Question

我正在做一些工作，我必须以Analyze 7.5 file format的格式加载操纵CT图像。

这种操作的一部分 - 大型图像绝对老化 - 将原始二进制数据加载到numpy数组并将其重新整形为正确的尺寸。这是一个例子：

headshape = (512,512,245) # The shape the image should be
headdata = np.fromfile("Analyze_CT_Head.img", dtype=np.int16) # loads the image as a flat array, 64225280 long. For testing, a large array of random numbers would do

head_shaped = np.zeros(shape=headshape) # Array to hold the reshaped data

# This set of loops is the problem
for ux in range(0, headshape[0]):
    for uy in range(0, headshape[1]):
        for uz in range(0, headshape[2]):
            head_shaped[ux][uy][uz] = headdata[ux + headshape[0]*uy + (headshape[0]*headshape[1])*uz] # Note the weird indexing of the flat array - this is the pixel ordering I have to work with

我知道numpy可以快速重组数组，但我无法弄清楚复制嵌套循环效果所需的正确转换组合。

有没有办法用numpy.reshape / numpy.ravel等组合复制那个奇怪的索引？

Answer 1

numpy将数组存储在内存中。 strides属性包含如何将多维索引映射到内存中的平面索引的必要信息。

Here是关于numpy内存布局的进一步阅读。

这应该适合你：

# get the number of bytes of the specified dtype
dtype = headdata.dtype
byte_count = dtype.itemsize

headdata = headdata.reshape(headshape)
x, y, z = headshape
headdata.strides = (byte_count, byte_count * x, byte_count * x * y)

# copy data to get back to standard memory layout
data = headdata.copy()

代码利用设置strides属性来反映您的自定义内存映射并创建（希望）正确的多维数组。之后，它将整个数组复制到data，以便返回标准内存布局。

Answer 2

您可以将reshape与swapaxes结合使用

headshape = (2,3,4) 
headdata = rand(2*3*4)

head_shaped_short = headdata.reshape(headshape[::-1]).swapaxes(0,2)

在我的案子中工作得很好。

Answer 3

查看nibabel，这是一个实现“分析”的读者/作者的python库。格式。它可能已经为您解决了这个问题。

加载在python中分析7.5格式的图像

3 个答案: