Dieser Befehl zählt und misst Objekte in binären oder schwellwertigen Bildern, die den Parametern entsprechen, die im Dialogfeld Analysenmessung festgelegt wurden. Es funktioniert durch das Scannen des Bildes oder Auswahl, bis es die Kante eines Objekts findet. Es skizziert dann das Objekt mit dem Zauberstab Werkzeug. Misst es mit dem Befehl Measure, füllt es aus, um es unsichtbar zu machen, und setzt dann das Scannen fort, bis es das Ende des Bildes oder der Selektion erreicht. Drücken Sie die Esc-Taste, um diesen Vorgang abzubrechen. Verwenden Sie ImagegtAdjustgtThreshold, um ein Bild zu begrenzen. Verwenden Sie das Dialogfenster, um den Partikelanalysator zu konfigurieren. Partikel außerhalb des Bereichs, der im Feld Größe angegeben wird, werden ignoriert. Geben Sie einen einzelnen Wert in Größe ein, und Partikel, die kleiner als dieser Wert sind, werden ignoriert. Partikel mit Rundheitswerten außerhalb des Bereichs, der im Kreisfeld angegeben ist, werden ebenfalls ignoriert. Die Formel für die Zirkularität beträgt 4pi (Fläche / Umfang2). Ein Wert von 1,0 gibt einen perfekten Kreis an. Für kleine Teilchen kann die Kreisförmigkeit gt1 sein (aufgrund der Definition von Perimeter und Fläche in einem quadratischen Gitter). In diesen Fällen wird der Wert von 1,0 zurückgegeben (vor v1.37 wurde dieser Wert auf -1.0 gesetzt). Beachten Sie, dass das Circularity-Feld in ImageJ 1.35e hinzugefügt wurde. Wählen Sie im Popup-Menü "Anzeigen" die Option "Konturen" aus, und ImageJ öffnet ein Fenster mit nummerierten Konturen der gemessenen Partikel. Wählen Sie Masken, um gefüllte Umrisse der gemessenen Partikel oder Ellipsen anzuzeigen, um die bestmögliche Ellipse der einzelnen Partikel anzuzeigen. Zählmasken erzeugt ein 16-Bit-Bild, das die Partikel zeigt, die mit einem der Partikelzahl entsprechenden Wert gemalt sind. Überprüfen Sie die Ergebnisse der Ergebnisse, damit die Messungen für jedes Partikel im Ergebnisfenster angezeigt werden. Prüfen Sie Clear Results, um alle bisherigen Messergebnisse zu löschen. Überprüfen Sie Zusammenfassen, um in einem separaten Fenster die Partikelanzahl, die Gesamtpartikelfläche, die durchschnittliche Partikelgröße und den Flächenanteil anzuzeigen. Check Exclude on Kanten, um Partikel zu ignorieren, die den Rand des Bildes oder die Auswahl berühren. Check Include Holes und der Bereich Partikel wird gemessen, der Bereich der Löcher, als ob sie gefüllt wurden. Lassen Sie diese Option deaktiviert, um innere Löcher auszuschließen und um Partikel zu messen, die von anderen Partikeln umschlossen sind. Das folgende Beispielbild enthält Partikel mit Löchern und Partikeln in anderen Partikeln. Die Option Starts aufnehmen zeichnet die Startkoordinaten (x, y) jedes Partikels auf. Dies ist das erste Pixel im Teilchen, das beim Scannen des Bildes gefunden wird (es ist das am weitesten links liegende Pixel im Teilchen). Dieses Pixel ist ganz besonders, da es Plugins und Makros erlaubt, eine Partikelkontur mit der Funktion doWand (x, y) neu zu erstellen, sie zu recolorieren, zu füllen oder mit der Funktion floodFill () zu löschen (vergewissern Sie sich, dass Sie die 8-Nachbar-Füllung verwenden) ), Rekonstruieren Partikel unter Verwendung der Starts als Samen mit dem Binary Reconstruct Plugin. Andere Partikelkoordinaten wie der Schwerpunkt oder der Zentroid sind nicht immer garantiert, dass sie immer in dem Partikel enthalten sind (zB denken Sie an Partikel mit Löchern und gebogenen Partikeln). Das CircularParticles-Makro veranschaulicht, wie die Starts verwendet werden. Add to Manager fügt die ROIs der Partikel dem ROI-Manager hinzu und zeigt sie mit der Beschriftung an (im Abschnitt ROI-Manager die Option Alle anzeigen, um die Beschriftungen auszublenden) (hinzugefügt in 1.37u). Auto-Schwellenwert Dieses Plugin binarisiert 8- und 16-Bit-Bilder mit verschiedenen globalen (Histogramm-abgeleiteten) Schwellenwertmethoden. Die segmentierte Phase wird immer weiß dargestellt (255). Lokale Schwellenwerte anstatt global finden Sie im Plug-In Auto Local Threshold. ImageJ. Erfordert v1.42m oder neuer. Kopieren Sie die Datei AutoThreshold. jar aus mecourse / landinig / software / autothreshold. jar in den Ordner ImageJ / Plugins und starten Sie ImageJ neu oder führen Sie den Befehl Help Update Menus aus. Danach sollte ein neuer Befehl in Image Adjust Auto Threshold erscheinen. Fidschi. Ist dieses Plugin Teil der Fidschi-Distribution, es gibt keine Notwendigkeit, es herunterzuladen. Methode wählt den anzuwendenden Algorithmus aus (siehe unten). Die Optionen Ignoriere Schwarz und Ignorieren ignorieren setzen die Bildhistogramm-Bins für 0 und 255 Greylevels auf 0. Dies kann nützlich sein, wenn das digitalisierte Bild unter - oder überbelichtete Pixel aufweist. Weißes Objekt auf schwarzem Hintergrund setzt die Pixel mit Werten oberhalb des Schwellenwerts weiß (ansonsten legt er die Werte kleiner oder gleich dem Schwellenwert fest). Set Threshold anstelle von Threshold (Einzelbilder) setzt die Thresholding-LUT, ohne die Pixeldaten zu ändern. Dies funktioniert nur für Einzelbilder. Wenn Sie einen Stapel bearbeiten, stehen Ihnen zwei weitere Optionen zur Verfügung: Stack kann verwendet werden, um alle Slices zu bearbeiten (die Schwelle jedes Slice wird separat berechnet). Wenn diese Option nicht aktiviert ist, wird nur das aktuelle Segment verarbeitet. Das Stackhistogramm berechnet zuerst das Histogramm des gesamten Stacks, berechnet dann den Schwellenwert auf der Grundlage dieses Histogramms und schließlich binarisiert er alle Scheiben mit diesem einzelnen Wert. Wenn Sie diese Option auswählen, wird automatisch die Option Stack ausgewählt. 1. Auf dieses Plugin wird über den Menüeintrag Image Auto Threshold zugegriffen, jedoch wurden die Thresholding-Methoden auch teilweise im ImageJs-Schwellenwert-Applet implementiert, das über den Image Adjust Threshold zugänglich ist. Menüeintrag. Während das Auto Threshold-Plugin die Extremwerte des Bildhistogramms (Ignore black, Ignore white) verwenden oder ignorieren kann, kann das Applet nicht: Die Standardmethode ignoriert die Histogramm-Extreme, die anderen Methoden jedoch nicht. Dies bedeutet, dass die Anwendung der beiden Befehle auf dasselbe Bild scheinbar unterschiedliche Ergebnisse liefern kann. Im Wesentlichen kann das Auto Threshold-Plugin mit den richtigen Einstellungen die Ergebnisse des Applets wiedergeben, aber nicht umgekehrt. 2. Ab Version 1.12 unterstützt das Plugin die Thresholding von 16-Bit-Bildern. Da das Auto Threshold-Plugin den gesamten Graustufenbereich verarbeitet, kann es im Umgang mit 16-Bit-Bildern langsam sein. Beachten Sie, dass das ImageJ-Schwellen-Applet auch 16-Bit-Bilder verarbeitet, aber in Wirklichkeit berechnet ImageJ zuerst ein Histogramm mit 256 Bins. Daher kann es Unterschiede in den Ergebnissen auf 16-Bit-Bildern bei der Verwendung des Applets und die wahre 16-Bit-Ergebnisse mit diesem Plugin erhalten erhalten. Beachten Sie, dass für die Beschleunigung, das Histogramm ist eingeklammert, um nur den Bereich der Bins, die Daten enthalten (und Vermeidung Verarbeitung leere Histogramm Bins an beiden Extremen) enthalten. Das Ergebnis von 16-Bit-Bildern und Stapeln (bei der Verarbeitung aller Scheiben) ist ein 8-Bit-Container, der das Ergebnis in Weiß 255 zeigt, um dem Konzept des binären Bildes (d. h. 8 Bits mit 0 und 255 Werten) zu entsprechen. Bei Stapeln, bei denen nur eine Scheibe schwellwert ist, ist das Ergebnis immer noch ein 16-Bit-Container, wobei die Schwellenphase als weißes 65535 gezeigt ist. Dies dient dazu, die Daten in den verbleibenden Segmenten unberührt zu halten. Die Option Alle versuchen behält das 16-Bit-Format bei, um die Bilder weiterhin mit Methoden anzuzeigen, die möglicherweise keinen Schwellenwert erhalten. Bilder und Stapel, die nicht überschritten werden können, bleiben unverändert. Das gleiche Bild in 8 und 16 Bits (ohne Skalierung) gibt denselben Schwellenwert zurück, wobei jedoch die Lis-Methode ursprünglich unterschiedliche Werte liefern würde, wenn die Bilddaten versetzt waren (z. B. wenn ein fester Wert zu allen Pixeln hinzugefügt wurde). Die aktuelle Implementierung vermeidet dieses versatzabhängige Problem. 5. Dasselbe Bild, das mit einem festen Wert skaliert wird (zB bei der Multiplikation aller Pixel mit einem festen Wert) liefert für alle Methoden ein ähnliches Schwellenergebnis (innerhalb von 2 Graustufen des ursprünglichen unskalierten Bildes) für alle Methoden außer Huang, Li und Dreieck Diese Algorithmen arbeiten. Welche Methode Ihre Daten optimal segmentiert Sie können versuchen, diese Frage mit der Option Alle versuchen zu beantworten. Dies erzeugt eine Montage mit Ergebnissen aus allen Verfahren, die es ermöglichen, zu erforschen, wie die verschiedenen Algorithmen auf einem bestimmten Bild oder Stapel ausführen. Bei der Verwendung von Stacks ist es in manchen Fällen nicht sinnvoll, jedes Segment einzeln und nicht mit einer einzigen Schwelle für alle Slices zu segmentieren (probieren Sie mri-stack. tif aus den Beispielbildern, um dieses Problem besser zu verstehen). Versuchen Sie alle Methoden. Bei der Verarbeitung von Stapeln mit vielen Slices können die Montagen sehr groß werden (das 16-fache der ursprünglichen Stack-Größe) und ein Risiko läuft aus dem RAM. Ein Popup-Fenster wird angezeigt (wenn Stacks mehr als 25 Slices haben), um zu bestätigen, ob das Verfahren die montierten Ergebnisse anzeigen soll. Wählen Sie Nein, um die Schwellenwerte zu berechnen und im Protokollfenster anzuzeigen. Dies ist die ursprüngliche Methode der automatischen Schwellwertbildung, die in ImageJ verfügbar ist, was eine Variation des IsoData-Algorithmus ist (nachfolgend beschrieben). Die Standardoption sollte dieselben Werte wie die Bildanpassungsschwelle Auto zurückgeben, wenn Sie Schwarz ignorieren und Weiß ignorieren wählen. Um die Segmentierung der gewünschten Phase anzuzeigen, verwenden Sie die Option Weiße Objekte auf schwarzem Hintergrund. Die IsoData-Methode wird auch als iterative Intermeans bezeichnet. Implementiert Huangs Fuzzy-Thresholding-Methode. Dies verwendet Shannons Entropie-Funktion (man kann auch Yagers Entropie-Funktion). Portiert von ME Celebis fourier0.8 Routinen 1 und 2. Intermodes Dies setzt ein bimodales Histogramm voraus. Das Histogramm wird iterativ mit einem laufenden Mittel der Größe 3 geglättet, bis es nur zwei lokale Maxima gibt: j und k. Der Schwellenwert t wird dann als (jk) / 2 berechnet. Bilder mit Histogrammen mit extrem ungleichen Peaks oder einem breiten und im Tal sind für diese Methode ungeeignet. Methode Ausgetragen von Antti Niemists MATLAB-Code. Siehe hier für eine hervorragende Präsentation und seine Original-MATLAB-Code. Iterative Prozedur basierend auf dem Isodata-Algorithmus von: Die Prozedur teilt das Bild in Objekt und Hintergrund, indem es einen Anfangsschwellenwert annimmt, dann werden die Mittelwerte der Pixel bei oder unter dem Schwellenwert und den Pixeln oben berechnet. Die Mittelwerte dieser beiden Werte werden berechnet, der Schwellwert erhöht und der Vorgang wiederholt, bis der Schwellenwert größer als der zusammengesetzte Durchschnitt ist. Das heißt, mehrere Implementierungen dieser Methode existieren. Siehe Quellcode für weitere Kommentare. Implementiert eine minimale Cross-Entropy-Thresholding-Methode basierend auf der iterativen Version (2. Referenz unten) des Algorithmus. Li, CH amp Lee, CK (1993), Mindestquerentropie-Schwellenwert, Mustererkennung 26 (4). 617-625 Li, CH amp Tam, PKS (1998), Ein Iterativer Algorithmus für minimale Kreuzentropie-Schwellenwerte, Mustererkennungsbriefe 18 (8). 771-776 Sezgin, M amp Sankur, B (2004), Survey over Image Thresholding Techniques und quantitative Leistungsbewertung, Journal of Electronic Imaging 13 (1). 146-165. ltciteseer. ist. psu. edu/sezgin04survey. html gt Portierte von ME Çelebis fourier0.8 3-Routinen und 4. MaxEntropy Implementiert Kapur-Sahoo-Wong (Maximum Entropy) Schwellwertverfahren: Kapur, JN Sahoo, PK amp Wong, ACK (1985 ), Eine neue Methode zur Grauwertbildung mit der Entropie des Histogramms, der grafischen Modelle und der Bildverarbeitung 29 (3). 273-285 Portiert von ME Celebis fourier0.8 Routinen 5 und 6. Verwendet den Mittelwert der Graustufen als Schwelle. Es wird von einigen anderen Methoden als eine erste Ratenschwelle verwendet. Glasbey, CA (1993), Eine Analyse von Histogramm-basierten Schwellenwertalgorithmen, CVGIP: Graphische Modelle und Bildverarbeitung 55. 532-537 MinError (I) Eine iterative Implementierung von Kittler und Illingworths Minimum Error Schwellenwert. Diese Implementierung scheint häufiger zu konvergieren als das Original. Nichtsdestotrotz konvergiert der Algorithmus manchmal nicht zu einer Lösung. In diesem Fall wird dem Protokollfenster eine Warnung gemeldet, und das Ergebnis wird auf die anfängliche Schätzung des Schwellenwertes zurückgesetzt, der mit der Mean-Methode berechnet wird. Die Optionen "Ignorieren" oder "Ignorieren von Weiß" können helfen, dieses Problem zu vermeiden. Kittler, J amp Illingworth, J (1986), Mindestfehlergrenze, Mustererkennung 19. 41-47 Portiert von Antti Niemists MATLAB-Code. Siehe hier für eine hervorragende Folienpräsentation und den originalen MATLAB-Code. Ähnlich wie bei der Intermoden-Methode wird ein bimodales Histogramm angenommen. Das Histogramm wird iterativ mit einem laufenden Mittel der Größe 3 geglättet, bis es nur zwei lokale Maxima gibt. Die Schwelle t ist so, dass yt1 gt yt lt yt1 ist. Bilder mit Histogrammen mit extrem ungleichen Peaks oder einem breiten und im Tal sind für diese Methode ungeeignet. Portiert von Antti Niemists MATLAB-Code. Sehen Sie hier eine exzellente Folienpräsentation und den originalen MATLAB-Code. Tsais-Methode versucht, die Momente des Originalbildes im Schwellenwert zu erhalten. Portiert von ME Çelebis fourier0.8 Routinen 7 und 8 Otsus Schwellen Clustering-Algorithmus sucht nach der Schwelle, die die intra Klasse Varianz, definiert als eine gewichtete Summe der Varianzen der beiden Klassen minimiert. Portiert von C-Code von Jordan Bevik. Perzentil Setzt den Bruchteil der Vordergrundpixel auf 0,5. Portiert von Antti Niemists MATLAB-Code. Siehe hier für eine hervorragende Folienpräsentation und den originalen MATLAB-Code. RenyiEntropy Ähnlich wie die MaxEntropy Methode, aber mit Renyis Entropie statt. Kapur, JN Sahoo, PK amp Wong, ACK (1985), Eine neue Methode zur Graustufenbild Thresholding Mit dem Entropy des Histogramms, Graphical Models und Bildverarbeitung 29 (3). 273-285 Portierte von ME Çelebis fourier0.8 Routinen 9 und 10 Portierte von ME Çelebis fourier0.8 11 und 12. Dies ist eine Implementierung des Dreiecks Methode Routinen: Geändert von Johannes Schindelins Plugin TriangleAlgorithm. Das Dreieck-Algorithmus, ein geometrisches Verfahren kann nicht sagen, ob die Daten zu einer Seite schräg ist, oder eine andere, aber nimmt einen maximalen Peak (mode) nahe einem Ende des Histogramms und sucht zum anderen Ende. Dies verursacht ein Problem in Abwesenheit von Information des zu verarbeitenden Bildtyps oder wenn das Maximum nicht nahe einem der Histogramm-Extreme liegt (was zu zwei möglichen Schwellenbereichen zwischen diesem Maximum und den Extremen führt). Hier wurde der Algorithmus erweitert, um zu finden, auf welcher Seite des Max-Peaks die Daten am weitesten gehen und sucht die Schwelle innerhalb dieses größten Bereichs. Implementiert Yens Schwellwertverfahren aus: Portierte von ME Çelebis fourier0.8 13 und 14.NOISE REDUZIERUNG VON IMAGE AVERAGING Bildrauschen Routinen die Detailgenauigkeit in Ihrer digitalen oder Film Fotos beeinträchtigen können, und so kann dieses Geräusch stark reduziert endgültigen Bild zu verbessern oder drucken. Das Problem ist, dass die meisten Techniken zu reduzieren oder zu entfernen Rauschen immer am Ende Erweichung des Bildes als gut. Eine gewisse Erweichung kann für Bilder, die hauptsächlich aus glattem Wasser oder Himmel bestehen, akzeptabel sein, aber das Laub in der Landschaft kann mit sogar konservativen Versuchen, das Geräusch zu reduzieren, leiden. Dieser Abschnitt vergleicht ein paar gemeinsame Methoden zur Rauschunterdrückung, und führt auch eine alternative Technik: Mittelung mehrerer Belichtungen, um Rauschen zu reduzieren. Bild-Mittelung ist in High-End-Astrofotografie üblich, ist aber wohl für andere Arten von Low-Light und Nachtfotografie unterbelegt. Die Mittelung hat die Macht, das Rauschen zu reduzieren, ohne Details zu kompromittieren, da es tatsächlich das Signal-Rausch-Verhältnis (SNR) Ihres Bildes erhöht. Ein zusätzlicher Bonus ist, dass Mittelung kann auch die Bittiefe Ihres Bildes über das hinaus, was mit einem einzigen Bild möglich wäre. Die Mittelung kann auch besonders nützlich für diejenigen sein, die die Glätte von ISO 100 imitieren möchten, deren Kamera jedoch nur auf ISO 200 sinkt (wie die meisten digitalen Spiegelreflexkameras). Bild-Mittelung arbeitet auf der Annahme, dass das Rauschen in Ihrem Bild ist wirklich zufällig. Auf diese Weise werden zufällige Schwankungen oberhalb und unterhalb der tatsächlichen Bilddaten allmählich ausgeglichen, wenn man immer mehr Bilder misst. Wenn Sie zwei Aufnahmen eines glatten grauen Flecks unter Verwendung derselben Kameraeinstellungen und unter identischen Bedingungen (Temperatur, Beleuchtung usw.) machen würden, würden Sie Bilder erhalten, die denen ähnlich sind, die auf der linken Seite gezeigt sind. Das obige Diagramm stellt Helligkeitsschwankungen entlang dünner blauer und roter Streifen von Pixeln in den oberen bzw. unteren Bildern dar. Die gestrichelte waagerechte Linie stellt den Durchschnitt dar, oder was dieses Diagramm aussieht, wenn es kein Rauschen gab. Beachten Sie, dass jede der roten und blauen Linien eindeutig über und unter der gestrichelten Linie fluktuiert. Wenn wir den Pixelwert an jeder Stelle entlang dieser Linie nehmen und ihn mit dem Wert für das Pixel an der gleichen Stelle für das andere Bild mitteln würden, würde sich die Helligkeitsveränderung wie folgt verringern: Obwohl der Durchschnitt der beiden noch Schwankt ober - und unterhalb des Mittelwertes die maximale Abweichung stark. Optisch hat dies den Effekt, den Patch auf der linken Seite erscheinen glatter. Zwei gemittelte Bilder erzeugen gewöhnlich Rauschen, die mit einer ISO-Einstellung vergleichbar sind, die halb so empfindlich ist, so dass zwei gemittelte Bilder, die bei ISO 400 aufgenommen wurden, mit einem Bild, das bei ISO 200 aufgenommen wurde, vergleichbar sind, und so weiter. Im Allgemeinen sinkt die Grße der Rauschfluktuation um die Quadratwurzel der Anzahl der gemittelten Bilder, so dass Sie durchschnittlich 4 Bilder benötigen, um die Größe in der Hälfte zu schneiden. NOISE DETAIL-VERGLEICH Das nächste Beispiel veranschaulicht die Effektivität der Bildmittelung in einem realen Beispiel. Das folgende Foto wurde bei ISO 1600 auf der Canon EOS 300D Digital Rebel aufgenommen und leidet an übermäßigem Rauschen.
No comments:
Post a Comment