Interaktive Bildvisualisierung mit napari#
napari ist ein Python-basierter Bildbetrachter. Heute werden wir ihn verwenden, indem wir ihn von einem Jupyter Notebook aus fernsteuern.
Siehe auch
Zum Öffnen eines Bildes verwenden wir weiterhin scikit-image:
import napari
from skimage.io import imread
image = imread('../../data/Haase_MRT_tfl3d1.tif')
# print out the spatial dimensions of the image
print(image.shape)
(192, 256, 256)
# Create an empty viewer
viewer = napari.Viewer()
# Add a new layer containing an image
viewer.add_image(image)
<Image layer 'image' at 0x1d5a7bb9af0>
Mit diesem Befehl können wir einen Screenshot von napari machen und ihn in unserem Notebook speichern.
napari.utils.nbscreenshot(viewer)
Schneiden#
Wir können den Z-Schnitt-Schieberegler programmatisch wie folgt bewegen.
dims = viewer.dims.current_step
dims
(96, 128, 128)
# modify Z-slice position
dims = list(dims)
dims[0] = 60
viewer.dims.current_step = dims
# take another screenshot
napari.utils.nbscreenshot(viewer)
3D-Rendering#
Wir können auch die 3D-Ansicht programmatisch aktivieren.
viewer.dims.ndisplay = 3
napari.utils.nbscreenshot(viewer)
Kameraausrichtung#
Um die Kameraposition zu ändern, wird empfohlen, die Kamera auszudrucken, z.B. nachdem eine Änderung manuell vorgenommen wurde. Dies ermöglicht es Ihnen zu verstehen, was center, zoom, angles usw. bedeuten. Sie können diese Parameter dann mit Python ändern.
viewer.camera
Camera(center=(95.5, 127.5, 127.5), zoom=2.2191406249999996, angles=(0.0, 0.0, 90.00000000000001), perspective=0.0, interactive=True)
viewer.camera.angles = (15, -15, 90)
napari.utils.nbscreenshot(viewer)
viewer.camera.zoom = 1
napari.utils.nbscreenshot(viewer)
viewer.dims.ndisplay = 2
dims[0] = 96
viewer.dims.current_step = dims
Ebeneneigenschaften#
Zum Ändern von Farbkarten / Lookup-Tabellen und Bildanzeigebereich können Sie Befehle wie diese aufrufen.
image_layer = viewer.layers[0]
image_layer.colormap = "jet"
napari.utils.nbscreenshot(viewer)
image_layer.contrast_limits = [0, 500]
napari.utils.nbscreenshot(viewer)
image_layer.colormap = 'gray'
Visualisierung von Segmentierungsergebnissen#
Segmentierungsergebnisse werden in Napari typischerweise als Etikettenbilder angezeigt. In einem Etikettenbild entsprechen die Intensitäten dem Objekt (der Klasse), zu dem ein Pixel gehört. Beispielsweise gehört bei einer semantischen Segmentierung ein Pixel mit der Intensität 1 zur Kategorie 1 und ein Pixel mit der Intensität 2 zur Kategorie 2. Bei der Instanzsegmentierung gehört ein Pixel mit der Intensität 1 zu Objekt 1. Ein Pixel mit der Intensität 2 gehört zu Objekt 2.
Etikettenbilder können mit dem Befehl viewer.add_labels() in die Ebenenliste von Napari eingefügt werden.
label_image = (image > 50) * 1 + (image > 110) * 2
labels_layer = viewer.add_labels(label_image)
napari.utils.nbscreenshot(viewer)
Auch Etikettenebenen können entsprechend modifiziert werden.
labels_layer.opacity = 0.3
napari.utils.nbscreenshot(viewer)
labels_layer.visible = False
napari.utils.nbscreenshot(viewer)
Entfernen von Ebenen#
Zu guter Letzt können wir auch aufräumen und Ebenen entfernen.
for l in list(viewer.layers):
viewer.layers.remove(l)
napari.utils.nbscreenshot(viewer)
Übung#
Starten Sie ein neues Notebook, importieren Sie napari, laden Sie das Bild ../data/hela-cells.tif und fügen Sie seine drei Kanäle unabhängig voneinander als drei Ebenen zu napari hinzu. Spielen Sie anschließend mit der Farbkarte und dem Blending in der Benutzeroberfläche. Können Sie es ähnlich wie ImageJ aussehen lassen? Schauen Sie sich auch das napari Image Layer Tutorial an. Können Sie eine solche Visualisierung auch programmieren?