for jj in range(0,numberOfPoints): ii = jj*3 conData[jj,0] = rfContent.ContourData[ii+0] conData[jj,1] = rfContent.ContourData[ii+1] conData[jj,2] = rfContent.ContourData[ii+2] pointData[jj,0] = round( (conData[jj,0] - dcmOrigin[0])/dcmSpacing[0] ) pointData[jj,1] = round( (conData[jj,1] - dcmOrigin[1])/dcmSpacing[1] ) pointData[jj,2] = dcmSOPs.index(dcmUID) if (isPlot==True) and (k<6): plt.subplot(1,6,k+1) plt.plot(conData[:,0],conData[:,1],'b.') plt.title('time={} z={}'.format(time,conData[0,2])) minX = np.min(pointData[:,0]) maxX = np.max(pointData[:,0]) minY = np.min(pointData[:,1]) maxY = np.max(pointData[:,1]) if minXY>minX: minXY = minX elif minXY>minY: minXY = minY elif maxXY<maxX: maxXY = maxX elif maxXY<maxY: maxXY = maxY if k==0: writeToFile(np.hstack((conData,pointData)).T,path+'\\GTV_indexs.txt','w') print("path of GTV_indexes.txt",path) else: writeToFile(np.hstack((conData,pointData)).T,path+'\\GTV_indexs.txt','a') cuts = np.array(cuts) return minXY,maxXY,cuts
时间: 2024-02-14 19:35:52 浏览: 23
这段代码是用来解析轮廓的顶点数据,将其转换为像素坐标并绘制轮廓。具体来说,它通过循环遍历每个顶点,然后从顶点数据中获取其X、Y和Z坐标并将其转换为像素坐标。接下来,代码将像素坐标存储在pointData数组中,并根据需要绘制轮廓。如果需要绘制轮廓,则代码会计算轮廓的最小和最大XY坐标,并将其用于设置绘图的尺寸。最后,代码会将顶点数据存储在GTV_indexes.txt文件中,并将其返回给调用方。
相关问题
def findContours(path,isPlot=False): dcmSOPs = findSOPs(path) #path,rtFile = os.path.split(rvFileName) paths = list(map(str,path.split("\\"))) patient = paths[3] time = paths[4] rvFile = path+'\\RS.{}'.format(patient)+'.CT_{}%.dcm'.format(time) ds = pydicom.dcmread(rvFile) contours = ds.ROIContourSequence dcmFile = path+'\\CT.{}'.format(patient)+'.Image {}.dcm'.format(str(int(1))) ds = pydicom.dcmread(dcmFile) dcmOrigin = ds.ImagePositionPatient dcmSpacing = ds.PixelSpacing # GTV 为第二个轮廓 numberOfContours = len(contours[1].ContourSequence) cuts = [] # 找出包含GTV的CT minXY = 600 maxXY = -1 for k in range(0,numberOfContours): rfContent = contours[1].ContourSequence[k] # 读取该靶区所在CT切片的信息 dcmUID = rfContent.ContourImageSequence[0].ReferencedSOPInstanceUID #print(numberOfContours,len(dcmSOPs),dcmUID) #print(k,dcmSOPs.index(dcmUID)) cuts.append(dcmSOPs.index(dcmUID)) numberOfPoints = rfContent.NumberOfContourPoints # 该层靶区曲线点数 conData = np.zeros((numberOfPoints,3)) # 存储靶区曲线各点的世界坐标 pointData = np.zeros((numberOfPoints,2)) # 存储靶区曲线各点的网格体素坐标 #将靶区勾画的曲线坐标由世界坐标系转换为网格体素坐标 for jj in range(0,numberOfPoints): ii = jj*3 conData[jj,0] = rfContent.ContourData[ii+0] #轮廓世界坐标系 conData[jj,1] = rfContent.ContourData[ii+1] conData[jj,2] = rfContent.ContourData[ii+2] pointData[jj,0] = round( (conData[jj,0] - dcmOrigin[0])/dcmSpacing[0] ) #轮廓X坐标 pointData[jj,1] = round( (conData[jj,1] - dcmOrigin[1])/dcmSpacing[1] ) #轮廓Y坐标 minX = np.min(pointData[:,0]) maxX = np.max(pointData[:,0]) minY = np.min(pointData[:,1]) maxY = np.max(pointData[:,1]) if minXY>minX: minXY = minX elif minXY>minY: minXY = minY elif maxXY<maxX: maxXY = maxX elif maxXY<maxY: maxXY = maxY #print('minXY={}'.format(minXY),'maxXY={}'.format(maxXY)) cuts = np.array(cuts) writeToFile(cuts,path+'\\GTV_indexs.txt') return minXY,maxXY,cuts
这段代码是用于在一个 DICOM 数据集中找到包含某个轮廓的 CT 切片,并将这些切片的索引写入文件中。其中,输入参数 `path` 是 DICOM 数据集的路径,`isPlot` 参数表示是否需要画出 CT 切片和轮廓,函数返回值是一个元组,包含了所有包含轮廓的 CT 切片的最小和最大索引,以及这些 CT 切片的索引列表。
具体实现上,该函数首先通过 `findSOPs()` 函数找到 DICOM 数据集中所有的 SOPInstanceUID,然后读取包含轮廓的靶区的信息,找出这些轮廓所在的 CT 切片的索引,并计算出所有 CT 切片的尺寸范围。最后,将包含轮廓的 CT 切片的索引写入文件中。
from PIL import Image import numpy as np import math # 产生16个像素点不同的权重 def BiBubic(x): x = abs(x) if x <= 1: return 1 - 2 * (x ** 2) + (x ** 3) elif x < 2: return 4 - 8 * x + 5 * (x ** 2) - (x ** 3) else: return 0 # 双三次插值算法 # dstH为目标图像的高,dstW为目标图像的宽 def BiCubic_interpolation(img, dstH, dstW): scrH, scrW = img.shape # img=np.pad(img,((1,3),(1,3),(0,0)),'constant') retimg = np.zeros((dstH, dstW, 3), dtype=np.uint8) for i in range(dstH): for j in range(dstW): scrx = i * (scrH / dstH) scry = j * (scrW / dstW) x = math.floor(scrx) y = math.floor(scry) u = scrx - x v = scry - y tmp = 0 for ii in range(-1, 2): for jj in range(-1, 2): if x + ii < 0 or y + jj < 0 or x + ii >= scrH or y + jj >= scrW: continue tmp += img[x + ii, y + jj] * BiBubic(ii - u) * BiBubic(jj - v) retimg[i, j] = np.clip(tmp, 0, 255) return retimg im_path = 'D:\\LiPei\\2304IA\\Code\\TempData_Extend\\image0_0.jpg' image = np.array(Image.open(im_path)) print(image.shape[1]) # 举例:将图片统一转换为256*256的图片 image2 = BiCubic_interpolation(image, 256, 256) image2 = Image.fromarray(image2.astype('uint8')).convert('RGB') image2.save('D:\\LiPei\\2304IA\\Code\\BiCubic_interpolation.jpg')
这段代码实现了双三次插值算法,将原始图片转换为指定大小的图片。具体实现过程是:首先定义了一个产生16个像素点不同权重的函数 BiBubic(x),然后实现了双三次插值算法 BiCubic_interpolation(img, dstH, dstW),其中 img 是原始图片,dstH 和 dstW 是目标图片的高和宽。在函数内部,首先获取原始图片的尺寸 scrH 和 scrW,然后以目标图片的尺寸为基础,通过计算每个像素点在原始图片中的位置,利用双三次插值算法计算出目标图片中每个像素点的像素值。最后将转换后的图片保存到指定路径下。