基于 Python 的 CT 图像处理-伪影模拟

先看运行效果：

完整代码如下：

python 复制代码

import pydicom
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.widgets import Slider
import os
from pydicom.uid import generate_uid, ImplicitVRLittleEndian

# 强制设置交互后端（解决PyCharm交互问题的关键）
import matplotlib
matplotlib.use('TkAgg')  # 使用Tkinter交互后端，确保支持滑动条操作

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用 SimHei 字体
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示问题
plt.rcParams['font.size'] = 10  # 设置全局字体大小


def load_ct_image(dicom_path):
    """加载CT的DICOM文件，转换为HU值数组"""
    try:
        ds = pydicom.dcmread(dicom_path)
        pixel_array = ds.pixel_array
        # 转换为HU值（CT特有的密度单位）
        if hasattr(ds, 'RescaleSlope') and hasattr(ds, 'RescaleIntercept'):
            hu_array = pixel_array * ds.RescaleSlope + ds.RescaleIntercept
        else:
            hu_array = pixel_array
        return hu_array, ds
    except Exception as e:
        print(f"读取失败: {e}")
        return None, None


def apply_window_level(image, window_width, window_level):
    """应用窗宽窗位调整，转换为可显示的图像"""
    window_min = window_level - window_width / 2
    window_max = window_level + window_width / 2
    windowed_image = np.clip(image, window_min, window_max)
    normalized = ((windowed_image - window_min) / (window_max - window_min)) * 255
    return normalized.astype(np.uint8)


def apply_respiratory_motion_blur(image, amplitude=8, frequency=0.15, direction='horizontal'):
    """应用呼吸运动模糊（基于正弦变换），增强参数使伪影更明显"""
    blurred_image = np.zeros_like(image)
    height, width = image.shape
    t = np.linspace(0, 2 * np.pi, num=height if direction == 'vertical' else width)

    if direction == 'horizontal':
        for y in range(height):
            offset = int(amplitude * np.sin(frequency * t[y]))
            shifted_row = np.roll(image[y, :], offset)
            if offset > 0:
                shifted_row[:offset] = 0
            elif offset < 0:
                shifted_row[offset:] = 0
            blurred_image[y, :] = shifted_row
    elif direction == 'vertical':
        for x in range(width):
            offset = int(amplitude * np.sin(frequency * t[x]))
            shifted_col = np.roll(image[:, x], offset)
            if offset > 0:
                shifted_col[:offset] = 0
            elif offset < 0:
                shifted_col[offset:] = 0
            blurred_image[:, x] = shifted_col

    return 0.6 * image + 0.4 * blurred_image  # 增加模糊图像的权重


def add_stripe_noise(image, intensity=200, stripe_width=5, stripe_spacing=10, direction='vertical'):
    """添加条纹噪声到图像，显著增强参数使竖纹更明显"""
    # 根据HU值范围调整噪声强度（CT的HU值通常在-1000到1000之间）
    noise = np.zeros_like(image, dtype=np.float32)
    height, width = image.shape

    if direction == 'vertical':
        for x in range(0, width, stripe_spacing):
            start = x
            end = min(x + stripe_width, width)
            # 生成更强的条带状噪声
            noise[:, start:end] = intensity * (np.random.rand(height, end - start) - 0.5)
    elif direction == 'horizontal':
        for y in range(0, height, stripe_spacing):
            start = y
            end = min(y + stripe_width, height)
            noise[start:end, :] = intensity * (np.random.rand(end - start, width) - 0.5)

    noisy_image = image + noise
    return np.clip(noisy_image, np.min(image), np.max(image))  # 限制在原始HU值范围内


def save_as_dicom(image, original_ds, output_path):
    """将处理后的图像保存为DICOM文件"""
    # 创建新的DICOM数据集
    ds = pydicom.Dataset()

    # 复制原始DICOM的元数据（排除冲突标签）
    for elem in original_ds:
        if elem.tag not in [0x7FE00010, 0x00080018, 0x00080016]:  # 排除像素数据和UID相关标签
            ds.add(elem)

    # 关键修复：设置字节序和VR编码方式
    if hasattr(original_ds, 'file_meta') and hasattr(original_ds.file_meta, 'TransferSyntaxUID'):
        ds.file_meta = original_ds.file_meta.copy()
    else:
        # 手动创建文件元数据并设置默认传输语法
        ds.file_meta = pydicom.dataset.FileMetaDataset()
        ds.file_meta.TransferSyntaxUID = ImplicitVRLittleEndian  # 默认小端隐式VR

    # 从传输语法中提取字节序和VR编码方式
    ds.is_little_endian = ds.file_meta.TransferSyntaxUID.is_little_endian  # 字节序
    ds.is_implicit_VR = ds.file_meta.TransferSyntaxUID.is_implicit_VR  # VR编码

    # 设置新的唯一标识符
    ds.SOPInstanceUID = generate_uid()  # 新实例UID
    ds.SeriesInstanceUID = generate_uid()  # 新系列UID

    # 根据原始数据类型转换像素数据
    if original_ds.BitsAllocated == 16:
        if original_ds.PixelRepresentation == 0:  # 无符号16位
            pixel_data = image.astype(np.uint16)
        else:  # 有符号16位
            pixel_data = image.astype(np.int16)
    else:  # 默认为16位无符号
        pixel_data = image.astype(np.uint16)
        ds.BitsAllocated = 16
        ds.BitsStored = 16
        ds.HighBit = 15
        ds.PixelRepresentation = 0

    # 设置像素数据和尺寸
    ds.PixelData = pixel_data.tobytes()
    ds.Rows, ds.Columns = pixel_data.shape

    # 保存DICOM文件
    ds.save_as(output_path)
    print(f"已保存DICOM文件: {output_path}")


def process_dicom_image(input_path, output_dir):
    """处理DICOM图像并添加伪影，输出为DICOM文件"""
    # 1. 加载DICOM文件
    hu_image, ds = load_ct_image(input_path)
    if hu_image is None:
        return None, None, None, None
    print(f"已加载DICOM图像: {input_path}")
    print(f"图像尺寸: {hu_image.shape}, 数据类型: {hu_image.dtype}")

    # 2. 应用呼吸运动模糊（增强参数使伪影更明显）
    print("应用呼吸运动模糊...")
    motion_blurred = apply_respiratory_motion_blur(
        hu_image, amplitude=10, frequency=0.2, direction='horizontal'
    )

    # 3. 添加条纹噪声（增强参数使竖纹更明显）
    print("添加条纹噪声...")
    final_image = add_stripe_noise(
        motion_blurred, intensity=300, stripe_width=6, stripe_spacing=12, direction='vertical'
    )

    # 4. 保存结果
    filename = os.path.basename(input_path).replace('.dcm', '')
    os.makedirs(output_dir, exist_ok=True)

    # 保存DICOM文件
    output_dcm = os.path.join(output_dir, f"{filename}_processed.dcm")
    save_as_dicom(final_image, ds, output_dcm)

    return hu_image, final_image, ds, None


def plot_histogram_and_image(original_image, processed_image, window_width, window_level, ax_original, ax_processed, ax_hist):
    """绘制原始图像、处理后图像和对应的直方图"""
    # 应用窗宽窗位
    original_windowed = apply_window_level(original_image, window_width, window_level)
    processed_windowed = apply_window_level(processed_image, window_width, window_level)

    # 绘制原始CT图像
    ax_original.imshow(original_windowed, cmap='gray')
    ax_original.set_title("原始CT影像")
    ax_original.axis('off')

    # 绘制处理后CT图像
    ax_processed.imshow(processed_windowed, cmap='gray')
    ax_processed.set_title("添加伪影后的CT影像")
    ax_processed.axis('off')

    # 绘制直方图
    ax_hist.hist(processed_image.flatten(), bins=200, color='blue', alpha=0.7)
    ax_hist.axvline(x=window_level - window_width / 2, color='red', linestyle='--')
    ax_hist.axvline(x=window_level + window_width / 2, color='red', linestyle='--')
    ax_hist.axvline(x=window_level, color='green', linestyle='-')
    ax_hist.set_title(f'窗宽={window_width}, 窗位={window_level}')
    ax_hist.set_xlabel('HU值')
    ax_hist.set_ylabel('频数')
    ax_hist.tick_params(axis='both', labelsize=8)  # 缩小刻度文字


def create_interactive_adjustment(original_image, processed_image, default_width=1500, default_level=-600):
    """交互式调整窗宽窗位的界面，设置适合观察伪影的初始窗宽窗位"""
    # 开启交互模式
    plt.ion()

    fig, (ax_original, ax_processed, ax_hist) = plt.subplots(1, 3, figsize=(18, 6))
    plt.subplots_adjust(bottom=0.25)

    # 初始图像
    original_display = apply_window_level(original_image, default_width, default_level)
    processed_display = apply_window_level(processed_image, default_width, default_level)
    img_original = ax_original.imshow(original_display, cmap='gray')
    img_processed = ax_processed.imshow(processed_display, cmap='gray')
    ax_original.set_title("原始CT影像")
    ax_original.axis('off')
    ax_processed.set_title("添加伪影后的CT影像")
    ax_processed.axis('off')

    # 直方图
    hist, bins = np.histogram(processed_image.flatten(), bins=200)
    ax_hist.hist(processed_image.flatten(), bins=200, color='blue', alpha=0.7)
    min_hu, max_hu = np.min(processed_image), np.max(processed_image)
    ww_line_min = ax_hist.axvline(default_level - default_width / 2, color='red', linestyle='--')
    ww_line_max = ax_hist.axvline(default_level + default_width / 2, color='red', linestyle='--')
    wl_line = ax_hist.axvline(default_level, color='green', linestyle='-')
    wl_text = ax_hist.text(default_level, np.max(hist) * 0.9, f'窗位: {default_level}', color='green', ha='center')
    ww_text = ax_hist.text(default_level, np.max(hist) * 0.8, f'窗宽: {default_width}', color='red', ha='center')
    ax_hist.set_title("HU值直方图")
    ax_hist.set_xlabel("HU值")
    ax_hist.set_ylabel("频数")

    # 滑动条
    ax_width = plt.axes([0.25, 0.15, 0.65, 0.03])
    ax_level = plt.axes([0.25, 0.10, 0.65, 0.03])
    width_slider = Slider(ax=ax_width, label='窗宽 (WW)', valmin=1, valmax=4000, valinit=default_width, valstep=1)
    level_slider = Slider(ax=ax_level, label='窗位 (WL)', valmin=min_hu, valmax=max_hu, valinit=default_level,
                          valstep=1)

    # 更新函数
    def update(val):
        ww, wl = width_slider.val, level_slider.val
        # 计算调整后的图像
        original_windowed = apply_window_level(original_image, ww, wl)
        processed_windowed = apply_window_level(processed_image, ww, wl)
        img_original.set_data(original_windowed)
        img_processed.set_data(processed_windowed)
        # 更新直方图标记
        ww_line_min.set_xdata([wl - ww / 2])
        ww_line_max.set_xdata([wl + ww / 2])
        wl_line.set_xdata([wl])
        # 更新文本标注
        wl_text.set_position((wl, np.max(hist) * 0.9))
        wl_text.set_text(f'窗位: {int(wl)}')
        ww_text.set_position(((wl - ww / 2 + wl + ww / 2) / 2, np.max(hist) * 0.8))
        ww_text.set_text(f'窗宽: {int(ww)}')
        # 强制刷新画布
        fig.canvas.draw_idle()
        fig.canvas.flush_events()

    # 注册滑动条事件
    width_slider.on_changed(update)
    level_slider.on_changed(update)

    # 重置按钮
    reset_ax = plt.axes([0.8, 0.05, 0.1, 0.04])
    reset_button = plt.Button(reset_ax, '重置', color='lightgoldenrodyellow')

    def reset(event):
        width_slider.reset()
        level_slider.reset()

    reset_button.on_clicked(reset)

    # 启动事件循环
    plt.show(block=True)
    # 关闭交互模式
    plt.ioff()


def plot_preset_windows(image, ds, title_suffix=""):
    """绘制预设窗宽窗位下的CT影像效果对比，设置适合观察伪影的窗宽窗位"""
    # 获取默认窗宽窗位
    if hasattr(ds, 'WindowWidth') and hasattr(ds, 'WindowCenter'):
        default_width = float(ds.WindowWidth)
        default_level = float(ds.WindowCenter)
    else:
        default_width, default_level = 1500, -600  # 适合观察肺窗伪影的经验值

    # 预设窗宽窗位
    presets = {
        "肺窗(适合看伪影)": (1500, -600),
        "软组织窗": (400, 40),
        "骨窗": (2000, 400),
        "脑窗": (80, 40),
        "腹部窗": (350, 50),
        "纵隔窗": (350, 50)
    }

    # 创建图像和直方图的子图（2行6列：上6个图像，下6个直方图）
    fig, axes = plt.subplots(2, 6, figsize=(18, 10))  # 2行6列布局
    fig.suptitle(f"不同窗宽窗位下的CT影像效果对比{title_suffix}", fontsize=16)

    # 循环绘制每个预设的图像和直方图
    for i, (title, (width, level)) in enumerate(presets.items()):
        ax_img = axes[0, i]  # 第1行放图像
        ax_hist = axes[1, i]  # 第2行放对应直方图
        
        # 应用窗宽窗位
        windowed_image = apply_window_level(image, width, level)
        
        # 绘制CT图像
        ax_img.imshow(windowed_image, cmap='gray')
        ax_img.set_title(title)
        ax_img.axis('off')

        # 绘制直方图
        ax_hist.hist(image.flatten(), bins=200, color='blue', alpha=0.7)
        ax_hist.axvline(x=level - width / 2, color='red', linestyle='--')
        ax_hist.axvline(x=level + width / 2, color='red', linestyle='--')
        ax_hist.axvline(x=level, color='green', linestyle='-')
        ax_hist.set_title(f'窗宽={width}, 窗位={level}')
        ax_hist.set_xlabel('HU值')
        ax_hist.set_ylabel('频数')
        ax_hist.tick_params(axis='both', labelsize=8)  # 缩小刻度文字

    plt.tight_layout(rect=[0, 0, 1, 0.96])  # 调整布局，避免标题重叠
    plt.show()


def main():
    # 加载CT图像
    dicom_path = "Anonymized_20250720/series-00002/image-00043.dcm"
    original_image, processed_image, ds, _ = process_dicom_image(dicom_path, "processed_images")

    if original_image is None:
        print("无法加载CT图像，程序终止")
        return

    # 绘制预设窗宽窗位下的原始图像对比
    print("显示原始CT图像在不同窗宽窗位下的效果...")
    plot_preset_windows(original_image, ds, "（原始图像）")

    # 绘制预设窗宽窗位下的处理后图像对比
    print("显示添加伪影后的CT图像在不同窗宽窗位下的效果...")
    plot_preset_windows(processed_image, ds, "（含伪影图像）")

    # 获取默认窗宽窗位（使用肺窗参数以便更好地观察伪影）
    if hasattr(ds, 'WindowWidth') and hasattr(ds, 'WindowCenter'):
        default_width = float(ds.WindowWidth)
        default_level = float(ds.WindowCenter)
    else:
        default_width, default_level = 1500, -600  # 肺窗参数更适合观察伪影

    # 启动交互式调整界面
    print("启动交互式窗宽窗位调整界面...")
    create_interactive_adjustment(original_image, processed_image, default_width, default_level)

    print("程序执行完毕")


if __name__ == "__main__":
    main()

总体说明

这段代码是用于处理 CT 图像的 Python 程序，主要功能是加载 CT 的 DICOM 文件，对图像进行处理（添加呼吸运动模糊和条纹噪声等伪影），并通过交互式界面调整窗宽窗位来观察图像效果。以下是对代码的说明：

1. 导入必要的库

pydicom：用于读取和处理 DICOM 格式的医学图像文件。
numpy：用于进行数值计算和数组操作。
matplotlib：用于绘制图像和交互式界面。
os：用于文件和目录操作。
generate_uid 和 ImplicitVRLittleEndian：用于生成唯一标识符和设置 DICOM 文件的传输语法。

2. 设置中文字体

|---------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用 SimHei 字体 plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题 plt.rcParams['font.size'] = 10 # 设置全局字体大小 |

这些设置是为了确保在图表中能够正确显示中文和负号。

3. 加载 CT 图像

该函数用于加载 DICOM 格式的 CT 图像文件，并将其转换为 Hounsfield 单位（HU）值数组。HU 是 CT 图像中用于表示组织密度的单位。

4. 应用窗宽窗位调整

窗宽（Window Width）和窗位（Window Level）是 CT 图像显示中的重要参数。窗宽决定了图像中显示的 HU 值范围，窗位决定了这个范围的中心。该函数根据给定的窗宽和窗位对图像进行调整，以便更好地显示特定组织的细节。

5. 应用呼吸运动模糊

该函数模拟呼吸运动对 CT 图像造成的模糊效果。通过对图像的行或列进行周期性的偏移来实现。

6. 添加条纹噪声

该函数向图像中添加条纹噪声，模拟 CT 图像中可能出现的伪影。噪声可以是垂直或水平方向的。

7. 保存为 DICOM 文件

该函数将处理后的图像保存为 DICOM 格式文件，同时保留原始 DICOM 文件的元数据。

8. 处理 DICOM 图像

该函数对加载的 CT 图像进行处理，依次应用呼吸运动模糊和条纹噪声，并将处理后的图像保存为新的 DICOM 文件。

9. 绘制图像和直方图

该函数用于绘制原始图像、处理后图像以及对应的直方图，以便直观地比较和分析图像的变化。

10. 交互式调整窗宽窗位

|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| def create_interactive_adjustment(original_image, processed_image, default_width=1500, default_level=-600): plt.ion() fig, (ax_original, ax_processed, ax_hist) = plt.subplots(1, 3, figsize=(18, 6)) plt.subplots_adjust(bottom=0.25) original_display = apply_window_level(original_image, default_width, default_level) processed_display = apply_window_level(processed_image, default_width, default_level) img_original = ax_original.imshow(original_display, cmap='gray') img_processed = ax_processed.imshow(processed_display, cmap='gray') ax_original.set_title("原始CT影像") ax_original.axis('off') ax_processed.set_title("添加伪影后的CT影像") ax_processed.axis('off') hist, bins = np.histogram(processed_image.flatten(), bins=200) ax_hist.hist(processed_image.flatten(), bins=200, color='blue', alpha=0.7) min_hu, max_hu = np.min(processed_image), np.max(processed_image) ww_line_min = ax_hist.axvline(default_level - default_width / 2, color='red', linestyle='--') ww_line_max = ax_hist.axvline(default_level + default_width / 2, color='red', linestyle='--') wl_line = ax_hist.axvline(default_level, color='green', linestyle='-') wl_text = ax_hist.text(default_level, np.max(hist) * 0.9, f'窗位: {default_level}', color='green', ha='center') ww_text = ax_hist.text(default_level, np.max(hist) * 0.8, f'窗宽: {default_width}', color='red', ha='center') ax_hist.set_title("HU值直方图") ax_hist.set_xlabel("HU值") ax_hist.set_ylabel("频数") ax_width = plt.axes([0.25, 0.15, 0.65, 0.03]) ax_level = plt.axes([0.25, 0.10, 0.65, 0.03]) width_slider = Slider(ax=ax_width, label='窗宽 (WW)', valmin=1, valmax=4000, valinit=default_width, valstep=1) level_slider = Slider(ax=ax_level, label='窗位 (WL)', valmin=min_hu, valmax=max_hu, valinit=default_level, valstep=1) def update(val): ww, wl = width_slider.val, level_slider.val original_windowed = apply_window_level(original_image, ww, wl) processed_windowed = apply_window_level(processed_image, ww, wl) img_original.set_data(original_windowed) img_processed.set_data(processed_windowed) ww_line_min.set_xdata([wl - ww / 2]) ww_line_max.set_xdata([wl + ww / 2]) wl_line.set_xdata([wl]) wl_text.set_position((wl, np.max(hist) * 0.9)) wl_text.set_text(f'窗位: {int(wl)}') ww_text.set_position(((wl - ww / 2 + wl + ww / 2) / 2, np.max(hist) * 0.8)) ww_text.set_text(f'窗宽: {int(ww)}') fig.canvas.draw_idle() fig.canvas.flush_events() width_slider.on_changed(update) level_slider.on_changed(update) reset_ax = plt.axes([0.8, 0.05, 0.1, 0.04]) reset_button = plt.Button(reset_ax, '重置', color='lightgoldenrodyellow') def reset(event): width_slider.reset() level_slider.reset() reset_button.on_clicked(reset) plt.show(block=True) plt.ioff() |

该函数创建一个交互式界面，允许用户通过滑动条调整窗宽和窗位，实时观察图像的变化。

11. 绘制预设窗宽窗位下的图像

该函数绘制在不同预设窗宽窗位下的图像和直方图，以便快速比较不同设置下的图像效果。

12. 主函数

实现 CT 图像呼吸运动模糊效果

python 复制代码

def apply_respiratory_motion_blur(image, amplitude=8, frequency=0.15, direction='horizontal'):

    blurred_image = np.zeros_like(image)

    height, width = image.shape

    t = np.linspace(0, 2 * np.pi, num=height if direction == 'vertical' else width)

    if direction == 'horizontal':

        for y in range(height):

            offset = int(amplitude * np.sin(frequency * t[y]))

            shifted_row = np.roll(image[y, :], offset)

            if offset > 0:

                shifted_row[:offset] = 0

            elif offset < 0:

                shifted_row[offset:] = 0

            blurred_image[y, :] = shifted_row

    elif direction == 'vertical':

        for x in range(width):

            offset = int(amplitude * np.sin(frequency * t[x]))

            shifted_col = np.roll(image[:, x], offset)

            if offset > 0:

                shifted_col[:offset] = 0

            elif offset < 0:

                shifted_col[offset:] = 0

            blurred_image[:, x] = shifted_col

    return 0.6 * image + 0.4 * blurred_image

这个函数的作用是给 CT 图像添加 "呼吸运动模糊" 效果，模拟病人呼吸时身体移动导致的图像模糊。下面用简单易懂的方式解释：

原理

呼吸时人体会有规律地上下或左右移动，这种移动会让 CT 图像产生模糊。这个函数通过模拟周期性的位移来实现这种效果：

用正弦函数（np.sin）模拟呼吸的周期性运动（吸气 - 呼气 - 吸气的循环）
让图像的每行或每列按照这个周期规律轻微偏移
最后混合原始图像和偏移后的图像，产生模糊感

实现步骤（以水平方向为例）

准备工作：

|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| blurred_image = np.zeros_like(image) # 创建一个和原图一样大的空图像 height, width = image.shape # 获取图像的高度和宽度 # 生成0到2π的均匀数据（刚好一个完整的正弦周期） t = np.linspace(0, 2 * np.pi, num=width) # 水平方向用宽度做周期 |

逐行处理（水平方向模糊）：

混合图像：

|--------------------------------------------------------------------|
| return 0.6 * image + 0.4 * blurred_image # 60%原图 + 40%偏移图，产生模糊效果 |

参数说明

amplitude：偏移幅度（默认 8），值越大，模糊越明显（呼吸幅度大）
frequency：频率（默认 0.15），值越大，呼吸越快（周期越短）
direction：方向（默认horizontal水平），可选vertical垂直（模拟上下呼吸）

效果展示

原始图像：清晰的 CT 结构
处理后：图像中会出现水平（或垂直）方向的轻微拖影，类似病人呼吸时身体移动导致的模糊
举例：肺部 CT 图像添加后，会模拟呼吸时肺部上下移动造成的模糊效果

简单说，这个函数通过 "有规律地轻微平移图像的每行 / 每列，再混合原图"，来模拟呼吸运动导致的 CT 图像模糊，让图像更接近真实检查中可能出现的伪影。
后文会对伪影模拟专题说明