python 网格形变_医学图像配准之形变场可视化（绘制形变场）

本文讲述医学图像配准中形变场的可视化，包括一种直接通过工具查看的方法和两种手工绘制的方法。

首先来介绍一下形变场，一个大小为[W,H]的二维图像对应的形变场的大小是[W,H,2]，其中第三个维度的大小为2，分别表示在x轴和y轴方向的位移。同理，一个大小为[D,W,H]的三维图像对应的形变场的大小是[D,W,H,3]，其中第三个维度的大小为3，分别表示在x轴、y轴和z轴方向的位移。下图是一个二维脑部图像配准后得到的形变场。

如一开始所说，下面介绍3中方式来将形变场可视化。

1. 使用ITK-Snap可视化形变场

这种方式是最便捷也是我认为效果最好的，但是只适用于三维的形变场。首先将形变场保存为".nii"图像，用ITK-Snap工具打开，首先在下图红框的位置悬停一段时间，出现下图中的图标后点击，选择“Multi-Component Display”下面的“Grid”，就可以看到下图所示的效果。

2. 毛毛大神的方法

具体思路请看毛毛大神的文章plt.contour 绘制图像形变场(Deformation Field)。其实具体思路我没有完全看懂，大约是先产生一个规则的网格，然后加上形变场后展示出来。但是如果网格是[W,H]大小的，但是形变场是[W,H,2]大小的，所以只能选择一个维度相加，感觉有点奇怪。代码如下：

import matplotlib.pyplot as plt

import SimpleITK as sitk

import numpy as np

def grid2contour(grid, title):

'''

grid--image_grid used to show deform field

type: numpy ndarray, shape： (h, w, 2), value range：(-1, 1)

'''

assert grid.ndim == 3

x = np.arange(-1, 1, 2.0 / grid.shape[1])

y = np.arange(-1, 1, 2.0 / grid.shape[0])

X, Y = np.meshgrid(x, y)

Z1 = grid[:,