插值/调整3D数组的大小

Question

我有一个3D阵列,可以保存mri数据集中的体素.该模型可以沿着一个或多个方向获得.例如,体素尺寸(x,y,z)可以是0.5,0.5,2mm.现在我想将3D阵列重新采样为一个容纳1,1,1 mm体素的阵列.为此,我需要使x/y尺寸更小,z尺寸更大并插入体素值.我的问题是:在numpy或scipy中是否有一个简单的函数可以对一个简单的3d数组进行重新采样？

从*.nii文件加载模型:

img = nib.load(sFileName)
array = np.array(img.dataobj).astype("uint8") # 3d array with e.g. 0.5,0.5,2 mm
# TODO resample

Answer 1

ndimage.zoom

这可能是最好的方法,缩放方法就是为这种任务而设计的.

from scipy.ndimage import zoom
new_array = zoom(array, (0.5, 0.5, 2))

按指定因子更改每个维度的大小.如果数组的原始形状是,那么(40, 50, 60),新的形状将是(20, 25, 120).

signal.resample_poly

SciPy有很多信号处理方法.这里最相关的是decimate和resample_poly.我在下面使用后者

from scipy.signal import resample_poly
factors = [(1, 2), (1, 2), (2, 1)]
for k in range(3):
    array = resample_poly(array, factors[k][0], factors[k][1], axis=k)

因子(必须是整数)是上采样和下采样.那是:

• (1,2)表示大小除以2
• (2,1)表示大小乘以2
• (2,3)意味着增加2然后减少3,所以大小乘以2/3

可能的缺点:该过程在每个维度中独立发生,因此可能不考虑空间结构以及ndimage方法.

RegularGridInterpolator

这是更多动手,但也更费力,没有过滤的好处:直接下采样.我们必须使用每个方向的原始步长为内插器制作网格.创建插补器后,需要在新网格上进行评估; 它的调用方法采用不同类型的网格格式,用mgrid.

values = np.random.randint(0, 256, size=(40, 50, 60)).astype(np.uint8)  # example

steps = [0.5, 0.5, 2.0]    # original step sizes
x, y, z = [steps[k] * np.arange(array.shape[k]) for k in range(3)]  # original grid
f = RegularGridInterpolator((x, y, z), values)    # interpolator

dx, dy, dz = 1.0, 1.0, 1.0    # new step sizes
new_grid = np.mgrid[0:x[-1]:dx, 0:y[-1]:dy, 0:z[-1]:dz]   # new grid
new_grid = np.moveaxis(new_grid, (0, 1, 2, 3), (3, 0, 1, 2))  # reorder axes for evaluation
new_values = f(new_grid)

缺点:例如,当维度减少2时,它实际上会降低每隔一个值,这是简单的下采样.理想情况下,在这种情况下应该平均相邻值.在信号处理方面,低通滤波在抽取中进行下采样.