Scipy -- 科学计算库
目录：
- 文件输入/输出： scipy.io
- 特殊函数： scipy.special
- 线性代数运算： scipy.linalg
- 插值： scipy.interpolate
- 优化和拟合： scipy.optimize
- 统计和随机数： scipy.stats
- 数值积分： scipy.integrate
- 快速傅里叶变换： scipy.fftpack
- 信号处理： scipy.signal
- 图像处理： scipy.ndimage
图像处理：scipy.ndimage
scipy.ndimage 提供将 n 维数组作为图像进行操作。
图像的几何变换
rotate -- 旋转
scipy.ndimage.rotate(input, angle, axes=(1, 0), reshape=True, output=None, order=3, mode='constant', cval=0.0, prefilter=True)
input ：array_like（数组）必要
angle ：float（浮点型）必要 旋转角度，单位是度。
axes ：tuple of 2 ints, optional（2个整数的元组，可选 ） 定义旋转平面的两个轴。默认是前两个轴。
reshape ：bool, optional（布尔型，可选 ） 如果 reshape 为真，输出的形状会被调整，使输入的数组完全包含在输出中。默认为 True 。
output ：array or dtype, optional（数组或者类型，可选 ） 用于放置输出的数组，或者返回数组的dtype。默认情况下，将创建一个与输入相同dtype的数组。
order ：int, optional（整型，可选 ） ，插值，默认=3，在0-5之间
mode ：{‘reflect’, ‘grid-mirror’, ‘constant’, ‘grid-constant’, ‘nearest’, ‘mirror’, ‘grid-wrap’, ‘wrap’}, optional 模式，可选 默认值 = ‘constant’
‘reflect’ (d c b a | a b c d | d c b a)
输入通过对最后一个像素的边缘进行反射来扩展。这种模式有时也被称为半取样对称模式。
‘grid-mirror’
这是 "反映 "的同义词。
‘constant’ (k k k k | a b c d | k k k k)
输入的扩展是通过用相同的常量值填充边缘以外的所有数值，由cval参数定义。在输入的边缘之外不进行插值。
‘grid-constant’ (k k k k | a b c d | k k k k)
输入的扩展是通过用相同的常量值填充边缘以外的所有数值，由cval参数定义。在输入范围之外的样本也会发生插值。
‘nearest’ (a a a a | a b c d | d d d d)
输入是通过复制最后一个像素来扩展的。
‘mirror’ (d c b | a b c d | c b a)
输入通过对最后一个像素的中心进行反射来扩展。这种模式有时也被称为全样本对称模式。
‘grid-wrap’ (a b c d | a b c d | a b c d)
输入通过环绕到相反的边缘来扩展。
‘wrap’ (d b c d | a b c d | b c a b)
输入通过环绕到对面的边缘来扩展，但其方式是使最后一个点和初始点完全重叠。在这种情况下，并不能很好地定义在重叠点上选择哪个样本。
cval ：scalar, optional（标量，可选 ） 如果模式为 "constant"，则对输入的边缘进行填充的数值。默认为 0.0 。
prefilter ：bool, optional（布尔型，可选 ） 决定输入数组在插值前是否用 splitine_filter 进行预过滤。默认为 True，如果顺序 >1，将创建一个临时的 float64 数组的过滤值。如果设置为 False，如果顺序>1，输出将略微模糊，除非输入是预过滤的，即它是在原始输入上调用 splitine_filter 的结果。
shift -- 移位
scipy.ndimage.shift(input, shift, output=None, order=3, mode='constant', cval=0.0, prefilter=True)
input ：array_like（数组）必要
shift ：float or sequence（浮点型或序列）必要
output ：array or dtype, optional（数组或者类型，可选 ） 用于放置输出的数组，或者返回数组的dtype。默认情况下，将创建一个与输入相同dtype的数组。
order ：int, optional（整型，可选 ） ，插值，默认=3，在0-5之间
mode ：{‘reflect’, ‘grid-mirror’, ‘constant’, ‘grid-constant’, ‘nearest’, ‘mirror’, ‘grid-wrap’, ‘wrap’}, optional 模式，可选 默认值 = ‘constant’
cval ：scalar, optional（标量，可选 ） 如果模式为 "constant"，则对输入的边缘进行填充的数值。默认为 0.0 。
prefilter ：bool, optional（布尔型，可选 ） 决定输入数组在插值前是否用 splitine_filter 进行预过滤。默认为 True，如果顺序 >1，将创建一个临时的 float64 数组的过滤值。如果设置为 False，如果顺序>1，输出将略微模糊，除非输入是预过滤的，即它是在原始输入上调用 splitine_filter 的结果。
zoom -- 缩放
scipy.ndimage.zoom(input, zoom, output=None, order=3, mode='constant', cval=0.0, prefilter=True, *, grid_mode=False)
input ：array_like（数组）必要
zoom ：float or sequence（浮点型或序列）必要 沿着坐标轴的缩放系数。如果是一个浮点，那么缩放对每个轴都是一样的。如果是一个序列，缩放应该为每个轴包含一个值。
output ：array or dtype, optional（数组或者类型，可选 ） 用于放置输出的数组，或者返回数组的dtype。默认情况下，将创建一个与输入相同dtype的数组。
order ：int, optional（整型，可选 ） ，插值，默认=3，在0-5之间
mode ：{‘reflect’, ‘grid-mirror’, ‘constant’, ‘grid-constant’, ‘nearest’, ‘mirror’, ‘grid-wrap’, ‘wrap’}, optional 模式，可选 默认值 = ‘constant’
cval ：scalar, optional（标量，可选 ） 如果模式为 "constant"，则对输入的边缘进行填充的数值。默认为 0.0 。
prefilter ：bool, optional（布尔型，可选 ） 决定输入数组在插值前是否用 splitine_filter 进行预过滤。默认为 True，如果顺序 >1，将创建一个临时的 float64 数组的过滤值。如果设置为 False，如果顺序>1，输出将略微模糊，除非输入是预过滤的，即它是在原始输入上调用 splitine_filter 的结果。
grid_mode ：bool, optional（布尔型，可选 ） 如果是 False ，那么从像素中心的距离就会被放大。否则，将使用包括整个像素范围在内的距离。例如，当 grid_mode 为 False 时，一个长度为 5 的 1d 信号被认为是长度为4，但当 grid_mode 为 True 时，长度为5。请看下面的视觉图示：
上图中箭头的起点对应于每种模式下的坐标位置0。
Nifti1Image
class nibabel.nifti1.Nifti1Image(dataobj, affine, header=None, extra=None, file_map=None, dtype=None)
dataobj ：object 包含图像数据的对象。它应该是一些从 np.asanyarray 返回数组的对象。它应该有一个形状属性或属性
affine ：None or (4,4) array-like 赋予体素坐标和世界坐标之间关系的同质仿射。affine 也可以是None。在这种情况下，obj.affine 也会返回 None ，而写入磁盘的 affine 将取决于文件格式。
header ：None or mapping or header instance, optional（无或映射或标题实例，可选 ） 该图像格式的元数据
extra ：None or mapping, optional（无或映射，可选 ） 与图像相关的元数据，不能存储在该图像类型的元数据中。
file_map ：mapping, optional（映射，可选 ） 提供该图像格式的文件信息的映射
import nibabel as nib
from scipy import ndimage
img = nib.load('路径') # 载入数据，nii.gz 格式的图片
data = img.get_fdata() # 可以转为 float 为 dtype 的 ndarray 类型的 object
affine = img.affine # 图像进行仿射变换
# 将图像数据旋转
rotated_data = ndimage.rotate(data, angle=30, axes=(0, 1), reshape=False) # angle 是角度 °
# 将图像数据移位
shifted_data = ndimage.shift(data, (10, 10, 10)) # 三维数据，shift要保证与输入维度相同
# 将图像数据缩放
zoomed_data = ndimage.zoom(data, 0.5) # 缩放倍数
# 创建旋转后的NIfTI图像对象
fin_img = nib.Nifti1Image(XXX_data, affine)
# 保存旋转后的图像
output_path = '路径/fin_img.nii.gz' # 指定保存的文件路径和名称
os.makedirs(os.path.dirname(output_path), exist_ok=True) # 创建保存路径的目录（如果不存在）
# 保存旋转后的图像到新的NIfTI文件
nib.save(fin_img, output_path)