Slicing und Zuschneiden#

Bei der Arbeit mit größeren Bilddaten ist es oft sinnvoll, Regionen auszuschneiden und sich für weitere Analysen auf diese zu konzentrieren. Zum Zuschneiden von Bildern verwenden wir die gleiche “:”-Syntax, die wir beim Indexieren in Listen und Erkunden mehrdimensionaler Bilddaten verwendet haben.

import numpy as np
from skimage.io import imread, imshow

Wir beginnen damit, ein 3D-Bild zu laden und seine Größe auszugeben.

image = imread("../../data/Haase_MRT_tfl3d1.tif")

image.shape

(192, 256, 256)

Slicing#

Um 3D-Bilder mit scikit-image’s imshow zu visualisieren, müssen wir einen Schnitt zur Visualisierung auswählen. Zum Beispiel einen Z-Schnitt:

slice_image = image[100]

imshow(slice_image)

<matplotlib.image.AxesImage at 0x2b54f73d340>
../_images/b9ec53895c9942461dd35e1b88b95a9557441ceb09c074bd865d8bb6ddfdb74b.png

Wir können auch eine Ebene auswählen, bei der alle Pixel die gleiche Y-Position haben. Wir müssen nur angeben, dass wir alle Pixel in Z mit der : Syntax behalten möchten.

slice_image = image[:, 100]

imshow(slice_image)

<matplotlib.image.AxesImage at 0x2b54f836af0>
../_images/ad292cbffaab643c3d9273781ac2d7a8cb9aeed56d351d1c201b74c79fcbef31.png

Zuschneiden#

Wir können auch einen Teilstapel mit Hilfe von Indexierung in den eckigen Klammern auswählen.

sub_stack = image[50:150]

sub_stack.shape

(100, 256, 256)

Wir können auch eine Teilregion in X auswählen. Wenn wir alle Pixel entlang Z und Y (die ersten beiden Dimensionen) behalten wollen, geben wir einfach : an, um alle zu behalten.

sub_region_x = image[:, :, 100:200]

imshow(sub_region_x[100])

<matplotlib.image.AxesImage at 0x2b54f8ae850>
../_images/38728fe7d44860c0fac1767af8007785db40a1042ac2162ae73b3055cddc2023.png

Um alle Pixel in einer Richtung oberhalb eines bestimmten Wertes auszuwählen, müssen wir nur den Start vor : angeben.

sub_region_y = image[:, 100:]

imshow(sub_region_y[100])

<matplotlib.image.AxesImage at 0x2b54f90ae20>
../_images/97bd447a765eff73cd22753868fe6c2e3f250a63db6ed468f116ff74bd9615b7.png

Ähnlich können wir alle Pixel bis zu einer bestimmten Position auswählen.

sub_region_x2 = image[:, :, :50]

imshow(sub_region_x2[100])

<matplotlib.image.AxesImage at 0x2b550943d30>
../_images/b1b6f01794a399ac2db4297973bb8e34233be52f6b5d98b70d683d3a5cd5f8df.png

Zu guter Letzt, so wird ein zugeschnittener Würfel spezifiziert.

cropped_cube = image[80:130, 120:170, :50]

cropped_cube.shape

(50, 50, 50)

imshow(cropped_cube[20])

<matplotlib.image.AxesImage at 0x2b5509a4a00>
../_images/474a83bfd6b87d735ccfa7e5e30c1fdae98c834ef6ced02f2a06bc9f939c8ef0.png

Und so sehen Maximumintensitätsprojektionen dieses zugeschnittenen Würfels aus.

maximum_intensity_projection_along_z = np.max(cropped_cube, axis=0) 
imshow(maximum_intensity_projection_along_z)

<matplotlib.image.AxesImage at 0x2b550a03f40>
../_images/b60a8d4d3c16d68ffeb90787bbe80d7455732026daee8c574df5a01ff6518f14.png 
maximum_intensity_projection_along_y = np.max(cropped_cube, axis=1) 
imshow(maximum_intensity_projection_along_y)

<matplotlib.image.AxesImage at 0x2b550a5e8e0>
../_images/6a8879bc26fa9b800fb1edf6cccbd641a2638dd0796f9c417c3015f452f385ce.png