SimpleITK中的图像分割

图像分割filters对图像进行处理，将其分割成有意义的区域，通常输出一个整数图像，其中每个整数代表一个目标，值0通常表示背景，1或255表示前景对象。

img_T1 = sitk.ReadImage(fdata("nac-hncma-atlas2013-Slicer4Version/Data/A1_grayT1.nrrd"))
img_T2 = sitk.ReadImage(fdata("nac-hncma-atlas2013-Slicer4Version/Data/A1_grayT2.nrrd"))

# 为了可视化图像，将图像转化为0到255
img_T1_255 = sitk.Cast(sitk.RescaleIntensity(img_T1), sitk.sitkUInt8)
img_T2_255 = sitk.Cast(sitk.RescaleIntensity(img_T2), sitk.sitkUInt8)

阈值分割是最基本的分割方式，它只是简单地基于灰度范围标记图像地像素，而不考虑几何或连通性。
Itk 有许多基于直方图的自动阈值过滤器，包括 Huang，maximiumentropy，Triangle，和流行的 Otsu 方法。 这些方法创建直方图，然后使用启发式方法确定阈值。

otsu_filter = sitk.OtsuThresholdImageFilter()
otsu_filter.SetInsideValue(0)
otsu_filter.SetOutsideValue(1)
seg = otsu_filter.Execute(img_T1)
myshow(sitk.LabelOverlay(img_T1_255, seg), "Otsu Thresholding")
otsu_filter.GetThreshold()

区域增长分割

seg = sitk.ConfidenceConnected(img_T1, seedList=[seed],
                                   numberOfIterations=1,
                                   multiplier=2.5,
                                   initialNeighborhoodRadius=1,
                                   replaceValue=1)

myshow(sitk.LabelOverlay(img_T1_255, seg), "ConfidenceConnected")

快速步进算法
快速步进算法实现了对简单水平集进化问题地解决算法，在这个例子中，微分方程中使用地速度参数是以图像地形式来提供地。速度图像是基于梯度的大小，并用有界倒数1/（1+x）来映射。

seed = (132,142,96)
feature_img = sitk.GradientMagnitudeRecursiveGaussian(img_T1, sigma=.5)
speed_img = sitk.BoundedReciprocal(feature_img) # 不想sigma函数不需要参数
myshow(speed_img)

Fastmarchingmagefilter的输出是一个跨时间的映射，它表示对于每个像素，前端到达该像素点需要花费多少时间。

fm_filter = sitk.FastMarchingBaseImageFilter()
fm_filter.SetTrialPoints([seed])
fm_filter.SetStoppingValue(1000)
fm_img = fm_filter.Execute(speed_img)
myshow(sitk.Threshold(fm_img,
                    lower=0.0,
                    upper=fm_filter.GetStoppingValue(),
                    outsideValue=fm_filter.GetStoppingValue()+1))