python - 如何找到图像的填充大小？

Question

我有一张dicom图片，但图片是填充的。我有代码从图像中删除填充，以便只留下扫描，但我必须使用 ImageJ 打开图像并手动查找图像开始和结束位置的 x 和 y 轴的最小值和最大值。扫描的灰度值范围为-3000 to 2000. 填充区域的值为0。有没有办法在不手动操作的情况下找到这些最小值和最大值？

原图：

所需图像：

Answer 1

下面是使用 SimpleITK 裁剪背景的 Python 脚本。

基本思想是它创建一个不是背景值的像素的掩码图像。然后它使用 SimpleITK 的 LabelShapeStatisticsImageFilter 来查找该掩码图像中非零像素的边界框。

import SimpleITK as sitk

img = sitk.ReadImage("padded-image.png")

# Grey background in this example
bg_value = 161

# Create a mask image that is just non-background pixels
fg_mask = (img != bg_value)

# Compute shape statistics on the mask
lsif = sitk.LabelShapeStatisticsImageFilter()
lsif.Execute(fg_mask)

# Get the bounds of the mask.
# Bounds are given as [Xstart, Ystart, Xwidth, Ywidth]
bounds = lsif.GetBoundingBox(1)
print(bounds)

Xmin_crop = bounds[0]
Ymin_crop = bounds[1]

Xmax_crop = img.GetWidth() - (bounds[0]+bounds[2])
Ymax_crop = img.GetHeight() - (bounds[1]+bounds[3])

# Crop parameters are how much to crop off each side
cropped_img = sitk.Crop(img, [Xmin_crop, Ymin_crop], [Xmax_crop, Ymax_crop])

sitk.Show(cropped_img)

sitk.WriteImage(cropped_img, "cropped-image.png")

因为我使用了您的 8 位 PNG 图像，所以背景值设置为 161。如果您使用原始的 16 位 DICOM CT，您将使用背景值 0。SimpleITK 可以读取 DICOM，以及其他一些图像格式。

有关 LabelShapeStatisticsImageFilter 类的更多信息，请参阅以下文档：https ://simpleitk.org/doxygen/latest/html/classitk_1_1simple_1_1LabelShapeStatisticsImageFilter.html#details

Answer 2

这是 Python/OpenCV 中使用颜色阈值和轮廓来查找边界框的另一种方法。

输入：

import cv2
import numpy as np

# read image
img = cv2.imread('scan.png')

# threshold on gray color (161,161,161)
lower = (161,161,161)
upper = (161,161,161)
thresh = cv2.inRange(img, lower, upper)

# invert threshold image so border is black and center box is white
thresh = 255 - thresh

# get external contours (presumably just one) 
contours = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contours = contours[0] if len(contours) == 2 else contours[1]
cntr = contours[0]
x,y,w,h = cv2.boundingRect(cntr)

# crop to bounding rectangle
crop = img[y:y+h, x:x+w]

# save cropped image
cv2.imwrite('scan_thresh.png',thresh)
cv2.imwrite('scan_crop.png',crop)

cv2.imshow("THRESH", thresh)
cv2.imshow("CROP", crop)
cv2.waitKey(0)
cv2.destroyAllWindows()

阈值图像：

裁剪结果：

Answer 3

无需求助于像 SITK 或 CV 这样复杂（而且导入速度很大/很慢）的复杂图像分析 - 您只需使用 numpy 即可轻松完成。

恕我直言，这将更快更可靠：

# if a is your image:

same_cols = np.all(a == a[0, :], axis=0)
same_cols_index = np.where(same_cols==False)[0]
C0,C1 = same_cols_index[0], same_cols_index[-1] + 1

same_rows = np.all(a == a[:, 0], axis=1)
same_rows_index = np.where(same_rows==False)[0]
R0,R1 = same_rows_index[0], same_rows_index[-1] + 1

print('rows', R0, R1)
print('cols', C0, C1)

a_snipped = a[R0:R1, C0:C1]

这里的逻辑是

1. 查找所有值与第一行或第一列相同的所有行和列。 如果需要，您可以将其替换为 value == 0 的所有行/列
2. 从 (1) 获取不完全相同的行/列的索引（即 == False）
3. 获取它们不相同的第一个和最后一个索引
4. 使用行/列的第一个和最后一个索引来获取数组的相应切片（请注意，您需要将 1 添加到最后一个索引以将其包含在切片中）

例子

# make a sample image

a = np.zeros((512,512), dtype=np.int32)
r0, r1 = 53, 421
c0, c1 = 43, 470
rnd = np.random.randint(-3000, 2000, (r1-r0, c1-c0))
a[r0:r1, c0:c1] = rnd
plt.imshow(a, cmap='gray', vmin=-50, vmax=50)

same_cols = np.all(a == a[0, :], axis=0)
same_cols_index = np.where(same_cols==False)[0]
C0,C1 = same_cols_index[0], same_cols_index[-1] + 1

same_rows = np.all(a == a[:, 0], axis=1)
same_rows_index = np.where(same_rows==False)[0]
R0,R1 = same_rows_index[0], same_rows_index[-1] + 1

print('rows', R0, R1)
print('cols', C0, C1)

a_snipped = a[R0:R1, C0:C1]

plt.imshow(a_snipped, cmap='gray', vmin=-3000, vmax=2000)

行 53 421 列 43 470