SimpleITK

	GithubActions	ReadTheDocs
发布版
主分支

SimpleITK 是一个包含大量组件的图像分析工具包，支持通用过滤操作、图像分割和配准。它基于 ITK（Insight分割与注册工具包）构建，旨在提供更简化的 ITK 接口。SimpleITK 本身使用 C++ 编写，但支持多种编程语言，目前包括：

• Python
• R
• Java
• C#
• Lua
• TCL
• Ruby

C++ 代码的封装通过 SWIG 实现，理论上任何被 SWIG 支持的语言都可以用于 SimpleITK。

与 ITK 支持 n 维时空图像不同，SimpleITK 支持 2D、3D 和 4D 图像。这里的维度指时空维度，体素可以是 n 维向量。

SimpleITK 遵循 Apache License 许可协议。

致谢

SimpleITK 的开发得到了以下机构的支持：

• 美国国立卫生研究院（NIH）过敏与传染病研究所（NIAID）内部研究计划
• 美国国家医学图书馆（NLM）根据《美国复苏与再投资法案》（ARRA）及 NIH 内部研究计划
• Insight 软件联盟（ISC）及 ITK 用户与开发者社区

许可协议与版权

SimpleITK 项目属于 Insight 软件联盟（ISC，非营利教育组织），致力于推动和维护开源生物医学图像分析软件。版权由 NumFOCUS 持有，软件遵循 Apache License 2.0 协议分发。

如何引用

若您的研究中使用了 SimpleITK，请通过引用以下文献支持我们的工作：

R. Beare, B. C. Lowekamp, Z. Yaniv, "Image Segmentation, Registration and Characterization in R with SimpleITK", J Stat Software, 86(8), https://doi.org/10.18637/jss.v086.i08, 2018.

Z. Yaniv, B. C. Lowekamp, H. J. Johnson, R. Beare, "SimpleITK Image-Analysis Notebooks: a Collaborative Environment for Education and Reproducible Research", J Digit Imaging., 31(3): 290-303, https://doi.org/10.1007/s10278-017-0037-8, 2018.

B. C. Lowekamp, D. T. Chen, L. Ibáñez, D. Blezek, "The Design of SimpleITK", Front. Neuroinform., 7:45. https://doi.org/10.3389/fninf.2013.00045, 2013.

文档

对于 SimpleITK 这类大型库而言，完善的文档至关重要。其文档分为多个层级：

1. API 文档 - 包含类和函数说明，内容主要继承自原始 ITK C++ 类的描述
2. SimpleITK 官方文档 - 提供高级指南（核心概念、通用约定等）、二进制分发说明、构建指南及多语言示例
3. Jupyter Notebook 仓库 - 包含系列交互式笔记本，演示如何通过 Python 和 R 进行教育与研究应用，推荐初学者阅读

支持

SimpleITK 提供了大部分 ITK 组件功能（非全部）。若需要特定功能未找到，请在 GitHub 提交 issue 或通过 论坛 寻求帮助

报告问题或请求功能

请使用 问题跟踪系统 报告问题或提出功能需求

SimpleITK 快速上手指南

环境准备

• 系统要求：Windows/Linux/macOS 均可支持
• Python 版本：Python 3.6+（推荐使用 Anaconda 虚拟环境）
• 前置依赖：

  pip install numpy matplotlib  # 可选：用于图像可视化
  

安装步骤

推荐方式（使用国内镜像）

pip install simpleitk -i https://pypi.tuna.tsinghua.edu.cn/simple

源码编译安装（需科学上网）

git clone https://github.com/SimpleITK/SimpleITK.git
cd SimpleITK
python setup.py install

基本使用

图像高斯模糊示例（Python）

import SimpleITK as sitk

# 创建测试图像
image = sitk.Image([128, 128], sitk.sitkFloat32)
image = sitk.GaussianSource(image.GetPixelID(), image.GetSize())

# 应用高斯模糊滤波器
gaussian_filter = sitk.SmoothingRecursiveGaussianImageFilter()
gaussian_filter.SetSigma(2.0)
blurred_image = gaussian_filter.Execute(image)

# 保存结果（需安装matplotlib）
import matplotlib.pyplot as plt
plt.figure(figsize=(12, 6))
plt.subplot(121); plt.imshow(sitk.GetArrayFromImage(image)); plt.title('Original')
plt.subplot(122); plt.imshow(sitk.GetArrayFromImage(blurred_image)); plt.title('Blurred')
plt.show()

注：该示例创建了一个高斯分布的测试图像并进行模糊处理，可通过 sitk.GetArrayFromImage() 转换为 NumPy 数组进行后续处理

---

文档更新时间：2023-10
推荐通过 SimpleITK 官方文档 获取最新特性说明