- 博客(304)
- 资源 (13)
- 收藏
- 关注
RSS订阅原创 simpleITK - Setup - Progress
SimpleITKFilter和其他从派生的类具有在发生某些事件时执行用户代码的能力。这被称为命令和观察员设计模式，用于实现用户回调。这允许在执行过程中监视和中止进程。考虑以下图像源，它需要几秒钟才能执行。如果能快速知道您需要等待多长时间，知道您是否可以去喝杯咖啡，那就太好了。我们需要添加一个命令来显示期间方法报告的进度。在简要解释这些组件之后，我们将查看一些示例。
2025-03-28 16:18:30
642
原创 simpleITK - Setup - matplotlib‘s imshow
在此笔记本中，我们将探索使用 显示笔记本中的图像，并致力于开发可重复使用的函数来显示 SimpleITK 图像的 2D、3D、颜色和标签叠加层。我们还将研究使用需要输入图像重叠的图像过滤器的微妙之处。SimpleITK 有一个内置的“Show”方法，可以将图像保存到磁盘并启动用户可配置的程序（默认为 ImageJ）来显示图像。此图像看起来并不大。我们可以进行许多改进：我们首先加载分割图像。由于分割只是具有积分数据的图像，因此我们可以像显示任何其他图像一样显示标签。我们还可以将标量标签
2025-03-28 16:17:46
724
原创 simpleITK - Setup - Results Visualization
在此笔记本中，我们说明了显示分割和配准算法结果的各种方法，以便可以轻松地将它们合并到手稿或演示文稿中。对于交互式数据探索，我们建议使用专用程序（例如 3D 切片机）。03d。
2025-03-27 16:44:02
722
原创 simpleITK - Setup - Image Display
SimpleITK 显示图像的原生方法是使用外部查看程序。在笔记本环境中，使用 matplotlib 显示内联图像非常方便，如果需要，我们可以实现一些相当丰富的内联图形用户界面，结合 ipywidgets 包中的控制组件和基于 matplotlib 的显示。在本笔记本中，我们介绍了使用外部程序和 matplotlib 查看图像的方法。我们还实例化了一个更复杂的内联界面，该界面使用 ipywidgets 来控制显示。对于后一种中等复杂的显示类型（在许多笔记本中使用），请查看文件。
2025-03-27 16:43:32
1061
原创 simpleITK - Setup - Image Details
SimpleITK（源自 ITK）作为图像处理和分析工具包的独特功能是它将图像视为占据物理空间中有界区域的物理对象。此外，图像沿每个轴的像素间距可以不同，并且轴不一定正交。下图说明了这些概念。
2025-03-26 17:40:41
743
原创 simpleITK - Setup - Pythonic Syntactic Sugar
Image Basics Notebook 非常简单，与 ITK 的 C++ 接口非常接近。Sugar非常棒，它能让你精力充沛，更快地完成任务！SimpleITK 也应用了大量Sugar来帮助更快地完成任务。让我们首先开发一种在笔记本中显示图像的便捷方法。
2025-03-26 17:39:52
928
原创 Vulkan学习--6.创建交换链
交换链是最终显示给用户的图像缓冲区列表。这是设置渲染所需的所有缓冲区所需的第一步。这是Vulkan交换链的视图，与系统的其他各个部分有关。其中一些部分是熟悉的，您将在本节中了解其余部分。Vulkan和窗口系统与其他图形API一样，Vulkan将窗口系统方面与核心图形API分开。在Vulkan中，窗口系统细节通过WSI（窗口系统集成）扩展来公开。您可以在启用了WSI内容的情况下准备的Vulkan规范文档中找到这些扩展的文档。
2025-02-28 16:17:30
257
1
原创 SPM - Coregistered整理
它可以用于重新定位图像，同时保留原始强度（例如，由标签组成的图像）。如果出现这种情况，则将整个图像集的该体素设置为零（除非图像格式可以表示 NaN，在这种情况下尽可能使用 NaN）。在配准结束时，将显示体素到体素的仿射变换矩阵，以及原始方向和最终方向的图像直方图。已配准的图像显示在底部。在配准结束时，将显示体素到体素的仿射变换矩阵，以及原始方向和最终方向的图像直方图。这是假定保持静止的图像（有时称为目标或模板图像），而源图像则移动以匹配它。重新切片的图像的名称与原始图像相同，只是它们以“r”为前缀。
2025-02-28 15:54:59
34
原创 ANTs - Registration整理
配准（有时称为“规范化”）使一张图像与另一张图像相匹配，这样相同的体素大致指代两个大脑中的相同结构。固定（或目标）图像通常是一个模板，但您可以将任何两张图像相互配准，从计算的角度来看，模板没有什么特别之处。
2025-02-28 15:54:21
243
原创 simpleITK - Registration - SimpleITKv4配准 x光全景图
实际上，我们可以观察到由于 X 射线设备的结构而导致的不均匀强度（例如，X 射线阳极对光子的吸收，称为。然后，我们使用这些初始转换估计值开始标准配准，即我们的利用步骤。在下一个代码单元中，我们在预期具有均匀强度值（空气）的区域中定义一个矩形感兴趣区域（使用鼠标左键，单击并拖动以定义），并绘制每行的平均强度。鉴于我们使用同一设备获取多个部分重叠的图像，我们预计相同解剖结构的强度在所有图像中都是相同的。虽然我们的变换类型是平移，但通过查看多个三元组图像，我们发现重叠区域的大小（预期平移）具有显着的变化。
2025-02-25 17:40:56
31
原创 simpleITK - Registration - SimpleITKv4配准 非刚性配准：Demons
S.G. Lingala、A. Toutios、J. Toger、Y. Lim、Y. Zhu、Y-C. Kim、C. Vaz、S. Narayanan、K.S. Nayak “用于全面评估声道结构和功能的最先进的 MRI 协议” Interspeech 会议论文集，旧金山，2016 年。幸运的是，在 SimpleITK 中很容易实现我们自己的多尺度框架，这就是我们在下一个单元中所做的。要将点转移到第二幅图像，我们需要 (1) 使用它们的物理坐标，(2) 转换它们，然后 (3) 获取用于绘图的像素坐标。
2025-02-25 17:40:31
147
原创 simpleITK - Registration - SimpleITKv4配准 配准误差、术语和解释
在此笔记本中，我们在理想环境中工作，我们知道适当的变换模型是刚性的。不幸的是，情况往往并非如此。我们的选择是选择可以解释我们观察结果的最简单的模型。目标点可以是单个点或空间中的区域，我们希望最小化此目标的配准误差。我们通过最小化另一个量来完成此任务，在成对点配准中，这是 FRE，在基于强度的配准的情况下，我们最小化适当的相似性度量。在下面的单元格中，您将使用用户界面来试验与 FLE、FRE 和 TRE 相关的各种概念。即使我们的世界模型是正确的，没有异常值，并且 FLE 是各向同性的和均匀的，基准配置。
2025-02-24 11:58:37
526
原创 simpleITK - Registration - SimpleITKv4配准 非刚性配准：自由变形
对于 BSpline 变换，我们可以对频率较低的图像、图像金字塔的较高级别使用较少的控制点，随着金字塔的下降，控制点的数量会增加。我们使用的数据是 4D（3D+时间）胸腹部 CT，即基于点验证的像素的呼吸胸部模型 (POPI)。J. Vandemeulebroucke、D. Sarrut、P. Clarysse，“POPI 模型，基于点验证的像素的呼吸胸部模型”，。以下单元格允许您选择用于配准的图像，运行配准，然后计算统计数据，比较配准前后的目标配准误差并显示 TRE 的直方图。
2025-02-21 14:24:10
204
原创 simpleITK - Registration - SimpleITKv4配准 内存与时间的权衡
关于对执行时间的强调，一方面，我们有纵向研究，其中时间限制相对宽松。理想情况下，我们希望使用最快的插值方法，即最近邻。然后，我们使用超采样图像和最近邻插值执行配准。在大多数情况下，报告的精度是在不限制算法执行时间的情况下获得的。* 更好的方法是使用单幅图像超分辨率技术，例如 A. Rueda、N. Malpica 和 E. Romero 在《使用过完备字典的脑部 MR 图像单幅图像超分辨率技术》本笔记本说明了一种通过预处理和增加内存使用量来降低术中配准计算复杂度的简单方法，这是内存与时间权衡的一个例子。
2025-02-21 12:31:18
50
原创 nipy整理 - NeuroSpin 工具
在这里，我们给出了 nipy 体积数据结构的列表，从最具体到最通用。这些值可以是多维的，在 BOLD 信号的情况下，fMRI 信号将对应于世界空间中每个位置的时间序列。此结构不对值的内部表示方式做任何假设，例如，它们可以表示为函数，而不是数据点，或者表示为非数组的数据结构，例如图形。VolumeImg 是最常见的体积结构，也是最容易理解的，但是，体积数据可以用更通用的术语来描述，出于性能原因，使用其他对象可能会很有趣。最后，不同的结构可以以不同的方式将数据嵌入到同一个世界空间中，例如具有不同的分辨率。
2024-12-11 10:00:56
855
原创 nipy整理 - Tutorials(在 NiPy 中指定 GLM)
在典型的 GLM 分析中，我们将在某个固定体素 (x) 处观察到的 BOLD 信号 (B(t))（在时间点 ((s_1, \dots, s_n))）与血流动力学响应模型进行比较。或者，在人脸与物体场景中，我们可以随机呈现两种类型中的一种，并且在特定事件时间 (t_j) 的分布将由概率 (P_j) 表示。用文字表达，这可理解为 (E([t_1,t_2],A)) 是间隔 ([t_1,t_2]) 中状态向量 ((O(t), C(t))) 位于区域 (A) 的时间量。这可能是可取的，也可能不是，并且可以轻松更改。
2024-12-11 10:00:21
255
【机器人学与运动学】基于旋转矩阵的刚体姿态变换与坐标转换：固定角和欧拉角的应用解析及齐次变换矩阵的设计
2025-04-02
一些常用的ply文件
2020-10-21
freeglut3.0.0
2018-06-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人