.nii.gz文件读取：校正图像取向与转换为0-255灰度图

我来帮你拆解这两个核心问题，给出更高效、规范的解决方案：

一、先处理get_data()的弃用警告 #

首先你看到的DeprecationWarning很容易解决——get_data()已经被nibabel弃用，推荐用两种替代方式：

import numpy as np
# 方式1：返回与原数据类型一致的数组（比如你的uint16）
testGT_extradim = np.asanyarray(niiObject.dataobj)
# 方式2：返回float类型数组（适合后续数值计算）
# testGT_extradim = niiObject.get_fdata()

二、NIfTI图像取向校正的优雅方案 #

你手动旋转+嵌套循环交换元素的方式虽然有效，但效率低且不够规范。NIfTI图像的显示差异根源在于空间取向定义：ImageJ会自动根据affine矩阵调整显示视角，而nibabel默认返回原始存储的数组顺序。这里有两种更专业的处理方式：

方法1：用nibabel内置工具对齐取向 #

利用nibabel.orientations模块，可以基于affine矩阵将图像转换到标准解剖学取向（或你需要的自定义取向）：

from nibabel import orientations

# 获取当前图像的轴取向信息
orig_ornt = orientations.io_orientation(niiObject.affine)
# 定义目标取向：比如和ImageJ一致的轴顺序，可根据实际显示效果调整axcodes（比如('L','A','S')或('R','A','S')）
target_ornt = orientations.axcodes2ornt(('L', 'A', 'S'))

# 计算取向转换矩阵
transform = orientations.ornt_transform(orig_ornt, target_ornt)
# 应用转换到数据数组
testGT_corrected = orientations.apply_orientation(np.squeeze(testGT_extradim), transform)

方法2：直接用numpy高效调整（适合快速验证） #

如果不想用复杂的取向工具，直接用numpy的矢量运算替代你的嵌套循环，速度快得多：

# 先去掉多余的单通道维度(512,512,1) → (512,512)
testGT_squeeze = np.squeeze(testGT_extradim)
# 替代你的手动旋转+翻转操作（根据实际效果调整k值和flip方向）
testGT_corrected = np.flip(np.rot90(testGT_squeeze, k=1), axis=1)

三、灰度值拉伸至0-255，凸显低强度细胞核 #

你的标注图像灰度范围极小（最大仅40），通过min-max归一化线性拉伸到0-255范围即可解决：

方法1：手动实现（无需额外依赖） #

# 获取当前图像的灰度极值
gt_min = testGT_corrected.min()
gt_max = testGT_corrected.max()

# 避免除以0的情况（全黑图像）
if gt_max > gt_min:
    # 线性拉伸到0-255
    testGT_normalized = ((testGT_corrected - gt_min) / (gt_max - gt_min)) * 255
else:
    testGT_normalized = testGT_corrected.copy()

# 转换为uint8类型（适配matplotlib/OpenCV的显示要求）
testGT_normalized = testGT_normalized.astype(np.uint8)

方法2：用scikit-image简化代码（可选） #

如果安装了scikit-image，可以用现成的工具函数：

from skimage.exposure import rescale_intensity

testGT_normalized = rescale_intensity(
    testGT_corrected,
    in_range=(gt_min, gt_max),
    out_range=(0, 255)
).astype(np.uint8)

整合后的完整代码示例 #

import nibabel as nib
import cv2
import numpy as np
import matplotlib.pyplot as plt
from nibabel import orientations

# 读取测试图像与GT
imagePath = testImageDir + '/141549_83.png'
testImage = cv2.imread(imagePath)
GTPath = testGTDir + '/141549_83.nii.gz'
niiObject = nib.load(GTPath)

# 读取GT数据（替代弃用的get_data()）
testGT_extradim = np.asanyarray(niiObject.dataobj)
testGT_squeeze = np.squeeze(testGT_extradim)

# 取向校正
orig_ornt = orientations.io_orientation(niiObject.affine)
target_ornt = orientations.axcodes2ornt(('L', 'A', 'S'))
transform = orientations.ornt_transform(orig_ornt, target_ornt)
testGT_corrected = orientations.apply_orientation(testGT_squeeze, transform)

# 灰度归一化
gt_min, gt_max = testGT_corrected.min(), testGT_corrected.max()
testGT_normalized = ((testGT_corrected - gt_min)/(gt_max - gt_min)*255).astype(np.uint8) if gt_max>gt_min else testGT_corrected.astype(np.uint8)

# 显示图像（注意OpenCV是BGR，matplotlib需要转RGB）
plt.figure(figsize=(12,8), dpi=100)
plt.subplot(121)
plt.imshow(cv2.cvtColor(testImage, cv2.COLOR_BGR2RGB))
plt.title('Test Image')
plt.subplot(122)
plt.imshow(testGT_normalized, cmap='gray')
plt.title('Corrected & Normalized GT')
plt.show()

额外提示 #

• 关于显示差异：ImageJ会自动解析NIfTI的affine矩阵调整显示视角，而nibabel默认返回原始存储的数组，所以必须手动处理取向；
• 若想进一步增强低对比度区域，可尝试cv2.equalizeHist()直方图均衡化，但要注意如果标注是稀疏目标，可能会放大噪声，min-max归一化更稳妥。

内容的提问来源于stack exchange，提问作者prc777