科 / 研 / 图 / 像 / 处 / 理
StackReg 是 ImageJ 的一个图像配准的插件，StackReg 支持不同类型的配准，配准效果非常 Robust。
之前的文章有介绍利用 StackReg 进行图像配准：
点击跳转《ImageJ | 图像自动配准》
但 ImageJ 中的 StackReg 只支持线性配准，不支持非线性配准。且不好进行批量处理。
pyStackReg 将 StackReg 移植到了 Python，并提供了一些额外的功能：
https://pystackreg.readthedocs.io/en/latest/readme.html
pyStackReg 提供五种类型的配准：
translation
rigid body (translation + rotation)
scaled rotation (translation + rotation + scaling)
affine (translation + rotation + scaling + shearing)
bilinear (non-linear transformation)
这篇文章会介绍怎样安装 pyStackReg，并利用 pyStackReg 进行图像配准。
一、安装 pyStackReg
首先你需要在电脑上安装 Anaconda，生成一个新的环境，方便不同 Python 包的版本管理：
conda create --name stackReg激活该环境：
conda activate stackReg安装 pyStackReg 包:
pip install pystackreg二、实例代码
1、单张图像配准
from pystackreg import StackRegfrom skimage import io#load reference and "moved" imageref = io.imread('reference_image.tif')mov = io.imread('changed_image.tif')#Translational transformationsr = StackReg(StackReg.TRANSLATION)out_tra = sr.register_transform(ref, mov)
这里配准用的是 Translation，StackReg 有5种配准类型：
StackReg.TRANSLATION
StackReg.RIGID_BODY
StackReg.SCALED_ROTATION
StackReg.AFFINE
StackReg.BILINEAR
如果想要提取变换矩阵 (Transformation Matrix)，用于其他图像的配准：
import numpy as np#Get transformation matrixtmat = sr.transform(mov)np.save('transformation_matrices.npy', tmat)tmat_loaded = np.load('transformation_matrices.npy')# make sure you use the correct transformation here!sr = StackReg(StackReg.TRANSLATION)# transform stack using the tmat loaded from fileout_tra = sr.transform(mov, tmat=tmat_loaded)
这里提供一个自动化测试5种配准类型的脚本：
import osimport sysimport numpy as npfrom matplotlib import pyplot as pltfrom skimage import transform, io, exposurefrom pystackreg import StackReg#load reference and "moved" imageref = io.imread('reference_image.tif')mov = io.imread('changed_image.tif')# define transformationstransformations = {'TRANSLATION': StackReg.TRANSLATION,'RIGID_BODY': StackReg.RIGID_BODY,'SCALED_ROTATION': StackReg.SCALED_ROTATION,'AFFINE': StackReg.AFFINE,'BILINEAR': StackReg.BILINEAR}def composite_images(imgs, equalize=False, aggregator=np.mean):if equalize:imgs = [exposure.equalize_hist(img) for img in imgs]imgs = [img / img.max() for img in imgs]if len(imgs) < 3:imgs += [np.zeros(shape=imgs[0].shape)] * (3-len(imgs))imgs = np.dstack(imgs)return imgsdef show_transformation(tmat, ax=None):if ax is None:_, ax = plt.subplots()p = np.array([[1,120,1], [1,1,1], [250, 1, 1], [250,120,1], [1,120,1]])ax.plot(p[:, 0], p[:,1])q=np.dot(p, tmat.T)ax.plot(q[:, 0], q[:,1])ax.invert_xaxis()ax.invert_yaxis()ax.legend(['Original image', 'transformed image'])f, ax = plt.subplots(5, 2, figsize=(16, 18))for i, (name, tf) in enumerate(transformations.items()):sr = StackReg(tf)reg = sr.register_transform(ref, mov)reg = reg.clip(min=0)after_reg = composite_images([ref, reg])ax[i][0].imshow(after_reg, cmap='gray', vmin=0, vmax=1)ax[i][0].set_title(name + ' (overlay on reference)')ax[i][0].axis('off')if name != 'BILINEAR':show_transformation(sr.get_matrix(), ax[i][1])ax[i][1].set_title(name + ' (applied on a rectangle)')else:ax[i][1].axis('off')
可以根据 5 种配准的方法得出的结果，决定选用哪种方法进行后续配准：
2、整个Stack配准
from pystackreg import StackRegfrom skimage import io# load image stackdata_path = os.getcwd()unreg = io.imread(os.path.join(data_path, 'ratBrain.tif'))# define transformationsr = StackReg(StackReg.RIGID_BODY)# register each frame to the previous (already registered) oneout_previous = sr.register_transform_stack(unreg, reference='previous')# register to first imageout_first = sr.register_transform_stack(unreg, reference='first')# register to mean imageout_mean = sr.register_transform_stack(unreg, reference='mean')
pyStackReg 提供了register_transform_stack 函数，可以直接对一个 Image Stack 进行配准。
reference 的选择主要有 3 种方式：
'previous': 每一张图跟前一张图进行配准；
'first': 所有图跟第一张图进行配准；
'mean': 所有图跟整个Stack的Mean进行配准；
往期回顾
1
2
3
4
