医学图像处理教程（一）——医学算法数据的基本概念

在前面的文章中，已经给大家分享了很多图像处理案例和深度学习案例，但是还是有很多人提出很多问题，基本上都是对案例实现代码的理解不够透彻。从今天起我将开始分享医学图像处理基础算法课程，从最基本的函数开始，分享函数的原理，函数API参数讲解，每篇都会给出一个示例。

参考了数字图像处理（冈萨雷斯）部分内容，列举了一些以后要分享的函数，主要分成五大类：图像增强，图像去噪，图像边缘检测，图像形态学操作，图像分割。

a、图像增强函数

对数变换，幂次变换，直方图均衡化。

b、图像去噪函数

均值滤波，中值滤波，高斯滤波。

c、图像边缘检测

Sobel算子操作，Canny边缘检测。

d、图像形态学操作

形态学开操作，形态学闭操作，形态学细化操作。

e、图像分割

自适应阈值分割，区域生长分割，水平集分割。

以上只是我初步列举的函数，这些函数都将是支持三维数据处理的。在这里我也向大家征集还需要添加哪些算法函数，可以直接在公众号留言或邮件发给我，我会斟酌考虑后，在后面的内容讲解中分享出来。

今天就简单介绍一下我们后面用到的软件开发包SimpleITK。首先先介绍如何安装SimpleITK，然后介绍SimpleITK的图像基本概念。

1、如何安装Python版本的SimpleITK包

为了快速上手算法开发，采用Python版本的SimpleITK开发包来完成医学图像处理算法开发。Python版本的SimpleITK安装也是非常容易的，只需要在cmd中输入pip install SimpleITK即可完成安装，然后再命令行中输入sitk.Version()可以查看SimpleITK版本，这也就证明已经安装成功。

2、SimpleITK图像的基本概念

SimpleITK中的图像概念与计算机视觉中的图像差异是非常大的，计算机视觉中的图像只是简简单单的多维矩阵，而SimpleITK中的图像是表示一种真实的物理实体，图像中的每一个像素都表示了是真实物理空间中的一个点，不仅仅有像素值，还有着坐标，间距，方向等概念。下面这张图就很明白的说明了这些概念内容。

Size：图像在各维度的像素个数

Spacing：图像各维度上像素之间的物理距离（单位一般为mm)

Physical extent：图像在物理空间中的大小，其数值等于Size*Spacing。

Origin：图像原点的物理坐标（单位一般为mm，与Spacing保持一致）

Direction：采用方向余弦矩阵，这里是指图像本身坐标系相对于世界坐标系（固定不动的）的角度余弦。在实际使用时要小心使用这个图像信息，不能随便修改。

除了这些跟图像相关的信息外，Dicom图像还有很多元数据(MetaData)，这些都是通过（关键字，数值）对（key，value）来存储表示的，不过在这里呢，我们暂时不需要太关心这些内容，这些元数据跟图像处理算法没有太大的相关性。