使用plt.contour 绘制配准后图像的形变场（Deformation Field）

• 2019-3-17 更新

第一次写博客，写得不够好，还存在一些问题，而且仅提供了一个函数，没有测试代码，在此做一下纠正与补充。我之前写的绘制变形场是在PyTorch框架下的一个函数，对于其他框架的不够友好，这次我修改成使用numpy的函数，方便大家使用。

下面直接奉上修改后的代码：

import matplotlib.pyplot as plt
import numpy as np
 
def grid2contour(grid):
    '''
    grid--image_grid used to show deform field
    type: numpy ndarray, shape： (h, w, 2), value range：(-1, 1)
    '''
    assert grid.ndim == 3
    x = np.arange(-1, 1, 2/grid.shape[1])
    y = np.arange(-1, 1, 2/grid.shape[0])
    X, Y = np.meshgrid(x, y)
    Z1 = grid[:,:,0] + 2#remove the dashed line
    Z1 = Z1[::-1]#vertical flip
    Z2 = grid[:,:,1] + 2
    
    plt.figure()
    plt.contour(X, Y, Z1, 15, colors='k')
    plt.contour(X, Y, Z2, 15, colors='k')
    plt.xticks(()), plt.yticks(())#remove x, y ticks
    plt.title('deform field')

测试

在图像配准中，将规则的空间网格，加上预测出的变形场，得到采样网格，对浮动图像（moving image）进行采样，即得预测的配准图像。这一过程牵涉到了变形场的可视化，具体流程示意图如下：

1，规则网格可视化测试代码：

img_shape = [40, 80]  
x = np.arange(-1, 1, 2/img_shape[1])
y = np.arange(-1, 1, 2/img_shape[0])
X, Y = np.meshgrid(x, y)
regular_grid = np.stack((X,Y), axis=2)
grid2contour(regular_grid)

输出图像：

2，采样网格可视化测试代码：

rand_field = np.random.rand(*img_shape,2)
rand_field_norm = rand_field.copy()
rand_field_norm[:,:,0] = rand_field_norm[:,:,0]*2/img_shape[1] 
rand_field_norm[:,:,1] = rand_field_norm[:,:,1]*2/img_shape[0] 
 
sampling_grid = regular_grid + rand_field_norm
grid2contour(sampling_grid)

输出图像：

值得注意的三点：

1，使用规则网格（regular grid），对浮动图像进行采样得到的图像与浮动图像相同，而使用包含形变信息的采样网格（sampling grid），得到的是变形后的图像。如上两图示意。

2，grid2contour函数的输入grid，实际上是归一化的变形场（deformation field或者称为dense displacement vector field），归一化之前，其中的值，指的是对应坐标像素的位移。

3，之所以网格要进行归一化，将采样网格的值缩放到[-1, 1]之间，这是因为我沿用的PyTorch中grid_sample函数的规则，调用该函数时，输入的是deformation field，对应于上述代码中的rand_field_norm，它要求grid的值大部分的值在[-1, 1]之间，当x=-1,y=-1时，对应于图像的左上像素，而x=1,y=1，对应于图像的右下像素。原文如下：

grid should have most values in the range of [-1, 1]. This is because the pixel locations are normalized by the inputspatial dimensions. For example, values x = -1, y = -1 is the left-top pixel of input, and values x = 1, y =1 is the right-bottom pixel of input.

参考文献

1. 图片来自 Siyuan Shan, Wen Yan, Xiaoqing Guo, et al. Unsupervised End-to-end Learning for Deformable Medical Image Registration. arXiv:1711.08608v2 [cs.CV], 2018. arXiv: 1711.08608v2.

2，pytorch grid_sample(): https://pytorch.org/docs/stable/nn.html#grid-sample

版权说明

原文作者为本人，首发于我的CSDN博客，如有兴趣了解更多配准相关的内容，请移步本人的博客。

以下内容，你可能感兴趣：

• 我的GitHub仓库（Timmy-Fang/Deformable-Image-Registration-Projects）
• 我的bilibili视频（配准讲解视频已上传，关注我的B站账号：

方便及时获取更新内容，谢谢~）