Von Oberflächendaten zu Bilddaten

In diesem Notebook werden wir Oberflächen in Binär- und Labelbilder umwandeln.

import napari_process_points_and_surfaces as nppas
import vedo

mesh = vedo.load("../../data/branchoid.ply")
surface = nppas.to_napari_surface_data(mesh)

surface

nppas.SurfaceTuple origin (z/y/x) [0. 0. 0.] center of mass(z/y/x) 50.000,46.575,42.589 scale(z/y/x) 1.000,1.000,1.000 bounds (z/y/x) 25.500...74.500 2.500...88.500 2.500...83.500 average size 31.277 number of vertices 19040 number of faces 38076

Binäre Volumen

Eine häufige Aufgabe ist es, ein Volumen zu füllen, um einen binären Bildstapel zu erstellen.

binary_image = nppas.surface_to_binary_volume(surface)
binary_image

shape (49, 86, 81) dtype int32 size 1.3 MB min 0 max 1

Markierte Oberflächenvoxel

Wir können auch Punkte von der Oberfläche abtasten und diese Punkte in ein Labelbild umwandeln.

point_cloud = nppas.sample_points_from_surface(surface, distance_fraction=0.01)
point_cloud

array([[26. , 44. , 46.5],
       [26. , 43.5, 48. ],
       [26. , 43.5, 50. ],
       ...,
       [74.5, 55. , 52. ],
       [74.5, 56. , 49. ],
       [74.5, 56. , 51. ]], dtype=float32)

point_labels = nppas.points_to_labels(point_cloud)
point_labels

shape (76, 90, 85) dtype int32 size 2.2 MB min 0 max 5167

point_labels[50]

shape (90, 85) dtype int32 size 29.9 kB min 0 max 2678

Diese Labels können auch wieder in Punkte umgewandelt werden.

centroids = nppas.labels_to_centroids(point_labels)
centroids[:10]

[(26.0, 44.0, 47.0),
 (26.0, 44.0, 48.0),
 (26.0, 44.0, 50.0),
 (26.0, 44.0, 52.0),
 (26.0, 44.0, 54.0),
 (26.0, 45.0, 46.0),
 (26.0, 45.0, 48.0),
 (26.0, 45.0, 50.0),
 (26.0, 45.0, 52.0),
 (26.0, 45.0, 55.0)]