【转换数据集格式】dcm转nii，mhd转nii，nii转nii.gz,nrrd转nii，jpg转png，将图像打patches块，

图像打patches块，"/>

【转换数据集格式】dcm转nii，mhd转nii，nii转nii.gz,nrrd转nii，jpg转png，将图像打patches块，

🍉 博主微信 cvxiayixiao
🍓 【Segment Anything Model】计算机视觉检测分割任务专栏。 链接
🍑 【公开数据集预处理】特别是医疗公开数据集的接受和预处理，提供代码讲解。链接
🍈 【opencv+图像处理】opencv代码库讲解，结合图像处理知识，不仅仅是调库。链接

【opencv+图像处理】专栏代码地址

文章目录

• 😳装包
• 😄 dcm转nii
• 😆mhd转nii
• 😊nii转nii.gz
• 😃 nrrd转nii
• 😏jpg转png
• 😍将图像打patches块
• • 过程
• 😘将Run-Length Encoding（RLE）转换numpy
• • 过程

😳装包

import os
join = os.path.join
import random
import numpy as np
from skimage import io
import SimpleITK as sitk

😄 dcm转nii

def dcm2nii(dcm_path, nii_path):reader = sitk.ImageSeriesReader()dicom_names = reader.GetGDCMSeriesFileNames(dcm_path)reader.SetFileNames(dicom_names)image = reader.Execute()sitk.WriteImage(image, nii_path)

😆mhd转nii

def mhd2nii(mhd_path, nii_path):image = sitk.ReadImage(mhd_path)sitk.WriteImage(image, nii_path)

😊nii转nii.gz

def nii2nii(nii_path, nii_gz_path):image = sitk.ReadImage(nii_path)sitk.WriteImage(image, nii_gz_path)

😃 nrrd转nii

def nrrd2nii(nrrd_path, nii_path):image = sitk.ReadImage(nrrd_path)sitk.WriteImage(image, nii_path)

😏jpg转png

def jpg2png(jpg_path, png_path):image = io.imread(jpg_path)io.imsave(png_path, image)

😍将图像打patches块

用于将大图像及其相应的掩膜(mask)分割为多个1024x1024的小图块（也称为“patches”）。

过程

函数定义：四个参数分别为：要分割的图像、相应的掩膜、输出路径以及基础文件名。
创建输出目录：在输出路径下创建两个目录：一个存放图像的小图块，另一个存放掩膜的小图块。
大小检查：检查图像和掩膜的大小是否匹配。
图像和掩膜的填充：如果图像或掩膜的高度或宽度不是1024的倍数，将它们填充到最近的1024的倍数。
分割图像和掩膜：计算在垂直和水平方向上需要分割的步数。对于每个步骤，从图像和掩膜中提取1024x1024的小图块。保存每个小图块到指定的输出目录。

def patchfy(img, mask, outpath, basename):# 定义存放图像和掩膜小图块的目录image_patch_dir = join(outpath, "images")mask_patch_dir = join(outpath, "labels")# 如果目录不存在，则创建它们os.makedirs(image_patch_dir, exist_ok=True)os.makedirs(mask_patch_dir, exist_ok=True)# 确保图像和掩膜的前两个维度（即高度和宽度）是相同的assert img.shape[:2] == mask.shape# 定义小图块的高度和宽度为1024x1024patch_height = 1024patch_width = 1024# 获取图像和掩膜的高度和宽度img_height, img_width = img.shape[:2]mask_height, mask_width = mask.shape# 如果图像的高度不是1024的倍数，则进行填充if img_height % patch_height != 0:img = np.pad(img, ((0, patch_height - img_height % patch_height), (0, 0), (0, 0)), mode="constant")# 如果图像的宽度不是1024的倍数，则进行填充if img_width % patch_width != 0:img = np.pad(img, ((0, 0), (0, patch_width - img_width % patch_width), (0, 0)), mode="constant")# 如果掩膜的高度不是1024的倍数，则进行填充if mask_height % patch_height != 0:mask = np.pad(mask, ((0, patch_height - mask_height % patch_height), (0, 0)), mode="constant")# 如果掩膜的宽度不是1024的倍数，则进行填充if mask_width % patch_width != 0:mask = np.pad(mask, ((0, 0), (0, patch_width - mask_width % patch_width)), mode="constant")# 再次确保填充后的图像和掩膜大小相同assert img.shape[:2] == mask.shape# 确保填充后的图像和掩膜可以被1024整除assert img.shape[0] % patch_height == 0assert img.shape[1] % patch_width == 0assert mask.shape[0] % patch_height == 0assert mask.shape[1] % patch_width == 0# 计算垂直和水平方向上需要的分割步骤height_steps = (img_height // patch_height) if img_height % patch_height == 0 else (img_height // patch_height + 1)width_steps = (img_width // patch_width) if img_width % patch_width == 0 else (img_width // patch_width + 1)# 对图像和掩膜进行分割，并保存小图块for i in range(height_steps):for j in range(width_steps):# 提取图像小图块img_patch = img[i * patch_height:(i + 1) * patch_height, j * patch_width:(j + 1) * patch_width, :]# 提取掩膜小图块mask_patch = mask[i * patch_height:(i + 1) * patch_height, j * patch_width:(j + 1) * patch_width]# 确保图像和掩膜小图块的大小相同，并且都是1024x1024assert img_patch.shape[:2] == mask_patch.shapeassert img_patch.shape[0] == patch_heightassert img_patch.shape[1] == patch_width# 显示小图块的大小（可选）print(f"img_patch.shape: {img_patch.shape}, mask_patch.shape: {mask_patch.shape}")# 定义图像和掩膜小图块的保存路径img_patch_path = join(image_patch_dir, f"{basename}_{i}_{j}.png")mask_patch_path = join(mask_patch_dir, f"{basename}_{i}_{j}.png")# 保存图像和掩膜小图块io.imsave(img_patch_path, img_patch)    io.imsave(mask_patch_path, mask_patch)

😘将Run-Length Encoding（RLE）转换numpy

用于将Run-Length Encoding（RLE，行程长度编码）格式的掩膜编码转换为一个二维的numpy数组。这种编码方式常用于表示二进制图像，特别是在医学影像分割任务中。

过程

函数定义：rle_decode(mask_rle, img_shape)：该函数接受两个参数，mask_rle 是一个用字符串表示的RLE编码，img_shape 是目标图像的形状（高度，宽度）。
初始化：将 mask_rle 字符串通过空格分割，得到一个数字字符串的列表。列表中的偶数索引（从0开始）表示RLE编码的起始点，奇数索引表示该连续区域的长度。
转换：使用numpy数组将起始点和长度转换为整数格式。通过加法计算每个连续区域的结束点。确保起始点和长度的数量是相同的。初始化一个全零的一维numpy数组，其长度等于目标图像的像素总数。遍历每个连续区域，将对应的像素值设置为255（表示掩膜区域）。
重塑：将一维的numpy数组重塑为二维数组，其形状与目标图像相同。使用转置操作（.T）确保数组的形状与预期的图像形状匹配。

def rle_decode(mask_rle, img_shape):"""将RLE编码的掩膜解码为二维numpy数组。参数:mask_rle: RLE编码的掩膜，格式为字符串（起始点和长度交替出现）。img_shape: 目标图像的形状（高度，宽度）。返回:一个二维numpy数组，表示解码后的掩膜图像。"""# 将RLE编码字符串通过空格分割seq = mask_rle.split()# 获取所有的起始点（偶数索引）starts = np.array(list(map(int, seq[0::2])))# 获取所有的长度（奇数索引）lengths = np.array(list(map(int, seq[1::2])))# 确保起始点和长度的数量是相同的assert len(starts) == len(lengths)# 计算每个连续区域的结束点ends = starts + lengths# 初始化一个全零的一维数组，长度等于图像的像素总数img = np.zeros((np.product(img_shape),), dtype=np.uint8)# 遍历每个连续区域，设置对应的像素值为255for begin, end in zip(starts, ends):img[begin:end] = 255# 将一维数组重塑为二维数组，形状与目标图像相同img.shape = img_shape# 返回转置后的图像，确保其形状与预期的图像形状匹配return img.T