Rééchantillonnage
Les images peuvent être acquises sous des formes et des tailles variées. Le rééchantillonnage est un outil utile lorsque ces caractéristiques doivent être harmonisées. Deux applications courantes sont :
- Sous-échantillonnage (downsampling) : combiner des pixels pour réduire la taille
- Suréchantillonnage (upsampling) : répartir des pixels pour augmenter la taille
Dans cet exercice, transformez puis rééchantillonnez l'image cérébrale (im) pour voir comment cela affecte la forme de l'image.
Cet exercice fait partie du cours
<cours>Analyse d'images biomédicales en Python</cours>Instructions de l’exercice
- Déplacez
imde 20 pixels vers la gauche et de 20 pixels vers le haut, c'est-à-dire(-20, -20). Puis, faites-la pivoter de 35 degrés vers le bas. N'oubliez pas d'indiquer une valeur pourreshape. - Utilisez
ndi.zoom()pour sous-échantillonner l'image de (256, 256) à (64, 64). - Utilisez
ndi.zoom()pour suréchantillonner l'image de (256, 256) à (1024, 1024). - Tracez les images rééchantillonnées.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Center and level image
xfm = ndi.shift(____, shift=____)
xfm = ndi.rotate(____, angle=____, reshape=____)
# Resample image
im_dn = ndi.zoom(xfm, zoom=____)
im_up = ____
# Plot the images
fig, axes = plt.subplots(2, 1)
axes[0].imshow(im_dn)
____
format_and_render_plot()