【SimpleITK】Resampling重采样

API :

• sitk.Resample
• sitk.Euler2DTransform (sitk.Euler3DTransform)

Resampling 顾名思义，对一幅图像进行重采样操作。而图像本身就是对原始连续信号的采样。
一搬来说使用 SimpleITK重采样包含以下四个部分：

1. 我们需要重新采样的图像image，在坐标系$m$下。???why?
2. 重采样网格（Resampling grid ）—— 相应的坐标系$f$下的网格点，将映射到坐标系$m$下。$f$ —> $m$
3. 变换$T_f^m$ -> $f$坐标系下的点到$m$的映射变换，${}^{m}p=T_f^m{(}^{f}p)$。
4. 插值方法的选择

⚠️：第三点的变换？？$T_f^m$？？

SimpleITK提供了很多的插值方法，最常用的是两种：

• sitkLinear
• sitkNearestNeighbor

前者用于大多数插值任务，是精度和计算效率之间的折衷。
后一种方法是对mask进行插值，这是唯一一种不会在结果中引入新的label的插值方法。
我们在Resample图像的时，同时要Resample它们的mask，而mask是单一的值标志像素的类别，如果使用sitkLinear会引入新的值，此时必须使用sitkNearestNeighbor。

logo = sitk.ReadImage(fdata('SimpleITK.jpg'))
tx = 2
ty = -6.50 
theta = 0.31
euler2d = sitk.Euler2DTransform()
euler2d.SetTranslation((tx, ty))
euler2d.SetAngle(theta)
resampled_image = sitk.Resample(logo, euler2d)
plt.imshow(sitk.GetArrayFromImage(resampled_image))
plt.axis('off')    
plt.show()

sitk.Euler2DTransform：一个刚性的二维变换，以弧度围绕一个固定的中心旋转并平移。

问题： $T_f^m$ 是$f$ 到$m$的变换，但是实际的情况确实对$m$坐标系下的图像进行了变换？逆变换？

定义重新采样网格
在上面的例子中，我们任意使用原始图像网格作为重采样网格。
??
图像是如何实现变换的。