De datos de superficie a datos de imagen

En este notebook convertiremos superficies en imágenes binarias y etiquetadas.

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

Volúmenes binarios

Una tarea común es llenar un volumen para crear una pila de imágenes binarias.

binary_image = nppas.surface_to_binary_volume(surface)
binary_image

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

Vóxeles de superficie etiquetados

También podemos muestrear puntos de la superficie y convertir estos puntos en una imagen etiquetada.

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

Estas etiquetas también pueden convertirse en puntos nuevamente.

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)]