plt.contour 绘制图像形变场（Deformation Field）（更新）
- 2019-3-17 更新
第一次写博客，写得不够好，还存在一些问题，而且仅提供了一个函数，没有测试代码，在此做一下纠正与补充。我之前写的绘制变形场是在PyTorch框架下的一个函数，对于其他框架的不够友好，这次我修改成使用numpy的函数，方便大家使用。
下面直接奉上修改后的代码：
import matplotlib.pyplot as plt
import numpy as np
def grid2contour(grid):
'''
grid--image_grid used to show deform field
type: numpy ndarray, shape： (h, w, 2), value range：(-1, 1)
'''
assert grid.ndim == 3
x = np.arange(-1, 1, 2/grid.shape[1])
y = np.arange(-1, 1, 2/grid.shape[0])
X, Y = np.meshgrid(x, y)
Z1 = grid[:,:,0] + 2#remove the dashed line
Z1 = Z1[::-1]#vertical flip
Z2 = grid[:,:,1] + 2
plt.figure()
plt.contour(X, Y, Z1, 15, colors='k')
plt.contour(X, Y, Z2, 15, colors='k')
plt.xticks(()), plt.yticks(())#remove x, y ticks
plt.title('deform field')
测试
在图像配准中，将规则的空间网格，加上预测出的变形场，得到采样网格，对浮动图像（moving image）进行采样，即得预测的配准图像。这一过程牵涉到了变形场的可视化，具体流程示意图如下：
1，规则网格可视化测试代码：
img_shape = [40, 80]
x = np.arange(-1, 1, 2/img_shape[1])
y = np.arange(-1, 1, 2/img_shape[0])
X, Y = np.meshgrid(x, y)
regular_grid = np.stack((X,Y), axis=2)
grid2contour(regular_grid)
输出图像：
2，采样网格可视化测试代码：
rand_field = np.random.rand(*img_shape,2)
rand_field_norm = rand_field.copy()
rand_field_norm[:,:,0] = rand_field_norm[:,:,0]*2/img_shape[1]
rand_field_norm[:,:,1] = rand_field_norm[:,:,1]*2/img_shape[0]
sampling_grid = regular_grid + rand_field_norm
grid2contour(sampling_grid)
输出图像：
值得注意的三点：
1，使用规则网格（regular grid），对浮动图像进行采样得到的图像与浮动图像相同，而使用包含形变信息的采样网格（sampling grid），得到的是变形后的图像。如上两图示意。
2，grid2contour函数的输入grid，实际上是归一化的变形场（deformation field或者称为dense displacement vector field），归一化之前，其中的值，指的是对应坐标像素的位移。
3，之所以网格要进行归一化，将采样网格的值缩放到[-1, 1]之间，这是因为我沿用的PyTorch中grid_sample函数的规则，调用该函数时，输入的是deformation field，对应于上述代码中的rand_field_norm，它要求grid的值大部分的值在[-1, 1]之间，当x=-1,y=-1时，对应于图像的左上像素，而x=1,y=1，对应于图像的右下像素。原文如下：
gridshould have most values in the range of[-1, 1]. This is because the pixel locations are normalized by theinputspatial dimensions. For example, valuesx = -1, y = -1is the left-top pixel ofinput, and valuesx = 1, y =1is the right-bottom pixel ofinput.
参考文献
1. 图片来自 Siyuan Shan, Wen Yan, Xiaoqing Guo, et al. Unsupervised End-to-end Learning for Deformable Medical Image Registration. arXiv:1711.08608v2 [cs.CV], 2018. arXiv: 1711.08608v2.
2，pytorch grid_sample(): https://pytorch.org/docs/stable/nn.html#grid-sample
人生的第一个博客，mark一下，与大家一起交流学习。最近我在python， pytorch的环境下，利用plt.contour进行图像的形变场可视化。
绘制图像形变场的基础代码：
import numpy as np
import matplotlib.pyplot as plt
def grid2contour(grid):
'''
grid--image_grid used to show deformation field
type: torch.Tensor, shape： (h, w, 2), value range：(-1, 1)
'''
assert grid.ndimension() == 3
x = np.arange(-1, 1, 2/grid.size(0))
y = np.arange(-1, 1, 2/grid.size(1))
X, Y = np.meshgrid(x, y)
Z1 = grid.numpy()[:,:,0]
Z2 = grid.numpy()[:,:,1]
plt.figure()
plt.contour(X, Y, Z1, 15, colors='k')
# plt.clabel(CS, fontsize=9, inline=1)
plt.contour(X, Y, Z2, 15, colors='k')
# plt.clabel(CS, fontsize=9, inline=1)
plt.title('deform field')
在数据上跑的结果如下：
存在的问题：
1，虚线与实线同时存在
这是因为plt.contour绘制的是等高线，小于零的值为虚线，大于零的值为实线，因此可以将值进行线性平移，只用实线绘制。
其中，grid.numpy()为将数据有torch.Tensor类型转为numpy矩阵类型。
Z1 = grid.numpy()[:,:,0] + 2#remove the dashed line
Z2 = grid.numpy()[:,:,1] + 22，纵轴进行了翻转
plt.contour绘制等高线时，会自动将矩阵在垂直方向进行翻转，目的是将原点设在左下角。因此为了保持原始变形场的图像，需先将矩阵进行垂直翻转。代码如下：
Z1 = Z1[::-1]#vertical flip
完整代码为：
def grid2contour(grid):
'''
grid--image_grid used to show deform field
type: torch.Tensor, shape： (h, w, 2), value range：(-1, 1)
'''
assert grid.ndimension() == 3
x = np.arange(-1, 1, 2/grid.size(0))
y = np.arange(-1, 1, 2/grid.size(1))
X, Y = np.meshgrid(x, y)
Z1 = grid.numpy()[:,:,0] + 2#remove the dashed line
Z1 = Z1[::-1]#vertical flip
Z2 = grid.numpy()[:,:,1] + 2
plt.figure()
plt.contour(X, Y, Z1, 15, colors='k')
# plt.clabel(CS, fontsize=9, inline=1)
plt.contour(X, Y, Z2, 15, colors='k')
# plt.clabel(CS, fontsize=9, inline=1)
plt.xticks(()), plt.yticks(())#remove x, y ticks
plt.title('deform field')
改进后的图像显示如下：
参考资料：
1，https://github.com/WarBean/tps_stn_pytorch
2，https://blog.csdn.net/qq_40100127/article/details/79606087