在对DCM格式图像进行显示时，根据窗宽窗位进行归一化

最新推荐文章于 2023-08-15 10:30:22 发布
原创 最新推荐文章于 2023-08-15 10:30:22 发布 · 1k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了一种CT图像处理方法，通过设置特定的窗宽(window_width)和窗位(window_center)，实现对原始CT图像像素值的映射转换，从而达到增强或突出图像中某一组织或结构的效果。

window_center=1200 #窗位
window_width=400 #窗宽
win_min = (2window_center - window_width)/2.0 + 0.5
win_max = (2window_center + window_width)/2.0 + 0.5
dFactor = 255.0/(win_max - win_min)
nNumPixels=rawData.shape[0]
for i in range(nNumPixels):
pixel_val = rawData[i]
if pixel_val < win_min:
disp_pixel_val = 0
continue;
if pixel_val > win_max:
disp_pixel_val = 255
continue;
nPixelVal = (pixel_val - win_min)*dFactor
if nPixelVal < 0:
disp_pixel_val = 0
elif nPixelVal > 255:
disp_pixel_val = 255
else:
disp_pixel_val = nPixelVal

9. DICOM图像显示-DCMTK-窗宽窗位调整和源码分析
tianma2012的博客
12-10 3434
radiant的窗宽窗位操作有如下几种， Default window是dicom文件中默认的窗宽窗位 Full dynamic是根据dicom文件中的最大CT值和最小CT值计算的窗宽窗位 Negative是反片，即CT值越小，越亮 CT Adbomen等条目根据不同设备类型，显示不同。 CT图像则显示预设的各个器官的标准窗宽窗位，比如腹部CT，wl=60，ww=400，能更好的显示腹部组织。 核磁相关 超声相关 ...
DELPHI 对DICOM中的窗宽、窗位调整
PACS的专栏
06-18 2186
在写这篇文章前72小时，我的多窗显示组件对于个别大W/C值的16位影像显示还是个问题，也发了帖子到PACS站询问过，更是在Google上猫刨了很久，终归一无所获，今天静下心来，用了2小时反复查看程序处理过程，对比数据，居然就这么搞定了，原来如此简单，哎，困惑了3天，把答案公布了，也算是助人为乐（中国地大物博，人心应宽广无量）对16位的影像，要判断DICOM中最大像素值(0028,0107)大于
医学图像处理涉及到的窗宽窗位 1
sunyao_123的博客
06-13 1万+
先说一下CT值是什么 CT图像反映的是人体对X射线吸收的系数，但我们关心的是各组织结构的密度差异，即相对密度，如果某组织发生病变，其密度就会发生变化，但由于比较吸收系数非常繁琐，于是亨氏把组织器官对X射线的吸收系数换算成CT值，单位是Hu。水的CT值为0Hu，其它不同组织密度都与它进行比较。密度比水大为正值，比水小为负值。人体各组织CT值如图所示。在处理医学图像过程中会遇到图像归一化的问题，一般来
CT图像预处理之窗宽窗位调整
qq_44289607的博客
03-10 1万+
目录 1 CT图像的Hu值变换 2 CT图像窗宽窗位调整 1 CT图像的Hu值变换 CT值属于医学领域的概念，通常称亨氏单位（hounsfield unit,HU),反映了组织对X射线的吸收程度。黑影表示低吸收区，即低密度区，如含气体多的肺部；白影表示高吸收区，即高密度区，如骨骼。但是CT 和X线图像相比，CT的密度分辨力高，即有高的密度分辨力（density resolution）。因此，人体软组织的密度差别虽小。吸收系数虽多接近于水，也能形成对比而成像。解剖成像。 灰度值属于计算机领域
图像数据集制作——窗位窗宽+归一化处理【python版本】
邵立智的博客
02-05 7499
在图像训练集制作中，尤其对于医学影像，为了获得更好的训练效果，往往需要增大图像间像素值差异。同时，为了防止训练中出现数值暴增，补充简单归一化处理。 源代码 import numpy as np import matplotlib.pyplot as plt import random import math #-----------data-----------# rawData = n
医学图像预处理----ManualNormalization（手动归一化，即窗宽窗位的设定）
winner19990120的博客
11-29 494
通过给定的最大和最小窗口级别映射强度来标准化图像 sitk.IntensityWindowingImageFilter()将线性变换应用于用户定义的间隔内的输入图像的强度级别。 低于此间隔的值被映射到一个常数，区间内的值被映射到另一个常量 class ManualNormalization(object): """ Normalize an image by mapping intensity with given max and min window level """ def __in
DICOM图像读取以及窗宽，窗位调整
05-15
DICOM图像的读取以及窗宽，窗位调整，挺不错的！
使用pydicom实现Dicom文件读取与CT图像窗宽窗位调整
热门推荐
m_buddy的博客
04-25 2万+
1. 前言 为了能够在Labelme上对Dicom图像进行编辑，这里对python环境下Dicom文件的读取进行了研究。在Dicom图像中CT的窗宽窗位是一个很重要的概念，但是找了半天在pydicom中没有相关设置函数，这里跟DCMTK还不一样。但是可以根据两个tag得到CT图像的CT值，那就是（0028|1052）：rescale intercept和（0028|1053）：rescale s...
【基】医学CT图像-‘.dcm‘图像读取/处理/窗位窗宽修改/保存
qq_56936051的博客
10-13 4094
​详细的解释了医学.dcm图像的处理
精选资源
医学图像--头部的序列dcm格式图像
06-23
2. **预处理**：可能需要进行一些图像预处理，如归一化、噪声过滤或图像增强，以便更好地突出显示关键结构。 3. **体绘制**：通过`vtkVolumeMapper`和`vtkVolumeProperty`来设置渲染方式和外观属性，实现三维重建。...
对医学图像中dcm文件进行处理
qq_45571006的博客
08-15 916
【代码】对医学图像中dcm文件进行处理。
灰度归一化与窗宽窗位调整：CT图像处理的2大基石（附真实病例实战）
为什么放射科医生总要反复拖动“窗宽窗位”滑块才能看清病灶？更进一步地，当我们在训练一个AI模型去识别肺结节时，为何必须对上千例来自不同设备的数据做统一预处理？ 答案就藏在两个看似简单却极其关键的技
基于pydicom的CT图像窗宽窗位调节与转化为jpg图像
Ericohe的博客
07-17 2067
# -*- coding=utf-8 -*- import matplotlib.pyplot as plt import pydicom import pydicom.uid import sys import PIL.Image as Image from PyQt5 import QtGui import os have_numpy = True try: import numpy except ImportError: have_numpy = False raise .
医学图像笔记（八）窗宽窗位
juluwangriyue的博客
03-25 3153
医学图像笔记（八）窗宽窗位1、（医学影像文件）的一个核心的知识点就是，窗宽窗位。 1、（医学影像文件）的一个核心的知识点就是，窗宽窗位。 知识点： 窗宽/窗位的概念 窗宽是图像显示的灰度范围。一般显示器的灰度范围为256级，而医学图像的灰度范围则远远大于该范围，因此通过显示器显示时不能显示所有灰度级，需要使用窗宽来定义欲显示的灰度范围。灰度值高于该范围的最大值时：白影。低于：黑影。比如，窗宽200，窗位100，则可视范围：0-200；窗位500，可视范围：400-600 参考：vtk读取.dcm文件（医学
医学图像自适应计算图像窗宽窗位技巧
xiaoxifei的专栏
10-27 1万+
在dicom图像中，对于人体器官以及部位的观察通常是有固定的窗宽窗位的，但是有时候经过前面算法的一些处理后结果图像往往不能够套用现有的窗宽窗位，这里提供一种简单的自适应调整窗宽窗位的算法思路。 一、为什么要设置窗宽窗位 我并不是专门学医学出身，因此并不能给出医学上的解释，但是从图像的角度来说所谓的窗宽窗位就是找到一个合理的灰度值区间段，在这个区间段中最大程度保留了所关注的内容或者是整张图片的主...
窗位和窗宽
cfqcfqcfqcfqcfq的博客
04-23 7450
最近在研究医学图像 其中涉及到窗位和窗宽的概念。查阅资料了解后 现在做一个总结！   日常生活中的显示器的灰度范围是256级，日常我们见到的图像基本都是这个灰度范围。而医疗图像处于特殊要求，其灰度级会比较高，因此很多医疗图像原始数据是不能在显示器上显示！所以才有了窗位窗宽的概念！其概念一幅图就可以表达清楚：                                            
16bit灰度图像映射到8bit显示
微笑的艾米
05-18 7365
 图像显示和打印面临的一个问题是：图像的亮度和对比度能否充分突出关键部分。这里所指的“关键部分”在   CT   里的例子有软组织、骨头、脑组织、肺、腹部等等。         技术问题：       o     显示器往往只有   8-bit，   而数据有   12-   至   16-bits。     o     如果将数据的   min   和   max   间   (dynamic
根据窗位窗宽把8bit像素值映射回16bit
最新发布
09-18
<think> 我们已知在DICOM中，窗宽（Window Width）和窗位（Window Center）用于调整图像的显示对比度和亮度。通常，原始DICOM像素数据是12位或16位的，但在显示时，为了适应8位显示设备，会通过窗宽窗位进行映射转换。现在，我们有一个8位的图像（例如从DICOM转换而来的JPEG或PNG），但我们希望根据原始的窗宽窗位信息将其映射回16位的范围（注意：这里并不是完全恢复原始16位数据，而是模拟出一个16位的数据范围，因为8位数据已经丢失了部分信息）。 映射原理： 窗宽（WW）和窗位（WC）定义了一个线性变换，将原始像素值映射到显示灰度值。通常，显示灰度值范围是0到255（8位）。我们可以将这个映射过程反过来，从8位显示值推算出原始值的近似范围。 原始映射（从原始像素值到显示值）： 设原始像素值为$P$，窗宽为$WW$，窗位为$WC$，则显示值$D$（范围0-255）的计算公式为： 首先计算下限和上限： 下限 = $WC - WW/2$ 上限 = $WC + WW/2$ 然后： $D = \begin{cases} 0 & \text{if } P \leq WC - WW/2 \\ 255 & \text{if } P \geq WC + WW/2 \\ \left( \frac{P - (WC - WW/2)}{WW} \right) \times 255 & \text{otherwise} \end{cases}$ 现在，我们已知显示值$D$（8位，0-255），要反推原始像素值$P$的近似值（16位）。注意，由于8位数据有量化损失，我们无法精确恢复原始值，但可以恢复到一个近似的范围。 反向映射公式： 由上式中的线性部分可得： $P = (WC - WW/2) + \frac{D \times WW}{255}$ 但需要注意的是，这个公式只适用于中间线性部分。对于$D=0$和$D=255$，我们只能知道$P$在下限以下或上限以上，具体值未知。通常，我们可以将$D=0$映射为$P_{min}$（例如0），$D=255$映射为$P_{max}$（例如65535），或者按照线性关系扩展到整个16位范围。但更合理的做法是只使用窗宽窗位定义的线性区间。 然而，这里有一个关键点：我们映射回16位时，通常希望覆盖整个原始数据的动态范围（比如0到65535），但原始数据的实际范围可能比窗宽窗位定义的区间要大。因此，我们有两种选择： 1. 只恢复窗宽窗位区间内的值，即$P$在$[WC-WW/2, WC+WW/2]$之间，并将这个区间线性映射到16位（比如0到65535）或者保持原始单位（HU值）。 2. 根据原始DICOM中可能提供的其他信息（如最小像素值和最大像素值）来恢复整个动态范围。 由于我们只有8位图像和窗宽窗位信息，没有原始的最小/最大值，我们只能选择第一种方式：将窗宽窗位区间映射到16位范围。 具体步骤： 1. 确定窗宽窗位区间：$[L, U]$，其中$L = WC - WW/2$，$U = WC + WW/2$。 2. 将8位图像中的每个像素值$D$（0-255）线性映射到这个区间： $P = L + \frac{D}{255} \times (U - L)$ 3. 然后，我们可以将这个$P$值缩放到16位（0-65535）的范围。注意，这里$P$的单位是原始像素单位（可能是HU）。如果我们需要16位无符号整数，可以如下缩放： 首先将$P$归一化到[0,1]：但是注意，$P$的值可能为负（如果是HU值），也可能超过65535。因此，我们通常根据实际需要缩放。 然而，实际中，我们可能并不需要将$P$表示为0-65535之间的整数，而是保持其物理值（浮点数）。如果需要存储为16位整数，则必须知道整个数据集的最小值和最大值，但我们没有这些信息。 因此，我们通常有两种输出形式： - 浮点型：保留计算得到的$P$（物理值） - 16位整型：将窗宽窗位区间$[L, U]$线性映射到16位整数的范围[0, 65535]（或[-32768, 32767]）。这时，我们可以定义： $P_{int} = \left( \frac{P - L}{U - L} \right) \times 65535$ 注意：这样映射后，原来的0-255的8位图像就变成了16位图像，并且窗宽窗位区间被拉伸到整个16位范围。 但是，请注意，原始DICOM可能有多个窗宽窗位（如肺窗、骨窗等），但这里我们只使用一个窗宽窗位（通常是默认的）。 示例代码： 假设我们有一张8位灰度图像（numpy数组形式）`img_8bit`，窗位`wc`和窗宽`ww`，我们希望得到映射后的16位图像（0-65535的整数）。 步骤： 1. 计算下限L和上限U L = wc - ww/2.0 U = wc + ww/2.0 2. 将8位图像归一化到0-1（浮点） normalized = img_8bit.astype(np.float32) / 255.0 3. 将归一化图像映射到[L, U]区间 p_values = L + normalized * (U - L) 4. 现在，如果我们要将[L, U]区间映射到[0, 65535]的整数： # 首先将p_values归一化到[0,1]（相对于区间[L,U]） normalized_16 = (p_values - L) / (U - L) # 然后缩放到0-65535并转换为整数 img_16bit = (normalized_16 * 65535).astype(np.uint16) 注意：这种方法将窗宽窗位区间拉伸到整个16位动态范围，因此图像对比度与原始8位图像相同（只是位数增加）。如果原始8位图像已经使用了窗宽窗位，那么这样映射回去的图像在16位下使用相同的窗宽窗位显示时，将和8位图像看起来一样。 但是，如果我们希望恢复到原始DICOM文件的像素值范围，我们需要知道原始的最小值和最大值。在没有这些信息的情况下，我们只能做到这样。 另一种方法：如果我们知道原始DICOM的像素值范围（例如通过DICOM标签（0028,0106）和（0028,0107）获得最小和最大像素值），那么我们可以先将8位图像映射回原始范围。 步骤（如果知道原始最小最大值）： 设原始最小值为min_original，最大值为max_original。 那么原始8位图像是通过以下线性映射得到的： img_8bit = ((p_values_original - min_original) / (max_original - min_original) * 255).astype(np.uint8) 反向映射： p_values_original = min_original + (img_8bit.astype(np.float32) / 255.0) * (max_original - min_original) 然后我们可以转换为16位整数，但要注意原始数据可能有符号，所以需要根据情况选择有符号16位还是无符号16位。 由于问题中只提到了窗位窗宽，没有原始最小最大值，我们采用第一种方法。 代码示例（使用窗宽窗位映射到16位[0,65535]）： ```python import numpy as np import cv2 # 假设我们有一个8位灰度图像（0-255） img_8bit = cv2.imread('8bit_image.png', cv2.IMREAD_GRAYSCALE) # 窗位和窗宽（假设值） wc = 40 # 窗位 ww = 400 # 窗宽 # 计算窗宽窗位区间 L = wc - ww / 2.0 U = wc + ww / 2.0 # 将8位图像归一化到0-1 normalized = img_8bit.astype(np.float32) / 255.0 # 映射到[L, U]区间 p_values = L + normalized * (U - L) # 将[L, U]区间映射到0-65535整数 # 注意：由于浮点运算可能有超出[L,U]的值（理论不会，但实际因计算误差可能有），我们使用clip确保在区间内 p_values_clipped = np.clip(p_values, L, U) normalized_16 = (p_values_clipped - L) / (U - L) img_16bit = (normalized_16 * 65535).astype(np.uint16) # 保存16位图像（注意：16位PNG） cv2.imwrite('16bit_image.png', img_16bit) ``` 注意：上述代码中，我们使用OpenCV保存16位PNG图像。由于窗宽窗位区间外的值被裁剪到边界，所以不会超出范围。 但如果原始8位图像是通过窗宽窗位映射得到的，那么其像素值0和255分别对应原始值小于L和大于U，因此我们将其映射为16位的最小值0和最大值65535。中间值线性映射。 这样，我们就实现了从8位图像根据窗宽窗位映射回16位图像。 相关问题： §§相关问题§§ 1. 如何从DICOM文件中获取窗位窗宽信息？ 2. 除了窗位窗宽，还有哪些DICOM显示参数会影响图像的显示效果？ 3. 如果原始DICOM数据是有符号整数，映射回16位时如何处理负数？ </think> ### 根据窗位窗宽将8bit像素值映射回16bit的实现方法 在医学影像处理中，窗位(window center)和窗宽(window width)定义了图像的显示范围。以下是完整的映射原理和实现方法： #### 映射原理 设8位像素输入值为 $D$ (范围0-255)，窗位为 $WC$，窗宽为 $WW$，则映射回16位的公式为： $$ P = \begin{cases} 0 & \text{若 } D = 0 \\ 65535 & \text{若 } D = 255 \\ (WC - \frac{WW}{2}) + \frac{D}{255} \times WW & \text{其他情况} \end{cases} $$ 其中： - $P$ 是输出的16位像素值 (范围0-65535) - 窗宽 $WW$ 决定显示范围大小 - 窗位 $WC$ 决定显示范围中心位置 - 映射保留了原始数据的相对灰度关系[^1][^3] #### Python实现示例 ```python import numpy as np import cv2 from pydicom import dcmread def map_8bit_to_16bit(image_8bit, window_center, window_width): """ 将8位图像根据窗位窗宽映射回16位范围 参数: image_8bit: 8位灰度图像(numpy数组, uint8) window_center: 窗位(浮点数) window_width: 窗宽(浮点数) 返回: 16位图像(numpy数组, uint16) """ # 计算显示范围上下限 w_min = window_center - window_width/2 w_max = window_center + window_width/2 # 归一化8位图像到[0,1]范围 normalized = image_8bit.astype(np.float32) / 255.0 # 应用窗宽窗位映射 img_16bit = w_min + normalized * window_width # 转换为16位整数并裁剪到有效范围 img_16bit = np.clip(img_16bit, 0, 65535) return img_16bit.astype(np.uint16) # 使用示例 if __name__ == "__main__": # 读取DICOM文件获取元数据 ds = dcmread("input.dcm") wc = ds.WindowCenter if hasattr(ds, 'WindowCenter') else 2048 ww = ds.WindowWidth if hasattr(ds, 'WindowWidth') else 4096 # 读取8位图像(假设已存在) img_8bit = cv2.imread("8bit_image.png", cv2.IMREAD_GRAYSCALE) # 执行映射 img_16bit = map_8bit_to_16bit(img_8bit, wc, ww) # 保存结果 cv2.imwrite("restored_16bit.png", img_16bit) print(f"映射完成: 窗位={wc}, 窗宽={ww}, 输出范围={np.min(img_16bit)}-{np.max(img_16bit)}") ``` #### 关键技术点 1. **数值精度处理**： - 使用`np.float32`保留中间计算精度 - 最终裁剪到[0,65535]避免溢出 - 处理极端值($D=0$和$D=255$) 2. **医学影像特性**： - 窗宽窗位定义了临床关注区域 - 映射保留诊断关键区域的灰度层次[^1] - 支持HU值(负值)通过调整裁剪范围 3. **性能优化**： ```python # 使用向量化运算加速 img_16bit = w_min + normalized * window_width ``` - 避免循环操作 - 利用NumPy的并行计算优势 #### 验证方法 ```python # 验证反向映射的准确性 test_values = [0, 128, 255] for val in test_values: input_arr = np.array([[val]], dtype=np.uint8) output = map_8bit_to_16bit(input_arr, wc, ww)[0,0] expected = w_min + (val/255)*ww print(f"输入{val} → 输出{output} (期望值:{expected:.1f}, 误差:{abs(output-expected):.2f})") ```
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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
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