Gleitender Durchschnitt Imagej

Kurzbeschreibung Die mittlere Filterung ist ein einfaches, intuitives und einfach zu implementierendes Verfahren zum Glätten von Bildern, d. h. Verringern des Betrags der Intensitätsveränderung zwischen einem Pixel und dem nächsten. Es wird oft verwendet, um Rauschen in Bildern zu reduzieren. Wie es funktioniert Die Idee der mittleren Filterung ist einfach, jeden Pixelwert in einem Bild durch den mittleren (durchschnittlichen) Wert seiner Nachbarn, einschließlich sich selbst, zu ersetzen. Dies hat die Wirkung, Pixelwerte zu eliminieren, die für ihre Umgebung nicht repräsentativ sind. Eine mittlere Filterung wird üblicherweise als ein Faltungsfilter angesehen. Wie andere Windungen basiert es auf einem Kernel. Die die Form und Größe der Nachbarschaft darstellt, die bei der Berechnung des Mittelwerts abgetastet werden soll. Oft wird ein 32153-Quadratkern verwendet, wie in Fig. 1 gezeigt, obwohl grßere Körner (z. B. 52155 Quadrate) für eine stärkere Glättung verwendet werden können. (Man beachte, dass ein kleiner Kernel mehr als einmal angewendet werden kann, um einen ähnlichen, aber nicht identischen Effekt wie einen einzelnen Durchgang mit einem großen Kernel zu erzeugen.) Abbildung 1 32153 Mittelwertbildung Kernel häufig in Mittelwertbildung verwendet Berechnung der direkten Faltung eines Bildes Führt dieser Kernel den mittleren Filterprozess durch. Richtlinien für die Verwendung Mittlere Filterung wird am häufigsten als eine einfache Methode zur Reduzierung von Rauschen in einem Bild verwendet. Wir veranschaulichen den Filter, der zeigt, dass das Original durch Gaußsches Rauschen mit einem Mittelwert von Null und einer Standardabweichung () von 8 beschädigt ist, die Wirkung des Anwendens eines 32153-Mittelfilters. Beachten Sie, dass das Rauschen weniger offensichtlich ist, aber das Bild wurde weich gemacht. Wenn wir die Größe des mittleren Filters auf 52155 erhöhen, erhalten wir ein Bild mit weniger Rauschen und weniger hochfrequenten Details, wie in Dasselbe Bild, das stärker durch Gaußsche Rauschen (mit einem Mittelwert von null und a von 13) beschädigt ist, gezeigt ist In ist das Ergebnis einer mittleren Filterung mit einem 32153-Kernel. Eine noch anspruchsvollere Aufgabe wird durch die Wirkung der Glättung des verrauschten Bildes mit einem 32153-Mittelfilter bereitgestellt. Da die Schußrauschenpixelwerte oft sehr verschieden von den umgebenden Werten sind, neigen sie dazu, den durch den mittleren Filter berechneten Pixelmittelwert deutlich zu verzerren. Die Verwendung eines 52155-Filters bewirkt, dass dieses Ergebnis keine signifikante Verbesserung der Rauschunterdrückung ist, und außerdem ist das Bild nun sehr verschwommen. Diese Beispiele veranschaulichen die zwei Hauptprobleme bei der mittleren Filterung, die sind: Ein einzelnes Pixel mit einem sehr nicht repräsentativen Wert kann den Mittelwert aller Pixel in seiner Nachbarschaft signifikant beeinflussen. Wenn die Filterumgebung eine Kante überspannt, interpoliert der Filter neue Werte für Pixel auf der Kante und verschwimmt diese Kante. Dies kann ein Problem sein, wenn scharfe Kanten in der Ausgabe erforderlich sind. Beide Probleme werden durch den Medianfilter angegangen. Was oft ein besserer Filter zur Reduzierung von Rauschen ist als der mittlere Filter, aber es dauert länger, um zu berechnen. Im allgemeinen wirkt das mittlere Filter als Tiefpaßfilter und reduziert somit die im Bild vorhandenen räumlichen Intensitätsableitungen. Wir haben diesen Effekt bereits als Erweichung der Gesichtszüge im obigen Beispiel gesehen. Betrachten wir nun das Bild, das eine Szene darstellt, die einen breiteren Bereich von verschiedenen Raumfrequenzen enthält. Nach einmaligem Glätten mit einem 32153-Mittelfilter erhalten wir, daß die tiefe räumliche Frequenzinformation im Hintergrund nicht signifikant durch Filtern beeinflußt worden ist, aber die (einst klaren) Kanten des Vordergrundsubjekts wurden merklich geglättet. Nach dem Filtrieren mit einem 72157-Filter erhalten wir eine noch dramatischere Darstellung dieses Phänomens im Vergleich dieses Ergebnisses mit dem, das erhalten wird, indem man ein 32153-Filter über das Originalbild dreimal in üblichen Varianten abtastet. Variationen des hier diskutierten mittleren Glättungsfilters schließen Threshold-Averaging ein Wird die Glättung unter der Bedingung angewendet, daß der mittlere Pixelwert nur geändert wird, wenn die Differenz zwischen seinem ursprünglichen Wert und dem Mittelwert größer als ein voreingestellter Schwellenwert ist. Dies bewirkt, dass das Rauschen mit einem weniger dramatischen Verlust an Bilddetails geglättet wird. Andere Faltungsfilter, die nicht den Mittelwert einer Nachbarschaft berechnen, werden auch oft zum Glätten verwendet. Einer der häufigsten ist der Gaußsche Glättungsfilter. Interaktive Experimente Sie können interaktiv mit diesem Operator experimentieren, indem Sie hier klicken. Das mittlere Filter wird unter Verwendung einer Faltung berechnet. Können Sie sich vorstellen, wie die speziellen Eigenschaften des mittleren Filterkerns genutzt werden können, um die Faltung zu beschleunigen? Was ist die Rechenkomplexität dieser schnelleren Faltung Verwenden Sie einen Kantendetektor auf dem Bild und notieren Sie die Stärke der Ausgabe. Wenden Sie dann ein 32153-Mittelfilter auf das Originalbild an und führen Sie den Flankendetektor erneut aus. Kommentar zur Differenz. Was passiert, wenn ein 52155- oder ein 72157-Filter verwendet wird Das Anwenden eines 32153-Mittelfilters zweimal erzeugt nicht das gleiche Ergebnis wie ein 52155-Mittelfilter einmal. Es kann jedoch ein Konvolutionskernel 52155 konstruiert werden, der äquivalent ist. Wie sieht dieser Kernel aus? Erstellen Sie einen 72157 Faltungskernel, der eine gleichwertige Wirkung auf drei Pässe mit einem 32153-Mittelfilter hat. Wie denkst du, der mittlere Filter würde mit Gaußschen Rauschen umgehen, das nicht symmetrisch gegen Null war. Versuche einige Beispiele. Referenzen R. Boyle und R. Thomas Computer Vision: Ein erster Kurs. Blackwell Scientific Publications, 1988, S. 32 - 34. E. Davies Machine Vision: Theorie, Algorithmen und Praktiken. Academic Press, 1990, Kap. 3. D. Vernon Machine Vision. Prentice-Halle, 1991, Kap. 4. Lokale Informationen Spezielle Informationen zu diesem Operator finden Sie hier. Weitere allgemeine Hinweise zur lokalen HIPR-Installation finden Sie im Einleitungsbereich Lokale Informationen. PIV-Analysator Dieses Plugin berechnet den optischen Fluss für jedes Bildpaar, das mit dem angegebenen Stack erstellt wurde. Es funktioniert mit dem PIV-Methode, die die grundlegendste Technik für optische Strömung ist. Diese Technik, die hauptsächlich in der Akustik oder in der Fluidmechanik verwendet wird, ermöglicht die Messung eines Geschwindigkeitsfeldes in einer Ebene unter Verwendung von Bildgebungs - und Bildanalyse 1. Sie kann als eine der einfachsten Mustervergleichsprobleme angesehen werden. Die PIV-Analyse ist ein blockbasierter optischer Fluss, basierend auf der Ableitung, in welcher Richtung und in welchem ​​Ausmaß ein Teil eines Bildes sich zwischen zwei aufeinanderfolgenden Augen bewegt hat. In den vorgenannten Domänen wird eine Strömung sichtbar gemacht, indem man sie mit lichtreflektierenden Teilchen (Rauch in Luft, Blasen, Glasperlen in Wasser) aussetzt und in zwei sehr engen Zeitpunkten abgebildet wird. Die Kreuzkorrelation zwischen Teilen der beiden Bilder, wo das durch Partikel erzeugte Muster erkennbar ist, wird dann zur Berechnung des Geschwindigkeitsfeldes verwendet. Der PIV-Algorithmus setzt sich aus den folgenden Schritten zusammen: Es werden zwei Bilder des gleichen Objekts zu zwei aufeinander folgenden Augenpunkten aufgenommen, wenn sie in kleinen Stücken, die als Abfragefenster bezeichnet werden, gespleißt werden. Die Kreuzkorrelation zwischen den beiden Bildern wird für jedes kleine Fenster berechnet Wird das resultierende Korrelationsbild gesucht. Die Peak-Position ergibt die Verschiebung, für die die beiden Bildteile am besten gleich aussehen, dh: der Betrag, um den das zweite Bild bewegt werden soll, um wie das erste Bild auszusehen, am besten der Geschwindigkeitsvektor an diesem Punkt als die Peaks definiert ist Position. Dies setzt voraus, dass sich das Bild zwischen den beiden aufeinanderfolgenden Zeitpunkten nicht zu sehr inhaltlich änderte, sondern bewegte oder verformte. Anwendung auf Life-Science-Bilder Hier sind zwei Beispiele für ihre ersten Anwendungen in der Biologie: Vergleich der Ströme in einem Drosophila-Embryo während der Gastrulation in Kontrollsituationen und nach der Fotoablation 2 Quantifizierung des Blutflusses während der Kardiogenese im Zebrafisch-Embryo 3. Für uns das Hauptinteresse Dieser Technik ist, dass sie die Berechnung eines Geschwindigkeitsfeldes ermöglicht, ohne dass Objekte aus einem Bild segmentiert und verfolgt werden müssen, was es besonders interessant macht, wenn es sich um Hellfeld - oder DIC-Bilder handelt. Der Abbau ist Verlust an Genauigkeit, aber auch die Tatsache, dass Sie völlig irrelevante Vektoren erhalten könnten. Wie bereits erwähnt, implementiert dieses Plugin einen sehr naiven und primitiven Algorithmus, ohne ein Gefühl der Subtilität, und existiert hauptsächlich für pädagogische Zwecke. Es hat einen sehr Fußgängerweg, der es langsam macht. Für jedes Pixel weg von dem Rand des Bildes wird ein Block für das vordere Bild und das hintere Bild extrahiert. Aus diesen beiden Blöcken wird dann die Korrelationsmatrix berechnet und das Ergebnis analysiert, um einen Strömungsvektor zu erzeugen. Dies ist ein hochredundanter Prozess, denn wenn sich der Algorithmus zum nächsten Pixel nach rechts bewegt, ändern sich die Blöcke nur wenig (nur eine Spalte wird tatsächlich ersetzt und der Rest wird nach links verschoben), aber die gesamte Korrelationsmatrix wird neu berechnet Von Grund auf (eine Menge verschwendet CPU-Zyklen). Typischerweise kann auf einem MacBook (graues Modell, 2009) für ein 8-Bit-Stack mit einer Fenstergröße von 8x8, das Plugin, das Plugin einen Stapel von 200x200 in ca. 1 Sekunde verarbeiten. Ich empfehle Downsampling die Bilder, würde dies die Dichte der Ergebnisse zu verringern, aber machen dieses Plugin erschwinglich. Das Plugin ist jetzt multi-threaded, was bedeutet, dass es mehrere Frame-Paare auf einmal zu analysieren, je nachdem wie viele CPUs es finden kann. Das Bild auf der rechten Seite besteht aus 2000 kleinen Gaussian Blobs (sigma1), zufällig hervorgebracht (Sie können die Original-Datei hier). Der zweite Rahmen wurde durch Hinzufügen einer Verschiebung zu jedem Blob, gegeben durch: mit 25 und Xm und Ym der Hälfte der Bildbreite erhalten. Dies erzeugt effektiv eine Art kreisförmige Verdrehung des Bildes. Unten ist das, was die PIV-Analyse gefunden hat, mit einem Fenster von 64x64 (die maximale Verschiebung, die der Algorithmus finden kann, ist gegeben durch die Hälfte der Fenstergröße, also mussten wir für mindestens 50x50 gehen), keine Maskierung und keine Interpolation. Die Farbe kodiert Strömungsrichtung und - größe unter Verwendung der Referenz, die im Farbrad zu sehen ist. Die ursprüngliche 2-Frame-Sequenz Optionen sind die folgenden: Fenstergröße. Setzt die Abfragefenstergröße für die Analyse. Das ist die Größe der Blöcke, die verglichen werden, um einen Fluss aus ihm heraus zu erhalten. Sehen Sie unten für Einblick auf Größenwahlen. Interpolieren. Wenn geprüft, führt die Analyse für jeden Pixel einen zusätzlichen Schritt durch, der es ermöglicht, eine Subpixel-Flussgröße zu erhalten. Das Maximum des Korrelationsfensters wird interpoliert (unter Verwendung der Taylor-Expansion über eine 3 × 3-Nachbarschaft), was eine bessere Schätzung seiner Position ergibt. Maskieren. Eingestellt ist, werden die Ergebnisse mit dem Peakhöhenwert maskiert. Für Spitzenhöhenwerte kleiner als Maskierungspegel max (pkh). Wird der Durchfluss auf 0 gesetzt. ROI-Auswahl Wenn Sie die Analyse nur auf einen bestimmten Teil des Bildes beschränken möchten, wählen Sie sie in einem ROI in beliebiger Form aus. Image-Features Tough Sie nicht brauchen, um rückverfolgbare Objekte für PIV haben, gibt es noch einige Anforderungen für sie. PIV basiert auf einem sehr einfachen Mustervergleichsalgorithmus. Dies bedeutet, dass, um wirksam zu sein, müssen einige Muster in Ihrem Bild. Typischerweise werden die dotty-Strukturen von Aggregat in einem epi-Fluoreszenzfilm oder die Granularität, die auf einem Hellfeldbild zu sehen sein wird, tun. Als Faustregel gilt, wenn man etwas bewegliches Auge sehen kann, könnte das PIV in der Lage sein, es quantitativ zu erhalten, sonst nicht natürlich. Denken Sie auch daran, dass (bisher) es funktioniert nur für eine 2D-Ebene. Bei optischen Abschnitten könnte der Algorithmus durch das Aussehen der sich in Z-Richtung bewegenden Körner verwirren. Auch bei dicken im Hellfeld abgebildeten Proben verformt sich das Bild eines Punktes beim Bewegen in Z, was zu irrelevanten Werten führen kann. Auswahl der Abfragefenstergröße Um eine Musteranpassung durchzuführen, wird das Bild in kleinen Stücken gespleißt. Da Sie klare Muster zu entsprechen haben, ist es eine gute Idee, wählen Sie Vernehmung Fenster Größe größer als die Bild-Funktion, deren Bewegung Sie interessiert in. Nehmen wir an, dass ein Bild, einige Struktur in Form von Körnern gefunden werden kann Deren Größe etwa 10-15 Pixel beträgt. Um immer mindestens eine vollständige, ein Fenster von 32x32 Pixel wäre relevant. In der Fluiddynamik werden Geschwindigkeitsfelder, die aus PIV resultieren, im allgemeinen stark räumlich gefiltert. In diesen Fällen repräsentiert jeder dieser Vektoren die Geschwindigkeit in einem Fluid, für das die Strömung im großen und ganzen räumlich korreliert ist, so dass eine Filterung im räumlichen Bereich sinnvoll ist. Man kann empfehlen, zeitweise zu filtern, dh: für jeden Vektor im Feld ersetzen Sie den Wert durch den gleitenden Durchschnitt von wenigen Frames bis hin zu einigen Frames. Wenn Ihr Film zeitlich überabgetastet wird, kann dies bei der Mittelung von Ausreißern effektiv sein. Das Plugin liefert auch einen Stack aus der Peakhöhe für die Analyse. Die Peakhöhe ist nur der Wert der Korrelationsspitze für jeden Pixel. Dies kann verwendet werden, um irrelevanten Teil des Ergebnisbildes zu maskieren. Der Algorithmus wird typischerweise verwirrt sein, wo es keine Struktur gibt, die korreliert. In diesen Teilen des Bildes wird die Peakhöhe typischerweise niedrig sein, dann kann sie das Peakhöhenbild schwellen und es verwenden, um das Ergebnisbild zu maskieren. 1.0 - 18. April 2009 - Erste Veröffentlichung. 1.1 - 19. April 2009 - kann nun zwischen Frames unterbrochen werden. 1.2 - 20. April 2009 - ist jetzt multithreaded. NOISE REDUCTION DURCH BILDVERWERTUNG Bildrauschen können die Detailgenauigkeit in Ihren Digital - oder Filmfotos beeinträchtigen, so dass dieses Rauschen Ihr endgültiges Bild erheblich verbessern kann. 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 Kompromisse zu machen, 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 die Helligkeitsveränderung wie folgt verringert werden: 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 Größe der Rauschschwankung 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.