ImagePy 是一款基於 Python 的可擴展圖像處理框架，可謂是 Python 版的 ImageJ，但設計更為精簡，可以輕鬆接入 scipy, scikit-image, opencv 等任何基於 numpy 的圖像處理庫。
Github地址：ImagePy 主頁：http://www.imagepy.org/
這裡展示幾個三維視圖，但是需要提醒讀者，三維可視化不等於三維分析，可視化有助於理解，並且可以直觀驗證算法效果，但初學者不要沉迷與三維特效，應注重分析問題的思路，數據處理技巧，把可視化當作一個輔助工具，而不是結果。
DEM數據進行地表重建
幾何圖形的三維渲染
以下是一個腦部MRI數據，讀者可以在這裡下載。我們今天要對影像序列中的willis環腦血管進行提取，測量其長度，體積，表面積，以及拓撲結構。
<腦部MRI 數據下載>
導入圖像：
File > Import > Import Sequence 導入圖像序列
Image > Type > Trans To Stack 轉換成連續棧（這是進行三維分析的前提）
分割
我們的問題難點依舊是分割，即在影像中分離我們關心的目標。說到分割，很多人反映的是閾值分割，的確在我們的影像中，血管由於注射了造影劑，比周圍亮，因而閾值分割是一個可以嘗試的方法。
我們用210作為閾值進行分割，然後做三維表面重建
我們發現重建之後，空間中存在大量的噪聲，其原因是顱骨的反射率也非常高，很難與血管從亮度上分離，並且一些比較細的血管出現了斷裂。
三維分水嶺法
我們嘗試另一種方法，分析問題：
閾值分割是一個非此即彼的判斷，因而在目標與非目標之間，如果存在亮度重疊，那麼勢必無法完美分割。而另一種方式是，我們採用兩個閾值，把像素分為三類，背景，待確定，前景。而待確定的部分由分水嶺算法完成。換言之前景，背景自由生長，最終在梯度最大的地方終止，就得到了邊界。
在此之前我們先對圖像做一個三維平滑，以及一個garmma矯正。三維平滑用最小的半徑，否則細血管會被淹沒，garmma是對亮度做一個指數形式非線性映射，類似ps裡面的曲線調整，這樣可以保留亮部，抑制暗部。（但是對閾值分割依舊沒有幫助，因為garmma函數不能改變亮度次序，主要目的是降低其他部位與黑色背景的差異，為分水嶺提供便利）
Kit3D > Filter 3D > Gaussian 3D sigma:0.7
Process > Math > Garmma value:3
Kit3D > Filter 3D > Up Down Watershed 3D Low:34 High:117
其原理如下，標記了紅色和綠色區域後，對原始三維圖像做梯度，即凸顯變化部分，然後紅色和綠色區域在梯度圖上生長，最終在梯度最大的地方終止，感性的說，血管壁很亮，很難被穿過，最後內部是紅色，外部是綠色。
Kit3D > Viewer 3D > 3D Surface threshold:128 march step:1 down scale:1
觀察結果，我們甚至得到了良好的顱骨與部分腦組織，是的，我們依舊無法保證得到純淨的血管目標，但是我們的噪聲已經不那麼零碎了，後續有辦法去除他們。
分水嶺相比閾值的優勢：
1）結果碎片不像閾值那麼多，為後續處理提供了很好的條件。
2）結果對與閾值設定不敏感（因為最終邊界是算法自動尋找梯度最大的位置，這也意味著結果更加客觀）
去除雜物首先我們觀察，大塊噪聲都在顱骨部位，空間上可以與目標簡單分離。
製作圓形選區，然後 Image > Clear Out，清除背景
再次三維重建 Kit3D > Viewer 3D > 3D Surface threshold:128 march step:1 down scale:1
注意，如果不是有意要疊加效果，請在三維重建之前關閉之前的三維窗口，否則結果會疊加。
我們看到目標已經比較純淨了，剩下的是少量懸浮碎片。
我們用聯通區域的幾何特徵進行過濾。
Kit3D > Analysis 3D > Geometry Analysis 3D 對區域中每塊連通區域進行位置，體積分析。
在結果中我們看到兩個大的聯通區域，體積是3685，11371，而其他的都遠小於這兩塊，因而執行幾何過濾器，去掉體積小於1000的，注意以上過程都使用8鄰域。
Kit3D > Analysis 3D > Geometry 3D Filter back color:0 去掉體積小於1000的塊
再次三維重建 Kit3D > Viewer 3D > 3D Surface threshold:128 march step:1 down scale:1
至此我們得到了理想的分割結果。這個掩模是重要的中間過程，如果有必要，可以用Image > Export > Export Sequence 進行輸出（二值圖想用png會得到無損理想的壓縮效果）
表面積，體積測量得到掩模後，我們可以對目標進行體積，表面積測量，所謂體積，本質上是累計像素個數，而表面積，其實需要三維表面重建算法，也就是得到用於渲染的表面三角形。
由於拓撲分析會對圖像做骨架處理，為了不破壞之前的掩模結果，我們用 Image > Duplicate 對圖像進行複製，命名為topograph。
拓撲構建
Kit3D > Network 3D > Skeleton 3D 三維圖像骨架化
Kit3D > Network 3D > Build Graph 3D 構建拓撲結構
拓撲可視化
接著我們可以對骨架進行可視化，Kit3D > Network 3D > Show Graph 3D
我們觀察在兩個分支上有太多的分叉，我們來修剪它（醫學上有分叉可能有其他意義，這裡只是展示如何去除分支）
把圖轉到一個分支較多的區域，我們看到，18-16之間的邊就是一段分支。
骨架修剪
Kit3D > Network 3D > Graph Statistic 3D 進行節點，邊統計，我們看到16-18之間的邊距離是11.42。並且瀏覽數據，有一部分在十以下的邊，我們選定15作為修剪閾值。
Kit3D > Network 3D > Graph Cut Branch 3D limit:15 對骨架進行修剪。
修剪過後，只是圖像內容發生了變化，但拓撲結構並沒有更新，需要重新執行如操作：
Kit3D > Network 3D > Skeleton 3D 三維圖像骨架化
Kit3D > Network 3D > Build Graph 3D 構建拓撲結構
Kit3D > Network 3D > Show Graph 3D 再次可視化
這次我們得到了純淨，理想的結果。接下來可以對拓撲結構進行統計分析了。
拓撲統計：
Kit3D > Network 3D > Graph Statistic 3D 得到了邊和節點信息
Kit3D > Network 3D > Graph Summarise 進行拓撲匯總，可以看到有兩個聯通部分
點擊掩模圖像，（有必要可以複製一份，命名為vessel）
此前我們重建的效果表面都是粗糙的，因為我們的區域是二值的，像素勢必會產生稜角，最後為了得到更好的視覺效果，我們對圖像進行一個高斯模糊，並且降低重建時使用的閾值，讓血管比實際粗一些。（這次我們為了得到疊加效果，請不要關閉之前的骨架三維圖，如果已經關閉，可以激活骨架圖，然後再次用 Show Graph 3D 進行生成）
Kit3D > Filters 3D > Gaussian 3D sigma:0.7 做一個小尺度三維平滑
Kit3D > Viewer 3D > 3D Surface threshold:100 march step:1 down scale:1 三維重建
得到疊加效果，半透明的血管內可以看到骨架結構，節點位置用紅色帶有ID標識的小球表示。
以上的實例中，覆蓋了大多三維操作，最後我們介紹一下三維工具，三維工具需要點擊最右側的下拉按鈕，選擇ToolKit3D。裡面多數是一些功能的快捷鍵。
以下從左到右，分別是:
Build Graph 3D, Cursor 3D, Graph Cut Brach 3D, Show Graph 3D, 3D Surface 的快捷按鈕，除了Cursor 3D，其他功能以上都有涉及，這裡簡單介紹Cursor 3D的功能。
我們的數據是二維序列，而重建後是三維表面，有時候，我們需要知道三維中的這個節點，對應二維圖像的那個位置，或者想知道二維圖像上這個白色區域，在三維空間中的什麼位置，而這個Cursor 3D工具，就可以起到聯通圖像與三維模型的作用。
雙擊Cursor 3D圖標，可以設置光標半徑及顏色，然後用滑鼠在圖像序列中點擊，移動，也可滑動滾輪在z方向移動，而對應的三維圖中會實時出現其對應的位置。
練習以上分析過程，覆蓋了很多分析技巧，並且數據分割的複雜度比較高，最後留一組胸腔MRI數據給讀者當作練習，數據可以在這裡下載。（提示，由於解析度較高，三維平滑的sigma可以選擇1）
<胸部MRI數據下載>
ImagePy是我個人用業餘時間維護開源項目，屬於公益事業，其發展與完善需要大家的支持，如果覺得ImagePy對你有幫助，請點擊star，以如下方式給予您的支持：
在此紀念，2019/07/26 739 star在 Github項目地址 右上角為項目點一顆star，以示支持。
把項目推薦給同學和朋友，把本文進行轉載。
本人也在擬寫一本通俗易懂的，理論，實驗相結合的圖像處理教程，屆時請大家捧場。
本文作者，閆霄龍_ImagePy，為閆大打Call!!!
QQ群：596310256 歡迎共同探討學習圖像處理問題。
文中連結，點擊"閱讀原文"即刻探索！