圖像分割filters對圖像進(jìn)行處理，將其分割成有意義的區域，通常輸出一個(gè)整數圖像，其中每個(gè)整數代表一個(gè)目標，值0通常表示背景，1或255表示前景對象。

img_T1 = sitk.ReadImage(fdata("nac-hncma-atlas2013-Slicer4Version/Data/A1_grayT1.nrrd"))img_T2 = sitk.ReadImage(fdata("nac-hncma-atlas2013-Slicer4Version/Data/A1_grayT2.nrrd"))# 為了可視化圖像，將圖像轉化為0到255img_T1_255 = sitk.Cast(sitk.RescaleIntensity(img_T1), sitk.sitkUInt8)img_T2_255 = sitk.Cast(sitk.RescaleIntensity(img_T2), sitk.sitkUInt8)1234567

閾值分割是最基本的分割方式，它只是簡(jiǎn)單地基于灰度范圍標記圖像地像素，而不考慮幾何或連通性。
Itk 有許多基于直方圖的自動(dòng)閾值過(guò)濾器，包括 Huang，maximiumentropy，Triangle，和流行的 Otsu 方法。 這些方法創(chuàng )建直方圖，然后使用啟發(fā)式方法確定閾值。

otsu_filter = sitk.OtsuThresholdImageFilter()otsu_filter.SetInsideValue(0)otsu_filter.SetOutsideValue(1)seg = otsu_filter.Execute(img_T1)myshow(sitk.LabelOverlay(img_T1_255, seg), "Otsu Thresholding")otsu_filter.GetThreshold()123456

區域增長(cháng)分割

seg = sitk.ConfidenceConnected(img_T1, seedList=[seed],                                   numberOfIterations=1,                                   multiplier=2.5,                                   initialNeighborhoodRadius=1,                                   replaceValue=1)myshow(sitk.LabelOverlay(img_T1_255, seg), "ConfidenceConnected")1234567

快速步進(jìn)算法
快速步進(jìn)算法實(shí)現了對簡(jiǎn)單水平集進(jìn)化問(wèn)題地解決算法，在這個(gè)例子中，微分方程中使用地速度參數是以圖像地形式來(lái)提供地。速度圖像是基于梯度的大小，并用有界倒數1/（1+x）來(lái)映射。

seed = (132,142,96)feature_img = sitk.GradientMagnitudeRecursiveGaussian(img_T1, sigma=.5)speed_img = sitk.BoundedReciprocal(feature_img) # 不想sigma函數不需要參數myshow(speed_img)1234

Fastmarchingmagefilter的輸出是一個(gè)跨時(shí)間的映射，它表示對于每個(gè)像素，前端到達該像素點(diǎn)需要花費多少時(shí)間。

fm_filter = sitk.FastMarchingBaseImageFilter()fm_filter.SetTrialPoints([seed])fm_filter.SetStoppingValue(1000)fm_img = fm_filter.Execute(speed_img)myshow(sitk.Threshold(fm_img,                    lower=0.0,                    upper=fm_filter.GetStoppingValue(),                    outsideValue=fm_filter.GetStoppingValue()+1))