域/切片/裁剪
weixin_41804847的博客
12-18 1716
若要指定要折叠的尺寸，必须指定ExtractionRegion，对于ExtractionRegion，Size[dim]=0，则该维度被折叠，要折叠的索引由ExtractionRegion指定，索引[dim]，例如，我们有一个图像4D=4x4x4x4图像，并且我们想要从4D（即4D的第三个“时间”切片）获得一个3D图像，3D=4x4x4的图像，指定为[x，y，z，2]，提取区域的size=[4,4,4,0]和Index=[0,0,0,2]。起始点表示裁剪后子图像的左上角像素的坐标，大小表示子图像的尺寸。
simpleITK医学图像配准
09-06
使用simpleITK进行医疗图像的配准，上述是以jupyter 写的，有配准的意义
【Python】SimpleITK 针对于 LiTS 数据集，获取最大肝脏面积的切片
See_Star的博客
11-30 2007
SimpleITK 针对于 LiTS 数据集，获取最大肝脏面积的切片
SimpleITK图像对齐
juluwangriyue的博客
10-13 1484
ITK图像对齐1、使用SimpleITK对齐图像 1、使用SimpleITK对齐图像 在看voxelmorph的代码，看到图像对齐部分，记录一下。 下面是从voxelmorph项目中截取的一段保存图像的函数。 函数输入分别是：配准后的图像、固定图像、要将配准图像保存的名字。 将图像对齐的操作需要将对齐的图像的原点、方向、间距设置成与 被对齐的图像一致。 def save_image(img, ref_img, name): img = sitk.GetImageFromArray(img[0, 0,
python&numpy十二： 使用numpy完成图像处理
m0_63030819的博客
01-09 990
使用numpy完成图像处理
如何利用ITK-SNAP进行ROI（感兴趣区）勾画
keke__qing的博客
01-22 2844
6.鼠标滚轮可控制前后层，进行下一步勾画，paste last polygon按钮可以将上一层或下一层勾画结果拖入本层中。4.勾画完成后点击完成，若要清除选择clear。5.完成后即可看到所勾画区域被颜色覆盖。7.勾画完成后按ctrl+S保存图像。2.在图中选择想勾画的位置区域。3.若要回退选择撤销。
SimpleITK学习
Kint的博客
03-22 1530
SimpleITK工具包入门学习
SimpleITK 开源项目教程
gitblog_00236的博客
08-09 985
SimpleITK 开源项目教程 1. 项目的目录结构及介绍 SimpleITK 项目的目录结构如下： SimpleITK/ ├── .github/ ├── Documentation/ ├── Examples/ ├── LICENSE ├── README.md ├── SimpleITK-Build/ ├── SimpleITK.pc.in ├── Wrapping/ ├── cmake/...
初学者指南: 使用NumPy数组进行图像处理
亨利王的博客
11-29 4357
Numpy数组的基本使用，对图片的基本处理，可加深对数组和图片之间关系的理解，对于人工智能的机器学习，深度学习大有帮助
transforms.RandomCrop(256)
03-16
<think>嗯，用户想了解PyTorch中transforms.RandomCrop(256)的具体用法和实现细节。首先，我需要回忆一下PyTorch的transforms模块，特别是RandomCrop的功能。记得RandomCrop用于数据增强，随机裁剪图像，可能还包含填充或者padding的参数。 首先，我应该解释基本用法，比如在Compose里使用，给出一个代码示例，说明如何应用到数据集上。然后，参数部分需要详细说明，比如size=256，padding、pad_if_needed、fill、padding_mode这些参数的作用，每个参数的意义和默认值。 接下来是实现细节，可能需要查看PyTorch的源码，看看RandomCrop是如何实现的。比如，在源码中，RandomCrop继承自_RandomCrop，而具体的裁剪逻辑可能在get_params方法中，会生成随机的位置坐标i, j, h, w，然后调用F.crop进行裁剪。如果有padding的情况，会先做padding再裁剪。这部分需要准确描述，可能需要引用源码的结构，但要注意用户可能不需要太底层的代码，而是理解流程。 然后，注意事项部分，比如输入类型是PIL Image或Tensor，不同版本的可能差异，以及和CenterCrop的区别。这部分能帮助用户避免常见错误。 用户提供的引用中有提到用OpenCV和PIL读取图片转换成numpy数组，可能需要提到如何处理不同数据类型的输入，比如PIL图像直接应用transforms，或者需要转换。但用户的问题集中在RandomCrop本身，可能不需要展开太多，但如果有相关注意事项可以提一下。 还需要检查是否需要补充性能分析或应用场景，但用户的问题主要是用法和实现，所以保持重点。最后生成相关问题，比如与其他裁剪方式的对比、参数选择、自定义裁剪等，确保问题相关且有帮助。 确保回答符合系统级指令：行内数学公式用$，独立公式用$$，但这里可能用不到太多数学公式。用中文回答，结构清晰，分点说明，代码示例正确，引用标记正确。用户提供的引用[^2]提到用PIL和numpy转换，可能在注意事项里提到输入类型时引用。 总结回答结构：基本用法、参数详解、实现步骤、代码示例、注意事项、相关问题。确保每个部分准确无误，特别是参数说明和实现细节部分需要准确反映PyTorch的实际实现。</think>### transforms.RandomCrop(256) 详解 #### 一、基本用法 `transforms.RandomCrop(256)` 是 PyTorch 中用于图像**随机裁剪**的数据增强方法，适用于图像分类、目标检测等任务。通过以下方式与数据加载流程集成： ```python from torchvision import transforms transform = transforms.Compose([ transforms.RandomCrop(256), transforms.ToTensor() ]) ``` #### 二、参数详解 1. `size=256`：输出裁剪尺寸，支持两种格式： - 单值：正方形裁剪 $256 \times 256$ - 元组：矩形裁剪 $(height, width)$ 2. `padding=None`（默认无填充）： - 单值：四边统一填充像素数 - 元组：$(left, top, right, bottom)$ 非对称填充 3. `pad_if_needed=False`：当原图尺寸小于目标尺寸时自动填充[^2] 4. `fill=0`：填充像素值（RGB三通道需用元组指定） 5. `padding_mode='constant'`：支持反射填充(`reflect`)、边缘填充(`edge`)等模式 #### 三、实现步骤 1. **尺寸校验**：检查输入图像尺寸是否满足要求 2. **填充预处理**（若启用）： ```python if padding is not None: img = F.pad(img, padding, fill, padding_mode) ``` 3. **随机位置生成**： ```python i = torch.randint(0, h - th + 1, size=(1,)).item() j = torch.randint(0, w - tw + 1, size=(1,)).item() ``` 4. **执行裁剪**：调用 `F.crop(img, i, j, h, w)` #### 四、代码示例 ```python import torchvision.transforms as T from PIL import Image # 加载图像（支持PIL/numpy/tensor输入） img = Image.open("image.jpg") # 原始尺寸 300x400 # 创建转换器 crop_transform = T.RandomCrop( size=(256, 256), padding=20, pad_if_needed=True, padding_mode='reflect' ) # 应用裁剪（每次随机结果不同） cropped_img1 = crop_transform(img) cropped_img2 = crop_transform(img) ``` #### 五、注意事项 1. **输入类型**：支持 `PIL.Image` 或 `Tensor` 输入（需 torch ≥ v1.7） 2. **尺寸限制**：原图尺寸需 ≥ 目标尺寸（除非启用 `pad_if_needed`） 3. **版本差异**：旧版本需用 `transforms.RandomCrop(256, padding=4)` 格式传参 #### §§ 1. RandomCrop 与 CenterCrop 的核心区别是什么？ 2. 如何实现随机缩放裁剪（RandomResizedCrop）？ 3. 当处理视频数据时如何进行时序一致的裁剪？ 4. 不同 padding_mode 对模型泛化能力的影响？ 5. 如何自定义非均匀分布的位置采样策略？ [^1]: 实现细节参考 torchvision.transforms.functional 源码 : 图像加载方法详见 OpenCV/PIL 转换规范
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

吨吨不打野

解决了问题，觉得还行就给点

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值