姜堰网站制作/搜索引擎排名优化方案

首先，我们为什么要把标签换成轮廓表示

这是某一篇论文的原图，用两种颜色分别表示分割结果和ground truth.

想象一下，如果用实心标签显示，会怎么样？自然是很杂乱，看不清两者的区别在哪。

我们再看下一个例子：实心标签转轮廓标签

||||||||||||||||||||||||||||||||||||||||||||||||||||

如图，我们有标签的时候，想要获得他的边界进行展示，应该如何操作呢？

直接上代码：

def get_edge_points(img):"""get edge points of a binary segmentation result"""dim = len(img.shape)if (dim == 2):strt = ndimage.generate_binary_structure(2, 1)else:strt = ndimage.generate_binary_structure(3, 1) ero = ndimage.morphology.binary_erosion(img, strt)edge = np.asarray(img, np.uint8) - np.asarray(ero, np.uint8)return edge

调用并保存结果

if __name__ == '__main__':# 生成三维边缘轮廓label_path = './8mask.nii.gz'arr_ = nib.load(label_path)arr = arr_.get_fdata()affine = arr_.affine  contour = get_edge_points(arr)save_contour = nib.Nifti1Image(contour, affine=affine)nib.save(save_contour, 'segcontour.nii.gz')

这里用到了形态学的方法，大致思路就是 通过结构体做腐蚀运算 （ndimage.morphology.binary_erosion），得到内部元素，再用 $整个图像-内部元素=边界元素$

想简单知道原理的往下看，初步了解一下腐蚀原理，以及为何用腐蚀可以提取边界。

腐蚀运算函数

ndimage.morphology.binary_erosion(input, structure)

• input: 待腐蚀的图像
• structure: 结构体

对于使用结构体做腐蚀的简单理解

解释： 遍历结构A 的所有像素 Ai，如果 Ai 周围的结构和结构B是一致的，则 Ai 值保留，否则为0.

通过这个原理，我们得到的图像会比结构A 小很多，这就是腐蚀。

让我们来看一个具体的案例。

1. 创建一个结构体

使用 ndimage.generate_binary_structure

from scipy import ndimage
strt = ndimage.generate_binary_structure(2, 1)

2. 创建一个假的图像

import numpy as np
a = np.zeros((7,7), dtype=np.int)
a[1:6, 2:5] = 1

3. 使用结构体腐蚀图像

fushi = ndimage.binary_erosion(a, strt).astype(a.dtype)

看到了吗？ 使用这种结构体后，边界都变为0了，只有中间有值。

4. 获取边界

boundary = a - fushi

恭喜！你已经得到边界了。

再回头去看看最开始的代码，是不是就容易理解了呢。

文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~

我是Tina, 我们下篇博客见~

白天工作晚上写文，呕心沥血

觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连