Нажмите "Enter" для пропуска содержимого

Автоматическое определение точек белого черного серого: Использование корректировки «Кривые» в Photoshop

Содержание

Шаг 3. Настройка точек белого и черного вручную для каждого канала

Рис. 8. Пример автоматической (вверху) и ручной (внизу) установки точек белого и черного

Очень часто автоматическая настройка точек приводит к невыразительным результатам. Ручная установка позволяет получить более сильный контраст за счет незначительных потерь второстепенной информации, как это показано на рис. 8. Для этого необходимо настроить точки черного и белого, поочередно выбирая из верхнего списка все цветовые каналы. При этом в разделе RGB лучше ничего не трогать. Хочется заметить, что данный этап требует наличия некоторого опыта, поэтому начинающим его лучше просто опустить.

Шаг 4. Настройка баланса серого

Рис. 9. Воспользуйтесь пипеткой, для того чтобы установить баланс серого по образцу

После предыдущих этапов велика вероятность появления оттенка в изображении. Настройте баланс серого, щелкнув пипеткой по какому-нибудь нейтральному объекту в сцене (лист бумаги, асфальт и т. п.). Сразу попасть в нужную точку не всегда удается, поэтому приходится искать ее опытным путем. Лучше всего, если это будет средний по тону объект — не очень светлый и не очень темный, тогда надежность результата намного выше.

Шаг 5. Осветление или затемнение

Рис. 10. Пример автоматической (вверху) и ручной (внизу) установки точек белого и черного

Собственно сама операция осветления или затемнения изображения осуществляется перемещением среднего (серого) маркера в разделе RGB верхнего выпадающего списка. Поскольку к этому моменту, как правило, баланс цветов уже настроен, операция сохранит скорректированные цвета, действуя преимущественно на светлоту. На рис. 10 представлен пример изображения с цветовым оттенком, возникшим вследствие неверного определения параметров съемки. В нем сначала были автоматически установлены точки белого и черного, а затем с помощью пипетки настроен баланс серого.

Алгоритм поднятия яркости в тенях

Знающие специалисты без труда укажут на недостаток алгоритма типовой тоновой коррекции, приведенного выше. Основная проблема цифровой фотографии состоит в осветлении (поднятии) теней так, чтобы не произошло «выбеливания» картинки и не проявились цветовые артефакты (красно-синие шумы). Рассмотренный выше алгоритм не гарантирует ни того, ни другого.

Пошаговая типовая тоновая коррекция.

Шаг 1. Загрузим композитный канал в качестве выделения

Выполняем <Ctrl>+щелчок по имени композитного канала RGB в палитре Channels (Каналы). При этом светлым элементам изображения будут соответствовать выделенные фрагменты, темным — невыделенные. Нам нужно наоборот.

Шаг 2. Обратим выделение

Воспользуемся командой Select, Inverse из главного меню, чтобы выделенными стали тени, а не света изображения.

Шаг 3. Переходим в режим быстрой маски (Quick Mask)

Мы хотим получить возможность воздействия на канал выделения. Для перехода в режим быстрой маски можно просто нажать клавишу <Q>.

Шаг 4. Выполняем операцию Equalize

Операция имеет наиболее спорное назначение, но в данном контексте гарантирует эффективное использование тонового диапазона каналом выделения независимо от того, насколько темным или светлым было исходное изображение. В принципе, этот шаг можно вообще исключить, но тогда на разных оригиналах действие последовательности будет сильно разниться. Итак, главное меню Image, Adjustments, Equalize.

Шаг 5. Возвращаемся в стандартный режим

Выходим в Standard Mode, чтобы продолжить работу с выделением в традиционной манере.

Шаг 6. Создаем корректирующий слой Levels

Рис. 11. Создание корректирующего слоя

Вызываем либо команду главного меню Layer, New Adjustment Layer, Levels, либо воспользуемся кнопкой палитры Layers, как показано на рис. 11. При этом текущее выделение будет автоматически применено как маска корректирующего слоя.

Шаг 7. Настраиваем степень осветления

Перемещая средний (серый) ползунок, добиваемся требуемого осветления теней. Основной критерий — читабельность важных элементов в тенях. При этом, возможно, тени станут менее контрастными и блеклыми. Этот недостаток будет скомпенсирован на девятом шаге.

Шаг 8. Назначаем корректирующему слою режим наложения Luminosity (Яркость)

Это нужно для компенсации цветных шумов, появившихся после предыдущего этапа. Они возникают вследствие сильного расхождения в соотношениях между цветовыми каналами при значительном гамма-осветлении (рис. 12, 13).

Рис. 12. Назначение корректирующему слою режима наложения (Luminosity)

Рис. 13.

Фрагмент изображения до и после назначения режима наложения

Шаг 9. Применяем гамма-корекцию к маске корректирующего слоя

Вызываем команду главного меню Image, Adjustments, Levels, в результате чего затемняем маску корректирующего слоя так, чтобы восстановить контраст, пострадавший после операции на восьмом шаге. Для этого просто двигаем средний (серый) ползунок вправо (в редких случаях может понадобиться тянуть влево).

Шаг 10. Гауссово размытие маски корректирующего слоя

Этот шаг, как и предыдущий, не обязателен, но несколько улучшает внешний вид и возвращает «съеденные» мелкие элементы. Радиус размытия берется обычно не слишком большим (0,5–3 пикселя). Результат имеет много общего с эффектом нерезкого маскирования.

Пример применения алгоритма поднятия теней, вверху — исходное изображение, внизу – откорректированный вариант

Абсолютно все операции рассматриваемой последовательности могут быть описаны в терминах кривых, следовательно, существует эквивалентный тоновый график, выполняющий то же действие. Но, во-первых, искомая кривая будет иметь минимум 5 точек управления, а во-вторых, не сможет адаптивно подстраиваться под ваше изображение, подобно указанному алгоритму, не говоря уже о простоте настройки.

Device management/EIR | DELTA Solutions

Решение EIR на базе HP OpenCall обеспечивает функциональность автоматического обнаружения устройств необходимую для выявления изменений устройства абонента. Любое изменение устройства абонента будет обнаружено решением EIR. Обнаружение основывается на сохранении триплета MSISDN/IMSI/IMEI. Изменение абонентского устройства ведет к смене IMEI связанного с MSISDN; путем сравнения полученного IMEI с сохраненным, Решение EIR на базе HP OpenCall способно определить изменения, которые в свою очередь вызывает уведомление внешней системы.

Решение EIR является сигнальным шлюзом, который действует как Proxy EIR для MAP Check_IMEI сообщений.

Решение EIR на базе HP OpenCall использует преимущества интеграции и производительности платформы USP-M SS7 которая сочетает на едином сервере.

  • Функциональность HP Opencall USP-M включает SS7 и низкоуровневую обработку сигнального стека
  • Сервер приложений, который исполняет функции EIR

HP’s OpenCall Unified Signalling Platform (USP) — хорошо проверенное, и наиболее широко внедренное на рынке решение. Внутренние возможности HP-USP обеспечивают высоко доступное устойчивое производительное и масштабируемое решение, которое легко адаптируется к нуждам оператора от решения начального уровня до сложных распределенных решений.

Решение EIR на базе HP OpenCall может функционировать как в режиме EIR proxy, так и в режиме полноценного EIR. Если опция EIR включена, Решение действует как EIR и может выполнять такие функции как:

  • База данных EIR соответствует формату интерфейса CEIR
  • Поддерживает белый, черный и серый списки
  • Обратный ответ на MSC с ответом на МАР запрос IMSI / IMEI

Сигнальный стек принимает check IMEI сообщение, отправленное MSC/VLR, используя интерфейс F. Производится извлечение IMEI и, в случае наличия, IMSI. Основная прикладная часть функциональности EIR поставляется со встроенной базой данных. Она совместима с CEIR форматом, опубликованной ассоциацией GSM. Белый, Черный и Серый IMEI списки импортируются (экспортируются) в базу данных с использованием формата, утвержденного GSM ассоциацией. Когда проверяемый IMEI получен сигнальным стеком, он используется прикладной логикой для запроса базы данных, получает статус IMEI и возвращает в MSC/VLR для продолжения (или прекращения) процедуры регистрации.

Для удовлетворения потребностей клиентов может быть развернут EIR с расширенной функциональностью. Решение EIR на базе HP OpenCall является сетевым компонентом, предназначенным для функциональности EIR с дополнительными опциями управления устройствами, такими как автоматическое определение клонов устройств и IMEI. В его состав входят:

  • Сигнальный стек, отвечающая за соединение с сетью SS7 (точка сигнализации)
  • Специализированная прикладная логика (расширенный EIR)
  • База данных

При получении IMSI с помощью проверки IMEI, могут быть активированы несколько дополнительных функций и расширенный EIR построит список пар IMSI-IMEI вместе с временем регистрации.

При использовании значений IMSI как фильтра, можно получить дополнительную функциональность EIR . Простейшим примером является разделение на роумеров и домашних абонентов.

Обнаружение того, что абонент использует новое устройство, означает, что данный IMSI начал использовать новый IMEI. Путем сравнения текущего (IMSI, IMEI) со встроенным списком, функциональность расширенного EIR определяет, использует абонент (IMSI) новое устройство (IMEI) или нет. Функциональность называется автоматическое обнаружение устройств, дающая возможность вызвать внешний компонент, которым, как правило, является система управления устройствами (DMS).

В данный момент времени только один IMSI можете использовать только один IMEI, любые другие комбинации являются случаями мошенничества. Как пример, технология, известная как клонирование IMEI заключается в исправлении IMEI украденных или нелегальных телефонных аппаратов с действительным (имеется в виду белым) IMEI. Когда аппарат регистрируется в сети, статус, возвращаемый EIR будет белым, и сеть продолжит процедуру регистрации. Базируясь на встроенном списке пар (IMSI, IMEI), и дополнительном сигнальном обмене, EIR с расширенной функциональностью обнаружит одновременное использование одного IMEI несколькими устройствами. Предупреждение об этом обычно передается в Систему защиты от мошенничества (FMS).

Решение EIR на базе HP OpenCall и его основные особенности

  • Управление черным / серым / белым списками
  • Поддержка управления данными из Центрального EIR и BSS оператора через ASCII-файлы в стандартном формате GSM
  • Выгрузка базы данных в ASCII-файлы в стандартном формате GSM для консолидации центрального EIR и BSS оператора
  • Поддержка расширенного CheckIMEI сообщения, содержащего IMSI в расширенных тэгах
  • Поддержка функциональности автоматического обнаружения устройств. Автоматическое определение «события», того что абонент использует другой телефон. Предоставление такого «события» и связанной с ним информации, системе управления устройствами (DMS).
  • Поддержка анализа IMEI
  • Поддержка IMEI в 16 позиционной форме. Решение позволяет настраивать обработку IMEI с учетом SV-части
  • Обнаружение клонов устройств
    • TAC не был выделен GSMA
    • Нулевой IMEI
  • Жесткая привязка IMEI к IMSI
  • Жесткая привязка IMSI к IMEI
  • ИБ БД реализовано посредством аутентификации и авторизации пользователей. Все запросы пользователей к БД и ответы БД шифруются по ssh

Цветовой пересчет оттенков серого

Фотографический — сохранение отношений между различными цветами в процессе сжатия гаммы.

Это вариант для фотографий с широкой гаммой, особенно при преобразовании в цветовое пространство с малой гаммой. Обычно не используется для изображений в оттенках серого.

Перцепционные

Презентация — увеличение насыщенности цвета при выполнении сжатия гаммы.

Векторные изображения и графика для презентаций. Обычно не используется для пересчета источника оттенков серого.

Насыщенность

Относительный колориметрический — сохраняет цвета в гамме и выполняет сопоставление цветов вне гаммы только при выполнении сжатия вне гаммы. Выполняет сопоставление исходной точки белого с целевой точкой белого (без имитации бумаги).

Точное согласование цветов векторной графики и логотипов. Оптимальный вариант для пересчета источника оттенков серого.

Относительный колориметрический

Абсолютный колориметрический — сохраняет цвета в гамме и выполняет сопоставление цветов вне гаммы только при выполнении сжатия вне гаммы. Не выполняет сопоставление исходной точки белого с целевой точкой белого (имитация бумаги).

Доказательство работы. Обычно не используется для пересчета источника оттенков серого.

Абсолютный колориметрический

Corel PaintShop Pro X9. Руководство

260

При использовании положительных чисел самые темные 
области фотографии становится светлее; при 
использовании отрицательных чисел — темнее. При 
нулевом значении исходная настройка сохраняется.

3 Введите или установите значение в поле Четкость.

При использовании положительных чисел увеличивается 
детализация; при использовании отрицательных чисел 
уменьшается детализация и фокус. При нулевом значении 
исходная настройка сохраняется.

4 Нажмите кнопку ОК.

Увеличение глубины и четкости

Рабочее пространство «Правка»

1 Выберите Настройка  Яркость и контрастность  

Локальное сопоставление тонов.
Откроется диалоговое окно «Локальное сопоставление 
тонов».

2 Введите или установите значение в поле Интенсивность.

Используйте наименьшее значение, обеспечивающее 
удовлетворительный результат. Слишком высокие значения 
приводят к появлению на фотографии нежелательных 
дефектов.

3 Нажмите кнопку ОК.

Элемент управления масштабом, доступный в этом 
диалоговом окне, можно использовать для настройки 
вида изображения в окнах «До» и «После».

Настройка изображений

261

Изменение яркости цветового канала

Рабочее пространство «Правка»

1 Выберите Настройка  Яркость и контрастность  

Кривые.
Откроется диалоговое окно «Кривые».

2 В раскрывающемся списке Канал выберите один из 

следующих вариантов цветовых каналов.
•  RGB: редактирование красного, зеленого и синего 

каналов в объединенной гистограмме.

•  Красный: изменение только канала красного.
•  Зеленый: изменение только канала зеленого.
•  Синий: изменение только канала синего.

3 Перетащите точки на графике для настройки взаимосвязи 

между уровнями ввода (яркость исходных пикселей) и 
уровнями вывода (яркость откорректированных пикселей).
При перетаскивании точки кривой в левом верхнем углу 
графика гистограммы для точки отображаются исходные и 
измененные значения осветления пикселей. Исходное (или 
вводное) значение отображается слева, а измененное (или 
выходное) — справа.

4 Нажмите кнопку ОК.

Дополнительные возможности

Добавление точки на кривую

Щелкните в том месте кривой, 
где требуется добавить точку.
Примечание. Чем больше точек 
будет добавлено на кривую, тем 
точнее можно будет настроить ее 
форму.

Удаление точки с кривой

Перетащите точку в область 
непосредственно слева или 
справа от графика.

iMac с 27-дюймовым экраном

тест дисплея

Спустя некоторое время после тестирования ЖК-монитора Apple LED Cinema Display нам предложили протестировать внешне очень похожее устройство, но уже не нуждающееся в системном блоке — моноблок iMac с 27-дюймовым экраном. Данная статья посвящена только и исключительно дисплею этого устройства, и самый главный вопрос, на который хотелось получить ответ, это «а одинаковые ли дисплеи у Apple LED Cinema Display и iMac?».

Содержание:

Технические характеристики

Тип матрицыIPS со светодиодной подсветкой
Диагональ685,8 мм (27 дюймов)
Отношение сторон16:9
Разрешение2560×1440 пикселей
Яркость375 кд/м²
КонтрастностьНе указано
Углы обзора178° (гор.) и 178° (верт.)
Время откликаНе указано
Количество отображаемых цветовМиллионы
Ссылка на сайт производителяwww.apple.com/ru/imac/
Отчет MonInfo

Внешний вид

Внешне экран выглядит в точности таким же, что и у Apple LED Cinema Display. Такой же стеклянный, зеркально-гладкий и с антибликовым фильтром. Отношение к глянцу на экране меняется в зависимости от обстановки и настроения. То, вроде, его и не замечаешь, то на темных частях изображения в освещенном помещении начинает что-то в экране отражаться и раздражать. Однако, в любом случае подкупает высочайшая четкость картинки и полное отсутствие «кристаллического» эффекта, заметного на некоторых мониторах с матовым экраном. Пожалуй, это единственный раздел с субъективными впечатлениями, далее мы приводим результаты аппаратных тестов и их обсуждение. Так как наш аппаратно-программный комплекс рассчитан на работу с ОС семейства Windows, то на iMac была установлена ОС Windows 7 и все тесты проводились под ней.

Тестирование ЖК-матрицы

Оценка качества цветопередачи

Для оценки характера роста яркости на шкале серого мы измерили яркость 256 оттенков серого (от 0, 0, 0 до 255, 255, 255). График ниже показывает прирост (не абсолютное значение!) яркости между соседними полутонами:

Рост прироста яркости в целом равномерный, и каждый следующий оттенок значимо ярче предыдущего, начиная от черного:

Аппроксимация полученной гамма-кривой дала показатель 2,26, что близко к стандартному значению в 2,2, при этом аппроксимирующая показательная функция практически не отклоняется от реальной гамма-кривой:

Аналогичные тесты были проведены после программной калибровки (см. ниже). Дифференциальный график не претерпел существенных изменений:

То есть количество отображаемых оттенков на шкале серого не уменьшилось. В тенях яркость стала расти быстрее, что только улучшило различимость градаций темных оттенков:

Гамма-кривая также осталась близкой к показательной функции, но теперь с показателем 2,23, что незначительно отличается от первоначального значения:

Яркость белого поля уменьшилась после калибровки незначительно — с 368 до 350 кд/м². Для оценки качества цветопередачи и программной калибровки мы использовали спектрофотометр X-Rite ColorMunki Design и комплект программ Argyll CMS (1.1.1).

Цветовой охват близок к sRGB:

Ниже приведен спектр для белого поля (белая линия), наложенный на спектры красного, зеленого и синего полей (линии соответствующих цветов).

Компоненты основных цветов имеют характерный для устройств со светодиодными источниками света унимодальный вид. Графики ниже показывают цветовую температуру на различных участках шкалы серого и отклонение от спектра абсолютно черного тела параметр ΔE до и после проведения программной калибровки (целевыми параметрами были точка белого 6500 К, и гамма-кривая с показателем 2,2). Близкий к черному диапазон можно не учитывать, так как в нем цветопередача не так важна, а погрешность измерения цветовых характеристик высокая:

Видно, что программная коррекция позволила снизить ΔE с 4 до пренебрежимо малой величины, но чуть-чуть повысила цветовую температуру относительно стандартных 6500 К. Впрочем, даже без калибровки качество цветопередачи высокое, поэтому в большинстве случаев выполнять ее особого смысла не имеет.

Измерение равномерности черного и белого полей, яркости и энергопотребления

При измерении равномерности белого и черного полей датчик яркости последовательно размещался в 25 точках экрана, расположенных с шагом 1/6 от ширины и высоты экрана (границы экрана не включены). Контрастность вычислялась, как отношение яркости полей в измеряемых точках.

ПараметрСреднееОтклонение от среднего
мин., %макс., %
Яркость черного поля0,52 кд/м²−7,728,7
Яркость белого поля366 кд/м²−6,87,7
Контрастность708:1−22,45,8

Аппаратные измерения показали очень хорошую равномерность белого поля. Равномерность черного поля и контрастности не очень высокие, что отличается от результатов, полученных в случае Apple LED Cinema Display. Фотография черного поля, приведенная ниже, раскрывает причину этого:

На нижней кромке ближе к правому углу есть локальное повышение яркости черного поля, и именно из-за этого одно измерение дало высокое значение яркости черного поля и, соответственно, низкое значение контрастности. Причина возникновения этой области может крыться в незначительно дефекте сборки, поэтому если есть возможность выбора из нескольких экземпляров, то мы советуем вывести черное поле во весь экран и убедиться, в отсутствии областей с повышенной яркостью.

Яркость белого поля в центре экрана определялась с помощью яркомера «Аргус-02».

Значение настройки ЯркостьЯркость, кд/м²Потребление электроэнергии в простое, Вт
15368141,4
815688,7
027,358,5

Под Mac OS X яркость регулируется в настройках экрана, там же можно включить режим с автоматической подстройкой яркости в зависимости от уровня внешней освещенности (похоже, этот режим реально работает только при значениях настройки яркости меньше максимального). Под Windows 7 яркость регулируется в настройках энергопотребления (16 шагов без численного значения), и где-то в дебрях настроек мелькал параметр, возможно включающий режим с автоматической подстройки яркости. Однако так как у автора присутствует стойкая идиосинкразия к дизайну и устройству контрольной панели Windows последних версий, то функционирование этого режима под Windows не проверялось.

При уменьшении яркости меняется только яркость подсветки, т.е. без ущерба для качества изображения (сохраняется контрастность и количество различимых градаций) яркость дисплея можно менять в очень широких пределах, что позволяет с комфортом работать и смотреть фильмы как в освещенном, так и в темном помещении. На пониженной яркости мерцание подсветки не видно. Видимо, управление яркостью светодиодной подсветки реализовано без использования традиционной широтно-импульсной модуляции (или с использованием ШИМ с очень высокой частотой). Графики ниже демонстрируют зависимость яркости от времени при различных значениях настройки яркость в окне 17 мс:

Различимая на графиках для пониженной яркости высокочастотная модуляция (7660 Гц) с небольшой амплитудой никак не может вызывать видимое мерцание подсветки.

Определение времени отклика

Время отклика при переходе черный-белый-черный равно 12,8 мс (7,5 мс вкл. + 5,3 мс выкл.). Переходы между полутонами происходят в среднем за 18,1 мс в сумме. Никакого разгона матрицы нет.

Задержка вывода изображения относительно ЭЛТ-монитора по понятным причинам не производилась, но ощущения свидетельствуют, что задержка незначительная.

Измерение углов обзора

Чтобы выяснить, как меняется яркость экрана при отклонении от перпендикуляра к экрану, мы провели серию измерений яркости черного, белого и оттенков серого в центре экрана в широком диапазоне углов, отклоняя ось датчика в вертикальном, горизонтальном и диагональном (из угла в угол) направлениях.

Уменьшение яркости на 50% от максимального значения:

НаправлениеУгол, градусы
Вертикальное35/−35
Горизонтальное44/−45
Диагональное39/−39

Отметим плавное уменьшение яркости при отклонении от перпендикуляра к экрану в горизонтальном направлении, при этом графики не пересекаются во всем диапазоне измеряемых углов. Чуть быстрее падает яркость при отклонении в вертикальном направлении. При отклонении в диагональном направлении поведение яркости оттенков имеет промежуточный характер между вертикальным и горизонтальным направлениями, за исключением яркости черного поля, которая начинает резко возрастать уже при 20° отклонения от перпендикуляра к экрану. Если сидеть от экрана на расстоянии 60—70 см, то черное поле по углам уже будет заметно светлее, чем в центре. Контрастность в диапазоне углов ±82° для двух направлений значительно превышает 10:1 и только при отклонении по диагонали касается отметки 10:1 при примерно 77° отклонения.

Для количественной характеристики изменения цветопередачи мы провели колориметрические измерения для белого, серого (127, 127, 127), красного, зеленого и синего, а также светло-красного, светло-зеленого и светло-синего полей во весь экран с использованием установки, подобной той, что применялась в предыдущем тесте. Измерения проводились в диапазоне углов от 0° (датчик направлен перпендикулярно к экрану) до 80° с шагом в 5°. Полученные значения интенсивностей были пересчитаны в отклонение ΔE относительно замера каждого поля при перпендикулярном положении датчика относительно экрана. Результаты представлены ниже:

В качестве реперной точки можно выбрать отклонение в 45°, что может быть актуальным в случае, например, если изображение на экране рассматривают два человека одновременно. Критерием сохранения правильности цветов можно считать значение ΔE меньше 3. Из графиков следует, что при взгляде под углом основные цвета и их светлые варианты изменяются незначительно, что характерно для матрицы типа IPS и является ее главным преимуществом. Исключениями являются только светло-синий при отклонении по вертикали, а так же он и синий при отклонении по диагонали.

Выводы

За исключением немного лучшей цветопередачи в исходном, некалиброванном состоянии, дисплей iMac с 27-дюймовым экраном по всем основным характеристикам не отличается от дисплея ЖК-монитора Apple LED Cinema Display. Замеченные расхождения в значениях некоторых характеристик можно объяснить разбросом между экземплярами матриц и тем, что условия работы матрицы в iMac чуть-чуть другие — например, из-за большего нагрева. Локальное повышение яркости черного поля мы отнесем к дефекту конкретного экземпляра, а потому не будем выносить в недостатки. В целом по совокупности свойств дисплей можно считать универсальным устройством отображения — на нем комфортно работать с графикой, смотреть фильмы, играть и выполнять типичную офисную работу.

Достоинства:
  • Отличное качество изображения
  • Регулировка яркости подсветки в широких пределах
  • Отсутствие мерцания подсветки при понижении ее яркости
Недостатки:

Инструмент «Уровни» (Levels), основы и принцип работы

Автор Дмитрий Евсеенков На чтение 14 мин Просмотров 266 Обновлено

Ранее, в серии уроков по тональной и цветовой коррекции фотографий в Photoshop, мы рассмотрели три полностью автоматических инструмента настроек изображения это Автотон, Автоконтраст и Автоматическая цветовая коррекция. Затем мы изучили, как улучшить общую яркость и контрастность изображения с помощью одноимённого инструмента Яркость/Контрастность, и узнали, как восстановить скрытые детали на фотографиях с большим контрастом, используя настройку Тени/Света.

И хотя каждая из этих настроек изображения имеет свою область применения, все они имеют один общий недостаток — отсутствие точного контроля над изменением изображения, что необходимо для коррекции фотографии профессионального уровня. Конечно, «Яркость/Контрастность» и «Тени/Света» являются мощными инструментами, а автоматические коррекции могут выдавать серьёзные результаты при обработки некоторых изображений. Но дело в том, что всего этого, только с лучшими результатами, мы можем достичь, применяя более профессиональные инструменты.

Мы уже сделали первый шаг на пути к коррекции изображения на профессиональном уровне, изучив, как читать и понимать гистограмму изображения (если вы не читали этот материал,, я настоятельно рекомендую вам его прочитать, прежде чем продолжить). Гистограммы показывают нам распределение яркости в тоновом диапазоне изображения, от чисто чёрного до чисто белого, с её помощью легко обнаружить потенциальные проблемы, к примеру плохой общий контраст или отсечение деталей в тенях/светах. В этом уроке мы будем рассмотрим, как с помощью инструмента «Уровни» (Levels) улучшить тоновый диапазон изображения,основываясь на данных гистограммы.

Для начала, чтобы получить общее предоставление о действие «Уровней», мы начнём с элементарных вещей, а именно, попытаемся «исправить» черно-белый градиент. Я понимаю, это звучит бессмысленно, но и именно работа с градиентом даст наглядное представление о том, что же происходит с изображением при изменении параметров в диалоговом окне «Уровней», а уже после этого перейдём к практической работе с реальной фотографией.

Итак, я создаю новый документ в Photoshop и заливаю его горизонтальным градиентом от тёмно-серого к светло-серому:

Градиент от тёмно-серого к светло-серому.

 

А теперь важный момент. Представьте себе, что это должен быть идеальный черно-белый градиент, иными словами, он должен начинаться с чистого черного цвета на крайнее левой вертикальной полосе, справа на крайней полосе должны быть чисто белые пиксели, а между ними плавный тоновый переход. Но вместо этого, вместо черного с левой стороны, у нас имеется более светлый оттенок серого. И вместо белого справа, мы имеем более темный оттенок серого. Без каких-либо чисто черных и/или белых цветов у изображения снижена контрастность, и из-за этого фотография становится тусклой и унылой, как мой градиент. Мы здесь рассматриваем градиент, но это распространённая проблема, от которой страдают многие фотографии, из-за того, что фото передержано, выцвело и т.п. И как раз для исправления подобных проблем в Photoshop был разработан инструмент «Уровни».

В Photoshop имеется несколько способов применения «Уровней» к изображению, самый простой из них, который будет использован здесь — применение в виде статической регулировки. Кроме этого, инструмент может быть применён как корректирующий слой, что делает регулировку неразрушающей, а начиная с версии Photoshop CC 2015 мы можем применить «Уровни» (и любые другие настройки изображения Photoshop) как редактируемые смарт-фильтры! Мы рассмотрим, как применять «Уровни» в качестве корректирующего слоя и смарт-фильтра в следующих руководствах. На данный момент наше внимание будет сосредоточено на принципе работы инструмента, так что для упрощения я применю «Уровни» как статическую регулировку.

Сделать это можно через вкладку главного меню Изображение —> Коррекция —> Уровни (Image —> Adjustments —> Levels), либо нажать комбинацию клавиш Ctrl+L.

Поскольку мы собираемся применять «Уровни» непосредственно к самому слою, что делает постоянными изменения в пикселях в изображении, перед применением следует создать копию оригинального слоя, нажав клавиши Ctrl+J. Панель слоёв теперь должна выглядеть как на рисунке:

Панель слоёв с дублированным фоновым слоем.

 

Слой-копию можно переименовать в содержащее смысл название, давать слоям описательные имена — хорошая привычка.

На данный момент в панели слоёв должна быть выбрана копия фонового слоя. Применяем к слою инструмент «Уровни» одним из перечисленных выше способов, я обычно нажимаю Ctrl+L., после чего открывается диалоговое окно инструмента:

Диалоговое окно «Уровней».

 

Кстати, то же диалоговое окно мы применяли ранее для изучения гистограммы изображения.

Оценка гистограммы

Гистограмма является графиком, который показывает нам, где и как текущий тональный диапазон изображения (в моем случае, градиента) распределяется между черным и белым. Под графиком гистограммы расположен бар в виде черно-белого градиента, он называется «Выходные значения» (Output Levels).. Этот бар показывает нам полный спектр возможных значений яркости (тональных значений), которые изображение может содержать, от черного слева до белого справа. Всего возможных значений яркости 256, от чёрного (0) до белого (255), и 254 уровня между ними..

Каждый из 256-ти столбцов гистограммы расположен над определённым участком полосы градиента, этот участок показывает значение яркости столбца. Гистограмма не представляет фактическое количество пикселей в изображении, поскольку большинство современных изображений содержат миллионы пикселей, что сделало бы гистограмму слишком большой, чтобы поместиться на экране. Вместо этого она просто даёт нам общее представление о том, сколько имеется пикселей в изображении определенного уровня яркости по сравнению с пикселями других уровней яркости. Чем выше столбец гистограммы — тем большее количество пикселей этого уровня яркости содержится в изображении. Если на каком-либо участке гистограммы столбцы отсутствуют, это значит, что в изображении отсутствуют пиксели этой яркости.

Давайте внимательнее посмотрим на то, что показывает моя гистограмма градиента. В «среднестатистическом» фото гистограмма, как правило, простирается на всём протяжении от чистого черного цвета в крайнее левом положении до чистого белого в крайне правом. Это, как правило, является признаком того, что фотография сделана с нормальным экспонированием и имеет детали по всему тоновому диапазону (тени, полутона и яркие тона). Хотя это бывает это не всегда так, как мы узнали из урока о низком и высоком ключе изображения, но, тем не, менее, это все-таки полезный, общий принцип.

В гистограмме градиента мы видим совсем другое. Вместо того, чтобы простираться через весь тональный диапазон слева направо, моя гистограмма скучена в середине. Обратите внимание на то, что левая часть гистограммы, которая представляет самые темные пиксели изображения, даже близко не начинается из крайнего левого положения. Если мы мысленно проведём вертикальную линию от левого края графика вниз до градиента, то увидим, что левая сторона фактически начинается с более светлого оттенка серого. Это говорит нам, что в данный момент изображение не имеет оттенков темнее, чем пиксели этого серого оттенка. На рисунке ниже я показал это с помощью красной линии:

Левая сторона гистограммы начинается с более светлого, чем черный, оттенка серого.

 

Аналогичная ситуация и с правой стороны гистограммы — правая часть начинается не с края, а с более тёмного, чем белый, оттенка серого цвета. На рисунке я показал соответствие оттенка цвета изображения точке градиента «выходных значений» и началу графика:

Светло-серый оттенок изображения на графике гистограммы.

 

Теперь, когда мы рассмотрели гистограмму, мы знаем, что моё изображение с градиентом не имеет чёрных, белых и близких к ним по тону пикселей. Самые темные пиксели изображения в настоящее время светлее, чем черный, самые светлые пиксели темнее, чем белые, всё это приводит к снижению общего контраста. Далее мы поговорим о том, как это легко исправить, ведь тени должны быть темнее, а светлые области — светлее.

Регулировка ползунками чёрных и белых точек

Итак, как же мы можем улучшить тоновый диапазон с помощью «Уровней»? На нижней стороне графика гистограммы имеются три ползунка: слева чёрный, права белый, а посередине — серый. Каждый из этих ползунков управляет определённой частью тонового диапазона. Левый ползунок называется слайдером чёрных точек, правый — слайдером белых точек, средний ползунок известен как гамма-слайдер, но обычно его называют слайдером среднего тона и используется, чтобы осветлить или затемнить средние тона:

Слайдер чёрных точек слева, слайдер белых точек справа и слайдер полутонов (гамма-слайдер) посередине

 

Давайте начнем изучение со слайдера чёрных точек. Этот ползунок используется для установки новой точки чёрного для изображения, но что это значит? Мы знаем, что левый край гистограммы показывает нам количество чёрных и близких к чёрному тону пикселей в изображении. Моя гистограмма говорит нам, что самые темные пиксели моего изображения, которые должны быть черными, на самом деле даже не близки к черному. У моей гистограммы очень большой разрыв между левым краем окна гистограммы и левым краем самого графика гистограммы, и это пустое пространство означает, что в изображении не хватает деталей в этих тонах:

Разрыв в левой части гистограммы означает, что в изображении не хватает чёрных и тёмных деталей.

 

Нам нужен способ закрыть этот пробел. Другими словами, мы должны взять самые тёмные пиксели моего изображения (которые на данный момент тёмно-средне-серые) и сделать самые тёмные их них чёрными, а более светлые затемнить. И делается это с помощью перемещения ползунка чёрных точек вправо, туда, где начинается левый край гистограммы:

Перемещение ползунка чёрных точек к левому краю гистограммы.

 

Вы заметите, что во время перемещения ползунка вправо, значение в поле ввода под ним возрастает, в моём случае, когда я добрался до левого края гистограммы, оно увеличилось с нуля до 39-ти. Это значит, что самые тёмные пиксели в моём изображении до начала корректировки были с уровнем яркости 39, следовательно, пиксели всех уровней яркости от 0 до 38-ми в изображении отсутствовали. Перемещая ползунок точки черного до уровня 39, что мы указываем Photoshop`у, чтобы он затемнил все пиксели изображения с уровнем яркости 39 до чисто чёрного (уровень яркости ноль). Это и есть то, что мы подразумеваем под фразой «установить новую черную точку»:

Черная точка была увеличена с 0 (по умолчанию) до уровня яркости 39.

 

Но Photoshop не ограничился только лишь затемнением пикселей уровня 39 до уровня 0. Он плавно затемнил (с помощью сложного нелинейного алгоритма) и другие, менее тёмные пиксели, затемнению подверглись пиксели уровня 39 до примерно 122 (средне-серого уровня), но не только затемнил, а сделал плавными переходы между уровнями яркости. Давайте посмотрим, что же произошло с моим градиентом после перемещения ползунка. Теперь градиент имеет чёрные и тёмно-серые цвета. Итак. благодаря простому перемещению ползунка, изображение получило недостающие тёмные оттенки:

 

После установки новой точки черного, левая сторона градиента теперь такая тёмная, как это и должно быть. Для сравнения с исходным изображением, наведите мышку на рисунок.

 

Настройка светлых тонов с помощью слайдера белой точки

Слайдер белых точек правой части окна гистограммы работает точно так же, за исключением того, что она позволяет нам установить новую белую точку для изображения. Моя гистограмма имеет большой разрыв между правым краем окна гистограммы и правым краем самой гистограммы, а теперь мы уже знаем, что это означает, что в изображении пропущено много деталей в светах. Самые яркие пиксели изображения даже близко не приближаются к чисто белому:

Разрыв справа от гистограммы означает, что в изображении не хватает ярких деталей.

 

Чтобы исправить это, всё, что нам нужно сделать, это переместить слайдер белых точек в начало правого края гистограммы:

Перемещение ползунка белой точки к правому краю гистограммы.

 

Во время перемещения ползунка влево значение в поле ввода под ним меняется в меньшую сторону. Изначально оно равно 255 (значение по умолчанию для белого), а к тому моменту, когда ползунок достиг правого края гистограммы, число уменьшилось до 235. Тут полная аналогия ситуации с тёмными пикселями — самые яркие пиксели в моем изображении не было светлее уровня 235, т.е пиксели уровней от 236 до 255 отсутствовали, а это значит , нам не хватало аж целых 20 светлых тональных значений! Перемещая ползунок точки белого до значения 235, мы указываем Photoshop`у, чтобы он все пиксели с первоначальным уровнем ярости 235 превратил в чисто белые, т.е. осветлил их до уровня 255. Это то, что называется «установка новой точки белого». Мы установили, чтобы любые пиксели уровня 235 и выше осветлились до чисто белого.

Если мы еще раз посмотрим на мой градиент, то увидим, что правая сторона теперь стала красивой и яркой. Photoshop взял все пиксели, которые изначально были на уровне 235 и сделал их белыми. И точно так же, как в случае с ползунком чёрных точек, он перераспределил другие тональные значения светлых пикселей в сторону осветления, сохраняя плавные переходы между уровнями. Простым перетаскиванием двух ползунков по направлению к краям гистограммы, мы скорректировали тоновый диапазон, повысив при этом контрастность Теперь блеклый и скучный серо-серый градиент превратился в красивый и яркий чёрно-белый:

 

После установки новой точки белого, правая сторона градиента теперь стала белой. Для сравнения с исходным изображением, наведите мышку на рисунок.

 

Регулировка полутонов с помощью гамма-слайдера

Весьма часто встречается ситуация, когда после установки новых чёрной и белой точек изображение выглядит либо слишком темным либо слишком светлым, кажется, что некоторые детали вымываются. Это происходит потому, что корректировка точек черного и белого, как правило, влияет на полутона в изображении. Чтобы это исправить, всё, что нам нужно сделать, это перетащить вправо или влево ползунок полутонов (серый ползунок в середине, также известный, как гамма-слайдер). В моём случае с градиентом, проблемы с полутонами не возникает, но мы всё же посмотрим на результаты его перемещений, чтобы получить представление о том, какой эффект ползунок полутонов оказывает на изображение.

Ползунок полутона столь же легко используется, как и два предыдущих слайдера, но работает он немного по-другому. В отличие от ползунков черных и белых точек, которые позволяют нам установить конкретные тональные значения для новых черных и белых точек (в моем случае 39 и 235), ползунок полутона не работает с фактическими тональными значениями. Это основная причина, почему многие пользователи Photoshop смущаются его применять. Давайте рассмотрим это подробнее.

Окно ввода, расположенное непосредственно под ползунком среднего тона, представляет его текущее значение. Обратите внимание на то, что его значение по умолчанию равно 1,00. Сразу чувствуется, что что-то здесь по-другому. Я имею виду десятичную запятую. Значения двух остальных ползунков не имеют запятой, да и как значения яркости могут иметь десятичную запятую?

Слайдер полутонов (гамма-слайдер) со значением по умолчанию 1,00.

 

У пользователей возникает вопрос, почему ползунок посередине имеет значение 1,00, ведь если он расположен между 0 и 255, значит и должен иметь значение что-то около 128. Отвечаю, да, это верно, но только в случае, если это значение представляет собой фактическое тональное значение. Но это не так. Цифры в поле ввода на самом деле являются не числом, а показателем степени, описывающей логарифмическую кривую. И вместо того, чтобы устанавливать конкретную тональное значение, как мы это делали с черной и белой точки, перемещение ползунка полутона регулирует то, что известно как гамма-кривая (поэтому техническое название ползунка среднего тона является гамма-слайдер).
Но для нас нет никакой необходимости вдаваться в эти математические дебри и детально изучать гамма-кривые. Всё, что нам действительно нужно знать, чтобы избежать путаницы — это то, что число в поле ввода среднего тона не отражает фактический уровень яркости.

Так как же его использовать? Для начала надо понять, что значение по умолчанию 1,00 не производит вообще никаких изменений яркости среднего тона. Любое значение выше 1,00 будет увеличивать яркость в полутонах. Чем выше значение, тем ярче они будут становиться. Любое значение ниже 1,00 будет затемнять средние тона. Чем меньше значение — тем темнее. Важно отметить, что ползунок полутонов не имеет никакого влияния на черную и белую точки. Он влияет только на яркость тонов между ними.

Для того, чтобы показать вам, что я имею в виду, ниже я представил небольшую анимированную картинку, где значение средних тонов изменяется с 0,5 до 1,50:

Вид изображение при изменении значения гамма-слайдера с 0,5 до 1,50.

 

В следующем материале мы рассмотрим применение «Уровней» на реальном примере.

Глава 10. Улучшение фотографий

Одно из наиболее распространённых применений GIMP заключается в исправлении цифровых фотографий, которые по каким-либо причинам не совершенны. Такие изображения могут быть перевыдержанными, недовыдержанными, слегка повёрнутыми, не в фокусе — у GIMP для таких недостатков есть хорошие инструменты. Цель этой главы — дать обзор этих инструментов и ситуаций, когда они могут пригодится. Здесь не будет детальной инструкции: в большинстве случаев легче научиться эксперимертированием, чем чтением об инструментах. Также, каждый инструмент описан в своей собственной главе. Также в этой главе не будет описания разных специальных эффектов, которые можно применить к изображению с помощью GIMP. Вы должны быть знакомы с базовыми понятиями GIMP до того, как приметесь за эту главу, но быть экспертом GIMP необязательно. Если вы эксперт, то вы уже знаете материал этой главы. Не бойтесь экспериментировать: мощная система отмены в GIMP позволяет удалить следы практически всех ошибок нажатием клавиш Ctrl+Z.

Наиболее частые изменения в фотографиях можно разбить на четыре типа: улучшение композиции; улучшение цвета; увеличение резкости; удаление шума и других нежелательных объектов изображения.

1.2. Улучшение композиции

1.2.1. Вращение изображения

При фотографировании очень легко держать фотоаппарат не точно вертикально, что слегка поворачивает фотографию. В GIMP это устраняется инструментом Вращение. Активируйте инструмент нажатием на пиктограмму в панели инструментов или нажатием клавиш Shift+R внутри окна изображения. Убедитесь, что параметры инструмента видны и вверху параметр «Преобразование» установлен на «Слой». Теперь, при нажатии мышки появится сетка, которая будет вращаться по мере движения мышки. Когда сетка выглядит правильно, нажмите кнопку Вращать или нажмите клавишу Enter, и изображение повернётся.

Таким образом нелегко исправить изображение с первой попытки. Одно из решений — повернуть ещё на небольшой угол — нежелательно, поскольку, при каждом вращении, конечные точки не совпадают с начальными, и изображение становится слегка размазанным. Поворот второй раз добавляет размазывание, так что этого стоит избегать. Лучше отменить первое вращение, изменить угол вращения и попробовать ещё раз.

К счастью, в GIMP есть другой способ сделать то же самое, но легче. В параметрах инструмента установите значение параметра «Направление» на «Корректирующее (Назад)». Тогда, вместо поворота сетки, чтобы скомпенсировать ошибку, вы её поворачиваете, чтобы совместить с ошибкой.

Примечание

Начиная с версии «GIMP» 2.2, можно просмотреть результат поворота, а не только повёрнутую сетку. Это позволяет легче найти правильный угол с первого раза.

После вращения изображения образуются треугольные дырки по углам изображения. Их можно залить каким-нибудь нейтральным цветом, но лучше откадрировать изображение. Чем больше вращение, тем больше нужно кадрировать, поэтому лучше всего постараться выровнять фотоаппарат при фотографировании.

1.2.2. Кадрирование

При фотографировании цифровым фотоаппаратом есть больше возможностей выбрать, что попадёт в кадр, но это не всегда удаётся. Получаются изображения, которые нужно кадрировать. Кроме того, иногда для увеличения эффекта фотографии нужно убрать всё лишнее и оставить наиболее важные элементы изображения. Придерживайтесь правила «третей», которое гласит, что для наибольшего эффекта поместите эмоциональный центр фотографии на треть от края изображения, как по вертикали, так и по горизонтали.

Чтобы откадрировать изображение, активируйте инструмент Кадрирование на панели инструментов или нажатием клавиш Shift+C в окне изображения. Теперь нажмите и двиньте мышку, чтобы определить прямоугольник кадрирования. Когда район выбран, нажмите клавишу Enter.

1.3. Улучшение цвета

1.3.1. Автоматические инструменты

Несмотря на высокий контроль за экспозицией в цифровых фотоаппаратах, фотограции могут получится перевыдержанными или недовыдерженными, или со смещёнными цветами из-за особенностей освещения. В GIMP есть инструменты, позволяющие исправить цвета в изображении, от автоматических, вызываемые одним нажатием кнопки, до сложных со многими параметрами настройки. Начнём с простых.

В GIMP есть несколько автоматических инструментов корректировки цвета. К сожалению, они не всегда дают ожидаемый результат, но и не требуют много времени для вызова. В конце концов, они помогут вам понять цветовые характеристики изображения. За исключением инструмента «Автоуровни», эти инструменты находятся в меню изображения → .

Вот они с коротким описанием каждого из них:

Этот инструмент (в действительности, дополнение) полезно для недовыдержанных изображений: он изменяет всё изображение одинаково до тех пор, пока самая яркая точка не станет максимальной интенсивности, а самая тёмная точка — чёрной. Недостаток заключается в том, что степень осветления определяется самой светлой и самой тёмной точками, поэтому присутствие всего лишь одной белой и чёрной точки делает этот инструмент неэффективным.

Это сильный инструмент, который пытается расставить цвета равномерно по всему диапазону интенсивностей. В некоторых случаях эффект замечательный, увеличивая контраст в местах, где его трудно увеличить другими способами; но в большинстве случаев изображение получается причудливым.

Эта команда увеличивает диапазон насыщенности цветом слоя, не изменяя яркость или тон. Поэтому эта команда не эффективна с серыми изображениями.

Работает как и команда «Упорядочить», но по отдельности с каналами красного, зелёного и синего. У неё часто получается уменьшить смещение цвета.

Работает так же, как и команда «Увеличить контраст», но в цветовой модели HSV вместо RGB. Она сохраняет тон.

Эта команда может улучшить изображения с недостатком белого или чёрного, удаляя редко используемые цвета и растягивая остальные на максимальный диапазон.

Это можно сделать с помощью инструмента Уровни ( → → или → в меню изображения), нажатием на кнопку Авто в середине диалога. Покажется предварительный просмотр результата; нужно нажать кнопку Ok, чтобы результат сохранился. Нажатие кнопки Отменить возвращает изображение в первоначальный вид.

Если можно найти точку в изображении, которая должна быть полностью белой, и точку, которая должна быть чёрной, то возможно использовать инструмент Уровни для полуавтоматического исправления, что даёт приемлемый результат как в исправлении яркости, так и цветов по всему изображению. Сначала вызовите инструмент, как описано выше. Теперь найдите внизу диалога три кнопки с символами пипетки. Та, что слева, при зависании над ней, показывает, что её функция — «Выбрать чёрную точку».Нажмите на неё, а потом нажмите на точку в изображении, которая должна быть чёрной. Заметьте, как изменилось изображение. Затем нажмите на кнопку справа («Выбрать белую точку»), и нажмите в изображении на точку, которая должна быть белой. Изображение снова изменится. Если результат удовлетворяет, нажмите кнопку Ok, иначе — Отменить.

Это автоматические исправления цвета; если ни один из этих инструментов справился с задачей, до пора переходить на интерактивные инструменты цвета. Все они кроме одного находятся в меню изображения → . После выбора инструмента цвета нажмите в окне изображения, чтобы появился диалог инструмента.

1.3.2. Проблемы с выдержкой

Самый простой инструмент — Яркость/Контраст. Он также наименее мощный, но во многих случаях делает всё, что требуется. Этот инструмент обычно используется для перевыдержанных и недовыдержанных изображений; его вряд ли стоит использовать для исправления смещения цвета. У инструмента два параметра, для «Яркости» и «Контраста». Если выбран «Просмотр» (его лучше выбрать), все изменения параметров тут же отобразятся в изображении. Когда нужный результат достигнут, нажмите кнопку OK, чтобы сохранить результат, иначе нажмите Cancel, чтобы работу инструмента отменить.

Более продвинутый, и только слегка более сложный, способ исправления проблем выдержки — использовать инструмент Уровни. Диалог этого инструмента выглядит сложным, но для простого использования можно работать только в области «Уровни на входе». Там ниже гистограммы расположены три треугольных ползунка. За подробным писанием обратитесь в раздел Инструмент Уровни, но самый лёгкий способ использования — экспериментирование — передвигать ползунки и смотреть, как изменится изображение. Для этого убедитесь, что «Просмотр» внизу диалога выбран.

Очень сильный способ исправления проблемы с выдержкой — с помощью инструмента Кривые. Этот инструмент позволяет нажать и двигать управляющие точки кривой, чтобы создать соотношение между яркостью на входе и яркостью на выходе. Этот инструмент может сделать всё, что можно сделать инструментами Яркость/Контраст и Уровни, поэтому он сильнее обоих. За подробным описанием инструмента обратитесь в раздел Инструмент Кривые, но научиться легче всего экспериментированием.

Самый сильный метод изменения яркости и контраста по всему изображению, используемый продвинутыми пользователями, это создать новый слой над рабочим слоем и установить режим нового слоя на «Умножение». Тогда новый слой служит конролёром усиления для нижнего слоя. Белый цвет даёт максимальное усиление, чёрный не даёт никакого. Поэтому, рисуя на слое, можно выборочно указывать яркость областей изображения, приобретая полный контроль за результатом. Старайтесь рисовать только плавными градиентами, потому что резкие переходы создадут края, которых не было. Рисуйте только серым, не цветом, если только не хотите сдвинуть цвет в изображении.

Режим «Умножение» — не единственный режим, полезный в управлении усилением. В частности, этот режим тожет только затемнить области изображения и никогда не осветлить. Поэтому он полезен для перевыдержанного изображения. У режима «Деление» обратный эффект: он может только осветлить области изображение и никогда не затемнить. Вот подсказка как выявить максимальное количество деталей по всему изображению:

  1. Создайте копию слоя (копия станет выше исходного слоя в стопке слоёв).

  2. Уберите насыщенность нового слоя.

  3. Примените Гауссово размывание к результату с большим радиусом (от 100 и больше).

  4. Установите режим в диалоге слоёв на Деление.

  5. Управляйте величиной исправления изменением прозрачности нового слоя в диалоге слоёв или с помощью инструментов Яркость/Контраст, Уровни или Кривые.

  6. При получение нужного результата можно Свести изображение, чтобы объединить контрольный слой с исходным.

Кроме режимов «Умножение» и «Деление» можно получить полезные эффекты с другими комбинациями режимов слоёв, например, с режимом «Осветление», «Затемнение» или «Рассеяный свет». Но не углубляйтесь во все параметры: при всём множестве режимов трудно будет принять решение.

1.3.3. Исправление тона и насыщенности.

Из нашего опыта мы можем сказать, что если у изображения сдвинуты цвета — слишком много красного или синего и т.д. — легче всего это исправить с помощью инструмента Уровни, изменяя уровни по отдельности для красного, зелёного и синего каналов. Если это не срабатывает, тогда можно попробовать инструменты «Цветовой баланс» или «Кривые», но их сложнее использовать эффективно. Они очень хороши для создания определённого типа спецэффектов.

Иногда трудно понять, если вы достаточно исправили цвета. Объективно самый лучший способ это найти точки, которые вы знаете должны быть белыми или серыми. Активируйте инструмент Пипетка и нажмите на такую точку. Появится диалог инструмента. Если цвета исправлены правильно, то компоненты красного, зелёного и синего выбранной точки будут одинаковы; если нет, то нужно найти дополнительные изменения. Этот метод при правильном использовании позволяет даже цвето-нечуствительным людям исправить цвета в изображении.

Если изображение вымыто — как легко случается при фотографировании при ярком свете — попробуйте инструмент Тон/Насыщенность. Он даёт три ползунка, чтобы изменять тон, освещённость и насыщенность. Повышение насыщенности скорее всего улучшит изображение. В некоторых случаях полезно исправить одновременно и освещённость. («Освещённость» здесь подобна «Яркости» в инструменте Яркость/Контраст, но состоят из разных частей красного, зелёного и синего. Инструмент Тон/Насыщенность позволяет исправлять ограниченные диапазоны цветов (кнопки в верхней части диалога), но для получения естественных результатов лучше этого избегать.

Подсказка

Даже если изображение не выглядит вымытым, часто ему можно придать больше выразительности, слегка увеличив насыщенность. Ветераны эры плёнки называют этот трюк «Фуджированием», от название плёнки Фуджихром, известная своим свойством создавать сильно насыщенные фотографии.

Если фотографировать при слабом свете, может случиться другая крайность — слишком много насыщенности. В этом случае тоже можно использовать инструмент Тон/Насыщенность, но снижая насыщенность, а не увеличивая её.

1.4. Исправление Резкости

1.4.1. Убирание размывания

Если фокус фотоаппарата неправильно установлен, или фотоаппарат движется во время фотографирования, получается размытое изображение. Если размывания слишком много, то скорее всего сделать ничего нельзя ни с каким инструментом. При умеренном размывании возможно улучшить изображение.

Наиболее часто используемая техника повышения резкости размытого изображения называется Повысить резкость (нерезкая маска). Не смотря на то, что это название скорее сбивает с толку, поскольку уходит во времена,когда так называлась особая техника проявления плёнки, цель этой техники — повыситьрезкость изображения, а не сделать его «нерезким». Это расширение, и получить к нему доступ можно через меню изображения Фильтры->Улучшение->Повысить резкость (нерезкая маска). У фильтра два параметра: «Радиус» и «Сила эффекта». Значения по умолчанию часто дают вполне хороший результат, поэтому попробуйте сначала их. Повышение значения или радиуса, или силы эффекта увеличивает итоговый эффект фильтра. Но не увлекайтесь: с очень высокими значениями нерезкая маска увеличивает объём шума в изображении и выводит на передний план искажения с острыми краями.

Подсказка

Иногда использование «нерезкой маски» приводит к изменению цвета в областях изображения с сильным контрастом. Если такое происходит, то лучше разобрать изображение на слои тон-насыщенность-значение (HSV), применить «нерезкую маску» только к слою значения и собрать слои обратно. Это эффективно потому, что человеческий глаз воспринимает яркость с бòльшим возможным разрешением, чем цвет. За дополнительной информацией обратитесь к главам Разобрать и Собрать.

В некоторых случаях можно получить хорошие резльтаты, выборочно повышая резкость в отдельных местах с помощью инструмента Резкость или размывание в режиме «Резкость». Это позволяет увеличить резкость областей, рисуя на них любой кистью. Помните, однако, что результат может быть не совсем естественный: повышение резкости усиливает как видимую резкость краёв, так и шум.

1.4.2. Уменьшение зернистости

При фотографировании при слабом свете или с очень короткой выдержкой у фотоаппарата нет достаточных данных, чтобы правильно определить цвет каждой точки. В результате получается зернистое изображение. Зернистость можно «сгладить» размазыванием изображения, но тогда теряется резкость. Есть пара других способов, которые могут дать лучшие результаты. Наилучший способ, если зернистость не велика, это использовать фильтр Выборочное Гауссово размывание, установив радиус размывания на 1 или 2 пикселя. Другой метод — использовать фильтр Удаление пятен. У этого фильтра есть просмотр, так что можно быстро перепробовать разные значения параметров, чтобы найти лучший результат. Если зернистость слишком велика, то единственным способом остаётся ретуширование вручную.

1.4.3. Смягчение

Иногда возникает обратная проблема, когда изображение слишком резкое. Его можно смягчить, и делать это намного легче, чем повышать резкость. Поскольку размывать нужно немного, используйте дополнение «Размывание» в меню изображения → → . Оно слегка смягчит изображение; если нужно больше, примените фильтр повторно.

1.5. Удаление нежелательных объектов из изображения

Есть два типа объектов, которые захочется удалить. Во-первых, разного рода помехи, как пыль или волос на линзе. Во-вторых, объекты в изображении, которые мешают восприятию изображения, например, телефонные провода на фоне горного массива.

1.5.1. Удаление пятен

Фильтр Удаление пятен полезен для удаления разного рода помех на линзе. Он находится в меню изображения → → . Очень важно, что для работы с этим фильтром необходимо выделить помеху и небольшой район вокруг неё. Выделение должно быть достаточно малым, чтобы точки помех статистически отличались от точек вокруг выделения. Применение этого фильтра ко всему изображению вряд ли приведёт к чему-нибудь полезному. После создания выделения активируйте фильтр и проверяйте просмотр по мере изменения параметров. При удаче можно найти значения параметров, которые удаляют помеху, не повреждая область вокруг. Чем сильнее помеха выделяется на фоне, тем лучше будет результат. Если не получается, постарайтесь создать другое выделение и попробуйте снова.

Если нужно удалить много помех, необходимо применить фильтр «Удаление пятен» к каждой отдельно.

1.5.2. Удаление мусора

Наиболее полезный метод удаления ненужных объектов из изображения использует инструмент Штамп, который позволяет рисовать в одной части изображения, используя данные точек другой части или другого изображения. Трюк в эффективном использовании инструмента заключается в нахождении такой части изображения, которую можно перекопировать на ненужный объект. Если область, окружающая объект, сильно отличается от него, то шансов исправить мало. На пример, если на фотографии спокойного пляжа есть человек, которого хочется телепортировать, то скорее всего можно найти часть пустого пляжа и перекопировать её поверх человека. Естественность результатов при правильном использовании инструмента иногда просто поражает.

За дополнительной информацией обратитесь в главу Штамп. К этому инструменту нужно привыкнуть, и с первого раза незаметное копирование может и не получиться.

Другой инструмент, работающий как и Штамп, но умнее, это Лечебная кисть, который тоже принимает во внимание область вокруг объекта во время копирования. Обычно он используется для удаления морщин и других мелких ошибок в изображении.

В некоторых случаях можно получить хороший результат простым вырезанием объекта из изображения и использованием дополнения «Ресинтезатор», чтобы заполнить пустоту. Это дополнение не включается в основной пакет GIMP, но можно достать на сайте автора пакета [PLUGIN-RESYNTH]. Результат зависит от изображения.

1.5.3. Удаление эффекта красных глаз

При фотографировании со вспышкой кого-то, кто смотрит прямо в фотоаппарат, сетчатка глаза может отразить свет от вспышки таким образом, что глаза будут казаться красными. Это называется эффект красных глаз, и он может выглядеть довольно странно. У многих современных фотоаппаратов есть специальный режим вспышки, чтобы минимизировать эффект, но даже при его использовании эффект может полностью не исчезнуть. Такой эффект можно наблюдать и у животных, но цвет глаз может быть другой, например зелёный.

Начиная с версии 2.4, GIMP распространяется со специальным фильтром Удалить эффект красных глаз. Выделите район красного в глазу с помощью одного из инструментов выделения и примените фильтр. Возможно, придётся изменять значение порога, пока найдётся подходящий цвет.

1.6. Сохранение результатов

В каком формате нужно сохранять результат работы, и нужно ли изменять размер? Ответ на этот вопрос зависит от конечного использования изображения.

  • Если вы собираетесь ещё открывать изображение в GIMP для дальнейшей работы, то лучше сохранить в родном формате GIMP XCF (т.е. название файла something.xcf), потому что это единственный формат, гарантирующий не терять никакую информацию об изображении.

  • Если изображение предназначено для печати, то следует избегать уменьшения его размера, кроме случаев кадрирования. Причина этого — принтеры поддерживают гораздо более высокие значения разрешения, чем мониторы. Для типичных принтеров это от 600 to 1400 dpi («dots per inch», точек на дюйм, физическая плотность) по сравнению со значениями от 72 до 100 пикселей на дюйм в случае мониторов. Изображение разрешением 3000 x 5000 пикселей смотрится огромным на мониторе, но при разрешении в 600 точек на дюйм оно на печати будет иметь размер примерно 13 на 20 см. Кроме того, обычно нет серьёзных оснований и для увеличения размера изображения: таким способом нельзя увеличить фактическое разрешение, и его всегда можно отмасштабировать во время вывода на печать. Что касается форматов файлов, то JPEG с качеством от 75 до 85 обычно вполне подходит. В редких случаях, при действительно большом присутствии почти однородных цветов, придётся ещё выше поднять значение качества или использовать формат без потерь, например, TIFF.

  • Если изображение нужно будет показывать на экране или прожекторе, помните, что наибольшее разрешение экрана в распространённых системах — 1600×1200, поэтому разрешение изображения больше этого ничего не даст. Для таких целей, JPEG почти всегда лучший вариант.

  • Если вы хотите поставить изображение на интернет или послать по электронной почте, нужно сосредоточить усилия на уменьшении размера файла. Сначала уменьшите размер до минимально возможного, но чтобы видеть необходимые детали. Помните, что у разных людей — мониторы разных размеров и разрешений. Во-вторых, сохраните изображение в файле JPEG. В диалоге сохранения JPEG выберите «Просмотр в окне изображения» и передвиньте ползунок качества до самого нижнего приемлемого уровня. Изображение просмотра будет меняться при каждом изменении качества. Просматривайте изображение в масштабе 1:1, чтобы эффекты масшбата не наложились на эффекты качества.

За дополнительной информацией обратитесь к раздел Форматы файлов.

1.6.2. Печать фотографий

Как и в большинстве программ, для печати в GIMP нужно пройти в главное меню → . Тем не менее, очень полезно держать в уме некоторые базовые понятия, для избежания неприятных сюрпризов при получении результат печати, или для их исправления, если уж они приключились. Всегда помните следующее:

  • изображение на экране показано в режиме RGB, а печатается в режиме CMYK; поэтому цвета при печати могут слегка отличаться от ожидаемых. Точное соотношение зависит от разных настроек. Любопытным советуем почитать следующие статьи Википедии:

  • резрешение монитора обычно в пределах от 75 до 100 точек на дюйм; разрешение принтера — в 10 раз больше; размер напечатанного изображения зависит от числа точек и разрешения; поэтому размер при печати не всегда соответствует изображению на экране или размеру листа.

Поэтому до печати вызовите команду → и укажите необходимый размер в рамке «Размер при печати», изменяя либо размер или разрешение. Символ показывает, что значения связаны. Нажатие на эту пиктограмму расцерить разрешение по x и y, но будьте осторожны. Эти настройки существуют здесь скорее всего потому, что у некоторых принтеров разрешения по x и y не одинаковы.

Последний совет: проверяйте отступы и центровку. Слишком большие отступы могут отрезать часть изображения, а неотцентрованное изображение оставит неравные отступы на бумаге.

Современные цифровые фотоаппараты при фотографировании добавляют информацию к файлу данных изображения о настройках фотоаппарата и ситуации во время фотографирования. Такая информация включается в файлы JPEG и TIFF в структурном формате под названием EXIF. С файлами JPEG GIMP может поддерживать эти данные, если они правильно построены: он зависит от библиотеки «libexif», которая доступна не на всех системах. Если GIMP собран с поддержкой EXIF, то открытие, работа и сохранение файлов JPEG сохраняют информацию EXIF неизменной. Строго говоря, это поведение не правильное по отношению к данным EXIF, он лучше, чем простое их удаление, как это делалось в предыдущих версиях GIMP.

Если вы хотите видеть содержимое данных EXIF, вы можете загрузить из регистра дополнений просмотрщик Exif [PLUGIN-EXIF]. Если вы можете собрать его и установить в систему, то он станет доступным в меню изображения → → . (За справкой обратитесь в главу Установка новых дополнений.)

Метод автоматического обнаружения показаний стрелочного указателя на основе машинного зрения

В этом исследовании предлагается метод автоматического считывания показаний указателя на основе компьютерного зрения. Кроме того, исследование направлено на то, чтобы выделить дефекты текущего метода автоматического распознавания стрелочного датчика и представить метод, который использует схему от грубого к точному и имеет превосходные характеристики по точности и стабильности его идентификации чтения. Во-первых, он использует метод выращивания области для определения области циферблата и ее центра.Во-вторых, он использует улучшенный метод центральной проекции для определения области круговой шкалы в полярной системе координат и обнаружения меток шкалы. Затем в изображении циферблата реализуется обнаружение границ, и метод преобразования Хафа используется для получения направления указателя посредством подгонки контура указателя. Наконец, показания датчика получают путем сравнения положения указателя с отметками шкалы. Экспериментальные результаты демонстрируют эффективность предложенного подхода.Этот подход применим для считывания показаний приборов, метки шкалы которых распределены равномерно или неравномерно.

1. Введение

С быстрым развитием информационных технологий широко применяются цифровые счетчики. Но стрелочный датчик по-прежнему очень популярен в различных областях благодаря своей простой конструкции, высокой надежности, низкой цене и простоте эксплуатации. Однако из-за нецифрового сигнала на выходе стрелочного указателя компьютер не может выполнять обработку и удаленную передачу данных, собранных стрелочным указателем.Это ограничивает его применение. Поэтому метод обеспечения стрелочного датчика цифровыми функциями, такими как автоматическое считывание и преобразование собранного значения в цифровой сигнал, должен быть срочно решен для более широкого применения. В частности, в процессе калибровки или метрологической поверки [1] поверщикам необходимо считывать выходные значения эталона и показания поверяемого датчика соответственно, а затем производить сравнение. В этом случае могут возникать случайные ошибки из-за ограниченной остроты человеческого наблюдения.Кроме того, когда оператор находится далеко от манометра, оператор должен повторить считывание и вручную записать отображаемое значение. Это не только увеличивает нагрузку на оператора, но и снижает эффективность калибровки датчика. Чтобы преодолеть вышеуказанные ограничения и сделать стрелочный датчик более удобным для пользователя, ожидается, что новые технологии оцифруют его показания. В настоящее время машинное зрение широко используется для обнаружения циферблата и указателя и последующего считывания показаний.

Это исследование направлено на применение проверки манометра и предлагает подход автоматического считывания на основе компьютерного зрения для стрелочного манометра, который принимает схему от грубого к точному.В этом подходе область циферблата и ее центр стрелочного датчика располагаются, во-первых, с использованием метода наращивания области. Затем область кругового масштаба определяется методом адаптивного порога в полярной системе координат. В круглой области диаграмма распределения меток масштаба создается с использованием улучшенной центральной проекции. Согласно схеме распределения меток шкалы, основные метки шкалы расположены в круглой области шкалы циферблата. На следующих этапах преобразование Хафа используется для обнаружения указателя в области циферблата и получения его направления.Наконец, используется метод расстояния для получения значения показания датчика путем сравнения направления указателя с положением меток на шкале.

Поскольку отображаемое значение определяется путем сравнения направления указателя и расположения делений шкалы, этот подход также подходит для приборов, в которых деления шкалы распределены неравномерно. Таким образом, предлагаемый подход является, по сути, общим подходом к калибровке датчика.

2. Сопутствующая работа
2.1. Конфигурация аппаратной системы, используемой при поверке манометра

Аппаратная система, используемая для верификации манометра, обычно имеет следующую конфигурацию [2–5], показанную на рис. 1. В процессе работы высокоточный манометр и калиброванный манометр ставится на рабочий стол. Компьютер посылает импульсные сигналы драйверу двигателя. Следовательно, шаговый двигатель управляется так, чтобы рабочий стол двигался, чтобы можно было отрегулировать положение датчика, чтобы датчики могли быть соответствующим образом размещены в поле зрения камеры, в то время как стандартный источник сигнала посылает опорные сигналы на калиброванный стрелочный датчик. и высокоточный датчик.Показания высокоточного датчика рассматриваются как стандартные данные. Затем применяется компьютерное зрение для автоматического распознавания значений, показанных калиброванными и стандартными приборами. Наконец, производится сравнение между двумя значениями и достигается результат проверки.


Для некоторых других стрелочных приборов стандартные данные, вырабатываемые генератором эталонных сигналов, напрямую вводятся в компьютер другим оборудованием для сбора сигналов. Результат проверки достигается путем сравнения стандартных данных с показаниями калиброванного датчика, которые извлекаются с помощью компьютерного зрения.

2.2. Процесс автоматического считывания стрелочного указателя на основе Computer Vision

На рис. 2 показана процедура обработки изображения, используемая для распознавания значения стрелочного указателя. Во-первых, чтобы улучшить качество изображения, изображение датчика должно быть предварительно обработано с помощью шумоподавления и улучшения изображения. Затем используются методы обработки и анализа изображения для обнаружения указателя и меток шкалы. По направлению стрелки и расположению меток шкалы можно определить значение, указанное стрелкой.Наконец, выводятся результаты индикации значений. Таким образом, методы автоматического распознавания показаний датчика в основном включают три части: (1) предварительную обработку изображения, направленную на улучшение качества изображения и подавление шума, (2) обнаружение указателя датчика и меток шкалы на основе обработки и анализа изображения, (3) автоматический распознавание стрелочного датчика, указывающего значение.


2.3. Сопутствующая работа стрелочного датчика Обнаружение значения индикации

В существующей литературе изображение стрелочного датчика должно быть предварительно обработано для удаления шума или улучшения изображения, особенно для изображений, извлеченных из промышленных полей.Предварительная обработка изображения улучшает разрешение изображения. Таким образом, легче обнаружить признаки, относящиеся к меткам указателя и шкалы, посредством анализа изображения.

Предварительная обработка изображения стрелочного указателя в основном состоит из двух частей. Во-первых, предварительная обработка изображения используется для фильтрации помех и шума, возникающих в результате изменения окружающей среды. Например, в [6] для обработки калибровочного изображения, имеющего большую площадь бликов и отражений, был принят метод гомоморфной фильтрации. Во-вторых, предварительная обработка изображения используется для исправления искажения изображения, вызванного изображением с камеры или разными углами съемки.Например, в [7] обсуждалось, как уменьшить ошибку считывания, когда циферблат неровен поверхности объектива камеры. В работах [8, 9] предложен интеллектуальный метод считывания показаний датчика, чтобы избежать влияния искажения изображения; этот метод позволил исправить угол между указателем и отметками нулевой шкалы, а также угол между отметками нулевой шкалы и другими более длинными отметками шкалы. Он также принял метод интерполяции Ньютона для аппроксимации функциональных отношений между углом указателя и его указывающим значением.

После предварительной обработки изображения должна быть реализована сегментация изображения для получения изображения бинаризации, при этом всегда применяется метод пороговой сегментации [10–13]. На следующем этапе необходимо выполнить прореживание изображения в изображении бинаризации, чтобы получить изображение указателя шириной в один пиксель. Затем для обнаружения указателя используется прямолинейная подгонка. Таким образом, ключевым моментом автоматического распознавания показаний датчика является определение меток указателя и шкалы. В существующей литературе было предложено несколько методов обнаружения указателя, таких как метод вычитания, метод сопоставления с шаблоном, метод преобразования Хафа и метод центральной проекции.В методе вычитания [4, 14, 15] камера делала два калибровочных изображения с примерно одинаковым фоном, при этом указатель указывал на другой масштаб. Когда одно изображение вычиталось из другого, в разностном изображении оставалось только два указателя. Затем разностное изображение было сегментировано для обнаружения указателя. Наконец, показание датчика можно получить, вычислив положение указателя и меток шкалы. Метод вычитания легко реализовать посредством вычитания изображений.Однако другое изображение не только сохраняет цель указателя, но и исключает много шума из-за влияния освещения. Поэтому во многих случаях метод вычитания не дает надежных результатов.

В методе признаков шаблона [16] признаки, представляющие указатель и его направление, такие как форма, площадь и распределение серого, формируют шаблон с несколькими параметрами, используемый для сопоставления указателя с изображением датчика для обнаружения указателя. Поскольку шаблон содержит несколько признаков указателя и его направления, метод шаблонных признаков позволяет избежать влияния неравномерного освещения и других факторов, изменяющих окружающую среду.Однако процесс сопоставления с шаблоном слишком сложен для точного определения указателя.

Метод преобразования Хафа часто используется для обнаружения указателей. В [17, 18] после обнаружения края и прореживания изображения на калибровочном изображении для обнаружения указателя путем подгонки края указателя был применен метод преобразования Хафа или его улучшенная версия. Метод преобразования Хафа может дать хорошие результаты для стрелочного индикатора, на циферблате которого много слов и символов. В [19, 20] был описан новый метод обнаружения указателя, называемый центральной проекцией.Основная идея метода центральной проекции заключалась в поиске положения указателя путем вычисления проекции характерных точек на известную центральную точку. Каждое значение проекции соответствовало углу прямой, соединяющей проекцию и центральные точки. Должен существовать угол, соответствующий наибольшему количеству точек проекции и представляющий указатель. Следовательно, метод центральной проекции всегда использовался для определения местоположения указателя датчика.

Метод наименьших квадратов [21] также был методом прямой линии, как и метод преобразования Хафа, который использовался для обнаружения указателя. По сравнению с методом преобразования Хафа метод наименьших квадратов требует меньше вычислений.

После того, как указатель был обнаружен, методы угла и расстояния [22] всегда использовались для определения значения показаний указателя. Угловой метод распознает показывающее значение, вычисляя угол отклонения между обнаруженной стрелкой и нулевой отметкой шкалы по формуле .Здесь – диапазон, – предварительно измеренный угол между максимальной и нулевой отметкой шкалы, а – угол между текущим указателем и нулевой отметкой шкалы. Метод расстояний [23] получил значение индикации путем вычисления расстояния между стрелкой и ближайшей отметкой шкалы. В этом методе каждая сетка шкалы была расположена и помечена соответствующим номером шкалы в двумерной системе координат. Если расстояние между указателем и каждой сеткой выглядит следующим образом: то указывающее значение указателя: Здесь координаты точек в метках шкалы, это расстояние между точкой и линией, представляет указывающее значение указателя, и – значения отметок шкалы, расположенных по обе стороны от стрелки, и – расстояние между стрелкой и ближайшими отметками шкалы с обеих сторон соответственно.Метод углов проще метода расстояний, но он непригоден для стрелочного калибра, у которого шкала неровная.

3. Обзор нашей работы

Как упоминалось выше, современные методы распознавания показаний приборов ограничены с точки зрения их практического применения, в основном из-за двух недостатков. Все существующие методы были реализованы в изображениях глобальной шкалы. Следовательно, сегментация стрелок и меток шкалы не может быть точно проведена, когда есть какие-то помехи или когда на циферблате есть какие-то сложные надписи.Во многих исследованиях отметины чешуи точно не определяются. Следовательно, показания стрелочного индикатора с неровной шкалой не могут быть распознаны.

Это исследование направлено на преодоление недостатков существующих методов. В качестве своего контекстного приложения он также направлен на улучшение калибровки манометра и разработку метода автоматического распознавания показаний стрелочного манометра на основе машинного зрения. Этот метод реализует схему, которая переводит обнаружение от грубого к точному с точки зрения обнаружения указателя и меток шкалы.Во-первых, область циферблата указателя расположена на глобальном изображении. Затем находится область кольцевой шкалы циферблата. На следующих этапах метки шкалы обнаруживаются в области кольцевой шкалы, а указатель обнаруживается в области циферблата. Наконец, на основе результатов обнаружения стрелок и отметок шкалы используется метод улучшенного расстояния для распознавания значения датчика. Поскольку метод улучшенного расстояния реализуется от грубой области до точной цели, он обладает сильной способностью подавлять помехи.Поскольку значение индикации получается при обнаружении указателя и меток шкалы, этот метод также подходит для считывания показаний прибора, метки шкалы которого распределены неравномерно.

3.1. Система проверки манометров на основе машинного зрения

Метрологические отделы обычно калибруют манометры с помощью поршневых манометров. В этом случае стандартное выходное давление поршневых манометров, заданное добавленными вручную грузами, передается на испытуемый манометр. Затем определяется квалификация манометра путем считывания, анализа и сравнения показывающего значения.Как правило, персонал по проверке вручную обрабатывает этот процесс, наблюдая, записывая и анализируя показания панели приборов. С этим методом проверки все еще существует много проблем. К ним относятся низкая точность и воспроизводимость визуальных наблюдений человека и низкая эффективность работы из-за большой рабочей нагрузки персонала по проверке. Следовательно, разработка метода автоматической проверки стрелочного манометра будет способствовать развитию технологии, используемой для их производства и возможностей проверки.Состав системы для поверки стрелочных манометров показан на рисунке 3. Мы видим, что изображения стрелочных манометров получаются через камеру, обрабатываются и анализируются компьютером, при этом регистрируются показания эталонного манометра и контрольного манометра и признан. Окончательные результаты показаний манометра будут отображаться на мониторе для операторов, и они сделают вывод о проверке на основе анализа вышеуказанных показаний. Программное обеспечение для обнаружения также имеет такие многофункциональные функции, как хранение исторических данных, графическое отображение и переключение изображений для реализации автоматической проверки стрелочных индикаторов.


3.2. Введение в нашу работу

В этом исследовании предлагается новый метод автоматического распознавания стрелочного датчика, который указывает значение. На рис. 4 показана блок-схема этого метода.


В целом, метод автоматического распознавания значения, основанный на компьютерном зрении, состоит из двух частей. Одной частью является обнаружение значения индикации стрелочного индикатора. Это в основном включает обнаружение шкалы и обнаружение указателя, которые относятся к расположению области циферблата и центра циферблата, определение области кольцевой шкалы на циферблате, обнаружение шкалы и обнаружение указателя.Другой — автоматическое распознавание чтения. А именно, он делает окончательное заключение о показаниях датчика в соответствии с обнаруженным направлением стрелки и распределением отметок на шкале. Как видно на рис. 4, автоматическое распознавание значения индикации, предлагаемое в этой статье, делится на пять шагов. (1) Область шкалы и ее центральное положение: сначала на всем изображении область шкалы может быть определена -взаимодействие (использование мыши, чтобы опустить окно на изображении).Точка пикселя с наибольшим значением серого ищется в области циферблата и берется в качестве исходной точки метода выращивания области, используемого для создания круглой области на циферблате. В процессе метода выращивания области автоматически определяется пороговое значение подобия между точками пикселей. Наконец, по результатам метода выращивания области получаются радиус и центр круглого циферблата. (2) Определение масштабной области циферблата: координата изображения сначала преобразуется в полярную координату с центром циферблата как его происхождение, которое используется для выражения координаты каждого пикселя в изображении.Затем, сравнивая сумму пикселей низкого значения серого с суммой пикселей высокого значения серого в кольцевой области, определяют кольцевую область шкалы на циферблате. И, наконец, он копируется в новое изображение как область кольцевой шкалы. (3) Метки шкалы обнаруживаются с использованием метода центральной проекции. Во вновь сгенерированном изображении области кольцевой шкалы сначала проводится сегментация меток шкалы методом OSTU для формирования масштабного изображения бинаризации. Затем вычисляется угол каждой линии, соединяющей черный пиксель с центром круга, и получается номер каждого угла.Углы с большими цифрами (соединительная линия) в узком диапазоне углов соответствуют жирным меткам шкалы (основным шкалам) на циферблате. Таким образом, получаются углы отметок шкалы в диапазоне 0°–360°. (4) Обнаружение указателя: сначала для реализации обнаружения границы используется оператор Кэнни. Затем метод преобразования Хафа используется для подбора обнаруженного края и получения контура указателя. Наконец, направление указателя получается в соответствии с положением центра и контуром указателя. (5) Значение индикации рассчитывается в соответствии с направлением указателя и распределением шкалы циферблата.

4. Индикация подхода к распознаванию значения стрелочного указателя
4.1. Обнаружение значения индикации указателя

Как упоминалось выше, обнаружение значения индикации достигается посредством обнаружения шкалы и указателя. Что касается обнаружения шкалы, сначала следует определить центр датчика и область циферблата, а затем извлечь область кольцевой шкалы и обнаружить метку шкалы. Наконец, выполняется обнаружение направления указателя.

4.1.1. Область циферблата и ее центральное положение

Что касается обнаружения отображаемого значения, то сначала следует определить указатель датчика и его направление, чтобы определить его центр вращения. Как правило, центр циферблата датчика является центром вращения указателя. Следовательно, сначала следует определить центр набора. В этом исследовании круглая область циферблата обнаруживается для определения центра циферблата. Как показано на рис. 5(а), обычно на круглом циферблате имеются метки, слова и отметки шкалы.Поэтому трудно подтвердить круглую область циферблата такими сегментными методами, как граничные и пороговые значения. Ввиду вышеизложенного в этой статье вводится метод адаптивного роста области для определения местоположения круглой области датчика и, кроме того, для получения центра его циферблата. Конкретные шаги заключаются в следующем. (1) Размещение начального числа [24]: поскольку циферблат обычно белый, область с высоким уровнем серого или точка пикселя с самым высоким уровнем серого в датчике, безусловно, находится в часть, где находится циферблат.Поэтому последний выбирается в качестве исходной точки растущей области. (2) При условии подобия уровня серого пикселя расширение области циферблата проводится из исходной точки. Однако трудно установить подходящее пороговое значение подобия уровня серого между пикселями. Как показано на рисунке 5(b), круглая область шкалы не может быть полностью создана с малым пороговым значением, в то время как область шкалы увеличенного размера будет создана с большим пороговым значением.


(a) Типовой стрелочный датчик
(b) Результаты метода выращивания области циферблата
(a) Типовой стрелочный датчик
(b) Результаты метода выращивания области циферблата

Настоящее исследование предлагает адаптивный метод определения порогового значения подобия уровня серого; конкретный процесс выглядит следующим образом.(A) Эмпирически выбирается небольшое пороговое значение сходства уровня серого, а затем метод выращивания области циферблата проводится из исходной точки. (B) Соотношение длины описанного прямоугольника и ширины вновь созданного циферблата. область вычисляется, чтобы определить, находится ли она в диапазоне 0,95–1,05. (C) Если соотношение длины и ширины не соответствует условиям в (B), пороговое значение подобия будет увеличено с определенной длиной шага () , а на первом этапе (A) продолжится рост области из исходной точки.Однако, если он удовлетворяет условиям (B), область роста будет представлять собой область круглого циферблата, центр описанного прямоугольника будет центром круга, а меньшее значение между длиной и шириной будет диаметром круглого региона (рис. 6).

4.1.2. Местоположение области в масштабе на основе полярных координат

(1) Изображение в полярных координатах . Как правило, в свете круговой перестановки отметки шкалы стрелочного указателя распределяются вокруг центра.Следовательно, чтобы правильно и целесообразно показать, где находятся метки масштаба на изображении, для позиционирования пикселей на изображении используется полярная система координат. В данном исследовании выполняется преобразование координат изображения в полярные координаты. Это означает, что координаты пикселей, выраженные в прямоугольной системе координат изображения, преобразуются в координаты, выраженные в полярных координатах. Полярные координаты, определенные в этом исследовании, показаны на рисунке 7, центр окружности является их началом.


(2) Обнаружение области шкалы на циферблате . Процедура обнаружения области шкалы на основе метода адаптивного порога выглядит следующим образом. (A) Радиус круглой шкалы, обнаруженный в разделе 4.1.1, принимается за начальный радиус , длина его уменьшающегося шага равна , а начальная . На циферблате шкалы разница значений серого между метками шкалы и фоном циферблата, как правило, довольно велика. Таким образом, для сегментации шкалы можно использовать метод адаптивного порогового значения.В полярных координатах изображение кольцевой бинаризации получается с использованием метода OSTU [25] для выполнения сегментации бинаризации в кольцевой области. (B) Соотношение между количеством точек черного и белого пикселей в кольцевой области бинаризации между радиус и рассчитывается и обозначается . После уменьшения внутреннего радиуса в соответствии с длиной шага вычисляется отношение между количеством точек черного и белого пикселей в области между и и обозначается как .(C) Если явно отличается от , внутренний радиус и внешний радиус области масштаба будет и , соответственно.(D) Если приблизить к , кольцо между и все еще будет в области круговой шкалы. В этот момент пусть ; соотношение между количеством точек черного и белого пикселей в кольце между и вычисляется и по-прежнему обозначается . Затем перейдите к (B) (рис. 8).

После получения области кольцевой шкалы в указанной выше полярной координате область шкалы выбирается на основе угла и радиуса и копируется в новое изображение, называемое изображением области метки шкалы (рис. 9).

4.1.3. Обнаружение меток масштаба на основе усовершенствованного метода центральной проекции

Во вновь сгенерированном изображении, представляющем собой кольцевую область масштаба, используется метод OSTU для сегментации меток масштаба для формирования изображения бинарного масштаба. На этом изображении значение пикселя метки масштаба равно 0 (черный цвет), а в других местах — 255 (белый цвет). Каждая точка черного пикселя и центр окружности связаны, а наклон соединительной линии рассчитывается по формуле , где угол между осью и линией, соединяющей точку черного пикселя с центром окружности.Из-за того, что начало координат изображения находится в верхнем левом углу, а ось — направлена ​​вниз, неудобно обозначать центральный угол в диапазоне 0°–360°. Поэтому в этом исследовании вместо системы координат изображения вводится прямоугольная система координат с центром изображения в качестве источника для выражения угла между точкой черного пикселя на отметке шкалы и центром окружности. Как показано на рисунке 10, углы между точкой черного пикселя и центром круга находятся в диапазоне 0°–360°.


(a) Схема системы координат изображения
(b) Прямоугольная система координат
(a) Схема системы координат изображения
(b) Прямоугольная система координат

После вычисления числа для угла , угол с большим номером (соединительные линии) в малом диапазоне углов соответствует отметке толстой шкалы (основная шкала) на циферблате. Шаги для обнаружения метки масштаба по центральной проекции подробно описаны ниже.

Точка черного пикселя и центральная точка изображения, то есть центр круга на новом изображении, связаны для определения наклона, который преобразуется в угол по следующей формуле:

Как показано на рисунке 10, система координат изображения преобразуется в прямоугольную. Угол , следуя формуле (4), преобразуется в угол в прямоугольной системе координат:

Гистограмма угла создается путем записи частоты появления каждого угла.На рис. 11 показана гистограмма угла.


Угол с наибольшим количеством вхождений на гистограмме выбирается и обозначается ; найдены все углы, времена возникновения которых больше . Моменты появления углов обозначены . Здесь представляет углы, которые встречаются больше, чем .

Для каждого угла вычисляем средневзвешенное значение , по следующей формуле: Здесь — знак угла.

Рассчитать конкретное значение по следующей формуле:

Если находится в пределах 0.9–1,1 – угол толстой метки шкалы. В качестве берутся все последовательно отсортированные углы, соответствующие жирным отметкам шкалы. Поэтому на рис. 12 расположены толстые метки шкалы.


4.1.4. Улучшенное обнаружение указателя на основе преобразования Хафа

Обнаружение края реализовано в изображении датчика указателя с использованием оператора Кэнни для получения изображения края датчика. Затем применяется метод преобразования Хафа, чтобы подогнать прямую линию на изображении, чтобы получить все прямые линии, среди которых есть граница указателя.Наконец, только граница указателя может быть определена путем исключения других прямых ребер.

Метод преобразования Хафа применяется для сопоставления прямой линии и поиска всех прямых линий на изображении. Кроме того, вычисляется каждая прямая линия, описанная в системе координат изображения.

Расстояние от центра окружности до прямой рассчитывается по следующей формуле: чем диаметр циферблата; выделяются все прямые, соответствующие .Здесь диаметр циферблата.

Угол каждой прямой в вычисляется по формуле (8) и сохраняется в массиве:

Поскольку углы направления указателя острые, как правило, в диапазоне по следующей формуле:

Если в ситуации, когда , в качестве одной из сторон указателя должна быть выбрана прямая линия. Таким образом, обе линии, где лежат две стороны указателя, могут быть найдены.

По прямым линиям двух сторон можно определить направление указателя.

4.2. Индикатор указателя, показывающий распознавание значения

Как показано на рисунке 11, вычисляется точка пересечения двух прямых линий границы указателя, которая затем связывается с центром окружности. Угол линии вычисляется. В соответствии с положением точки пересечения , угол , в прямоугольной системе координат вычисляется по формуле (1) (рис. 13).


В зависимости от угла получают показания, соответствующие каждой толстой отметке шкалы.По углу, соответствующему толстой отметке шкалы, и ее номеру, обнаруженному в разделе 4.1.4, можно определить показание стрелки по формуле (10). Шкала в пределах смежных толстых меток шкалы делится линейной интерполяцией: здесь — углы, соответствующие толстым меткам шкалы.

5. Экспериментальные результаты и анализ

Для проверки эффективности предложенного подхода проводится серия экспериментов для проверки его работоспособности.

5.1. Схема эксперимента

Эксперименты состоят из двух частей. Сначала выбираются изображения различных видов стрелочных указателей для проведения экспериментов по моделированию и проверки эффективности и применимости подхода. Затем устанавливается система калибровки манометра, состоящая из поплавкового манометра, высокоточного манометра, тестового манометра, камеры и компьютера, для проверки фактической эффективности этого подхода при калибровке стрелочного манометра.

5.2. Первая часть экспериментов: идентификация показаний различных стрелок
5.2.1. Отбор образцов

Как видно из таблицы 1, для эксперимента были отобраны две группы репрезентативных образцов. К ним относятся манометр с большим количеством надписей на циферблате и расходомер с неровной шкалой.



Образец названия образ образец образец персонажа Назначение выборки выбора

Манометр с множеством пишеток циферблат. 1000/750 Много надписей на циферблате, что может повлиять на расположение центра циферблата и сегментацию стрелки. Проверьте надежность алгоритма и способность противостоять помехам.

Расходомер с неравномерной шкалой. 500/500 Неравномерное распределение делений шкалы. Проверить универсальность алгоритма.

5.2.2. Экспериментальные результаты и анализ

В этой части эксперимента мы используем предложенный подход к автоматическому распознаванию показывающего значения вышеупомянутых двух типов датчиков. Для проверки эффективности предлагаемого подхода на рисунках 14 и 15 показаны экспериментальные результаты каждого шага.

Рис. 14(a) представляет собой исходное изображение стрелочного датчика. На рис. 14(а) видно, что метки указателя и шкалы не могут быть непосредственно обнаружены методами сегментации, поскольку на циферблате много надписей.Таким образом, в предлагаемом подходе применяется идея поиска от грубого к точному. Области циферблата и шкалы располагаются первыми, так как их легче обнаружить, чем метки указателя и шкалы. Как показано на рисунках 14(c) и 14(d), область циферблата расположена с использованием метода адаптивного роста области, а область шкалы определяется в полярной системе координат. Затем в обеих областях точно обнаруживаются отметки указателя и шкалы. Как показано на рисунках 14(e) и 14(f), для обнаружения указателя используется усовершенствованный метод преобразования Хафа, а для обнаружения меток шкалы используется усовершенствованный метод центральной проекции.Расположение толстых меток шкалы определяется по угловой гистограмме, полученной из центральной проекции меток шкалы. Их индикационные значения даны в соответствии с расположением жирных отметок на шкале. Значения масштаба в пределах любых двух соседних толстых меток определяются линейным делением. В соответствии с направлением указателя и расположением меток шкалы для указания значения стрелочного датчика используется угловой метод, принятый для смежных толстых меток шкалы.

Предлагаемый подход определяет направление указателя и расположение меток шкалы соответственно. На рисунках 15(e) и 15(f) видно, что расположение меток шкалы точно определяется угловой гистограммой, а указатель обнаруживается в области циферблата. Основываясь на расположении меток шкалы и направлении указателя, можно рассчитать расстояние между стрелкой и соседними метками шкалы с использованием метода расстояния; затем можно оценить значение указателя указателя.Таким образом, независимо от того, является ли распределение шкалы равномерным, предлагаемый подход позволяет точно определить значение показаний датчика, в то время как самые современные существующие методы не могут этого сделать.

5.3. Вторая часть экспериментов: распознавание поплавкового указателя, показывающего значение
5.3.1. Система и методика экспериментов

Для проверки работоспособности практического применения предлагаемого подхода в практическом применении в качестве системы проверки манометра используется поплавковый манометр.Тип поплавкового датчика Y-047. Основные технические параметры поплавкового датчика описаны ниже. Диапазон выходного давления 0,01–0,25 МПа; класс точности 0,05%; номинальное давление 0,5 МПа; и стандартные веса от 0,01 МПа до 25 МПа. В качестве стандартного манометра используется высокоточный манометр класса точности 1,5. Контрольный калибр представляет собой калибр с общей точностью. Перед поплавковым датчиком установлена ​​система визуального обнаружения. В качестве датчиков изображения используются оптический объектив, фокусное расстояние которого можно регулировать от 10 до 20 мм, и 500-мегапиксельная HD CMOS-камера с частотой кадров 60 fps.Система оснащена коаксиальным источником света, который размещается на объективе камеры. Аппаратная конфигурация компьютера, использованного в этом эксперименте, — Inter Pentium(R) Dual, CPU E2200 и 2,2 ГГц. Среда программирования — VS2010. Система проверки стрелочного датчика, основанная на компьютерном зрении, показана на рис. 16. Камера, используемая в экспериментах, снимает изображения высокоточного эталонного датчика и контрольного датчика. Предлагаемый подход применяется для определения показаний как стандартных, так и испытательных датчиков.

В соответствии с правилами калибровки датчика порядок проведения эксперимента следующий. Сначала проводится положительный ход. Здесь выход поплавкового манометра увеличивается за счет постепенной загрузки гирь, в то время как значение показаний манометра увеличивается. В каждой контрольной точке показывающего значения камера делает снимки как стандартной стрелки, так и тестовых датчиков. Предлагаемый подход заключается в использовании изображений для распознавания указывающих значений. Затем выполняется отрицательный ход, процесс которого заключается в том, что выходной сигнал поплавкового манометра уменьшается от самой высокой контрольной точки путем постепенной разгрузки гирь, в то время как показание манометра соответственно уменьшается.Снимается изображение каждой контрольной точки для распознавания значений индикации.

5.3.2. Результаты экспериментов и анализ

Результаты экспериментов показаны на рисунках 17 и 18. Верхний предел датчика составляет 0,25 МПа; нижний предел составляет 0 МПа. Каким бы ни был эксперимент, в положительном или отрицательном ходе интервалы выходных значений поплавкового датчика составляют 0,025  МПа. Результаты определения показаний эталонного и испытательного датчиков приведены в таблицах 2 и 3 соответственно.


Давление КПП (МПа) Показания стандартного манометра Указанная ошибка (абсолютная ошибка/диапазон)
Положительный ход Ошибка 1 (значение визуальных весов обнаружения) Ошибка 2 (ручное считывание значений весов) Отрицательный ход Ошибка 1 (значение визуальных весов обнаружения) Ошибка 2 (ручное значение чтения-веса)
Visual Detection Руководство Руководство Руководство

0 0 0 0 0 0 0 0 0 0
0.025 0,024343 0,024 0,000657 0,001 0,025610 0,025 0,000610 0 0,26 / 0,24
0,050 0,048727 0,049 0,001273 0,001 0,049761 0.05 0.05 0.000240 0 0.51 / 0.10
0.075
0.075
0,074386 0,075 0,07614 0 0.075876 0,076 0,000876 0,001 0,25 / 0,35
0,100 0,100408 0,099 0,000408 0,001 0,100147 0,1 0,000147 0 0,16 / 0,06
0.125 0.125060 0.125 0,000060 0 0,125482 0.125482 0.126 0,000482 0.001 0.024 / 0,19
0,150 0,149762 0,15 0,000238 0 0,150647 0,151 0,000647 0,001 0,095 / 0,26
0,175 0,174613 0,175 0.000387 0 0 0 0.174720 0.176 0,000280 0,001 0.155 / 0.11
0.200
0,200 0.2 0,001684 0 0,201540 0,201 0,001540 0,001 0,674 / 0,62
0,225 0,225053 0,224 0,000053 0,001 0,225149 0,225 0,000149 0 0 0 0.02 / 0.06
0.250 0.249344 0.249344 0.249 0.249 0,24
0.001 0.249344 0.249 0,000660 0.001 0.26 / 0.26

3


Давление на выходе КПП (МПа) Показания поверяемого манометра Приведенные ошибки
(абсолютная ошибка/диапазон)
Положительный ход Ошибка 1 (значение визуальных весов обнаружения) Ошибка 2 (ручное считывание значений весов) Отрицательный ход Ошибка 1 (значение визуальных весов обнаружения) Ошибка 2 (ручное значение чтения-веса)
Visual Detection Руководство Руководство Руководство

0 0 0 0 0 0 0 0 0 0
0.025 +0,025650 0,026 0,000650 0,001 0,027084 0,028 0,002084 0,003 0,26 / 0.83
0,050 0,050200 0,051 0,000200 0,001 0.051623 0.052 0.001623 0.02 0,08 0,08 / 0,65
0,075 0,075470 0.076 +0,000470 0,001 0,077778 0,078 0,002778 0,003 0,19 / 1.11
0,100 0,100100 0,101 0,000100 0,001 0,101095 0,102 0.001095 0.002 0.04 / 0.44
0,125 0.125 0.126000 0.126 0,001000 0.001 0,126106 0,127 0,001106 0,002 0,4 / 0,44
0,150 0,150900 0,152 0,000900 0,002 0,151486 0,153 0,001486 0,003 0.36 / 0.59
0.175 0.177626 0.177626 0.173 0,002626 0,002 0.177678 0.179 +0,002678 0,004 1,05 / 1,07
0,200 0,202263 0,203 0,002263 0,003 0,202445 0,204 0,002445 0,004 0,90 / 0,978
0.225 0.226146 0.227 0.227 0.2270146 0,226223 0.226223 0.228 0.22223 0.003 0,46 / 0,49
0,250 0,249057 0,252 0,000940 0,002 0,249057 0,252 0,000940 0,002 0,38 / 0,38



Как видно из экспериментальных результатов, предложенный подход применим к поверке манометров.Показания тестовых и эталонных датчиков могут быть получены с помощью предлагаемого подхода, а не путем ручного наблюдения. Калибровка тестового манометра завершается сравнением показаний тестового манометра с показаниями стандартного манометра. Из экспериментальных результатов в таблицах 2, 3 и 4, сравнивая визуальные данные с ручным чтением, мы можем видеть, что результаты обнаружения показывающего значения на основе компьютерного зрения являются более точными, достоверными и имеют более значащие цифры и более быстрое скорость обнаружения.


Выходное давление КПП (МПа) Показатель визуального обнаружения Показатель ручного считывания Сравнение (ошибка 1 − ошибка 2)
Положительный ход Ошибка 1:
(МПа)
Относительная ошибка 1: (%) Положительный ход Ошибка 2:
(МПа)
Относительная ошибка 2: (%)
Стандартный манометр: (MPA) Испытанный датчик: (MPA) Стандартный манометр:
(MPA)
Тестируемый датчик:
(MPA)

0 0 0 0 0 0 0 0 0 0 0 0
0.025 0,024343 0.025650 0.001310 5,37000 0,024 0,026 0,002 8,333 0,08202
0,050 0,048727 0,050200 0,001473 3,02296 0,049 0.051 0.002 0.002 4.082 0,03533
0,075 0,074387 87 0,075470 0.001080 145644 0,075 0,076 0,001 1,333 0,01225
0,100 0,100408 0,100100 0,000308 0,30675 0,099 0,101 0,002 2,02 0,02051
0.125 0.125060 0.126000 0,000940 0.75164 0.125 0.125 0.126 0.001 0.8 0,00706
0,150 0,149762 0,150900 0,001140 0,75987 0,15 0,152 0,002 1,333 0,01219
0,175 0,174613 0,177626 0,003010 1.72553 1.72553 0.175 0.173 0,002 0,1429 0,01440
0.200 0.198316 0,202263 0,003950 1,99026 0,2 0,203 0,003 1,5 0,01105
0,225 0,225053 0,226146 0,001090 0,48566 0,224 0,227 0.003 1.339 0.01230
0.250 0.250 0.249344 0.249057 0,000287 0.11510 0.249 0.252 0.003 0,003 1.205 0,01233

5.4. Экспериментальное заключение

Из приведенных выше экспериментальных результатов мы можем сделать следующие выводы. (1) Показания стрелочного датчика могут быть эффективно обнаружены с использованием метода, предложенного в этой статье; этот подход можно использовать для проверки манометра. (2) Этот подход предлагает устойчивую структуру для идентификации показаний стрелочного манометра.От большой области к маленькой цели подход сначала определяет масштаб и область указателя. Затем он точно сегментирует указатель и метки шкалы в целевой области. Наконец, показание датчика получается на основе направления указателя и распределения отметок на шкале. Этот фреймворк представляет собой общий метод распознавания стрелочного указателя, основанный на компьютерном зрении и обладающий хорошей помехозащищенностью. Однако для достижения более удовлетворительных результатов в его практическом применении каждый шаг должен быть улучшен.Например, в процессе локализации области циферблата на основе метода выращивания области необходимо учитывать множество факторов, чтобы определить, следует ли прекратить использование этого метода. (3) При практическом применении метод предварительной обработки изображения должен использоваться вместе с предлагаемым методом, чтобы получить более удовлетворительные результаты, особенно для некоторых промышленных применений.

6. Заключение

В этом исследовании предлагается подход к автоматическому считыванию стрелочного указателя, основанный на компьютерном зрении.Этот подход направлен на устранение дефектов существующего подхода к автоматическому считыванию показаний стрелочного манометра и применение проверки манометра. В рамках предлагаемого подхода, который проводится от сегментации больших областей к обнаружению малых целей, сначала определяется область цели на циферблате. Затем в этой области обнаруживаются метки указателя и шкалы. Наконец, получается значение индикатора. Таким образом, предлагаемый подход обладает хорошей помехозащищенностью и применим как для калибров с равномерно распределенными делениями шкалы, так и без них.Подход может широко применяться для идентификации показаний различных типов стрелочных индикаторов.

Предлагаемый метод является надежным и достаточно точным, чтобы его можно было использовать для проверки стрелочного указателя. Однако в некоторых практических приложениях, особенно в промышленной сфере, его следует использовать в сочетании с методами предварительной обработки изображений, чтобы добиться лучших эффектов. Усовершенствованный подход также можно использовать для стрелочного индикатора, циферблат которого не является круглым. Поэтому в будущем мы проведем следующие исследования, чтобы завершить работу по оцифровке стрелочного индикатора, чтобы разработать общий метод считывания показаний.Будут разработаны методы предварительной обработки изображения, чтобы устранить влияние рассеянного или отраженного света или исправить искажение изображения, вызванное изменениями относительного положения между камерой и датчиком. Будет разработан общий метод автоматического считывания для различных типов стрелочных указателей, который может использоваться в различных аппаратных комплексах и иметь унифицированный стандартный формат вывода.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в отношении публикации данной статьи.

Благодарности

Работа поддерживается Пекинской программой развития ключевых дисциплин (№ XK100080537), Пекинским фондом естественных наук (4122050) и проектом открытия ключевой лаборатории технологий безопасности эксплуатации транспортных средств Министерства транспорта Китая.

Преимущество автоматического обнаружения сетевой информации среди интернет-зависимых: поведенческие и ERP-данные

  • Янг, К. С. Интернет-зависимость: появление нового клинического расстройства. Киберпсихическое поведение. 1 , 237–244 (1998).

    Артикул Google ученый

  • Янг К. С. Интернет-зависимость: симптомы, оценка и лечение. Инновации в клинической практике: Справочник 17 , 19–31 (1999).

    Google ученый

  • Хе, Дж. Б., Лю, С. Дж., Го, Ю. Ю. и Чжао, Л. Дефицит восприятия лица на ранней стадии у чрезмерных пользователей Интернета. Cyberpsychol Behav Soc Netw. 14 , 303–308 (2011).

    Артикул пабмед Google ученый

  • АПА. Диагностическое и статистическое руководство по психическим расстройствам, 5-е изд. Вашингтон, округ Колумбия (2013).

  • Гриффитс, М. Д., Кусс, Д. Дж. и Деметровикс, З. Зависимость от социальных сетей: обзор предварительных результатов [M]// Поведенческие зависимости. Эльзевир Инк . 119–141 (2014).

  • Меткалф, О. и Паммер, К. Предвзятость внимания у чрезмерных многопользовательских ролевых онлайн-геймеров, использующих модифицированную задачу Stroop. Поведение компьютерного шума. 27 , 1942–1947 (2011).

    Артикул Google ученый

  • Ниу, Г. Ф. и др. . Индуцированная сигналом тяга к интернету у интернет-зависимых. Поведение наркомана. 62 , 1–5 (2016).

    Артикул пабмед Google ученый

  • Чжан Ю. и др. . Мозговая активность в отношении игровых сигналов при интернет-игровом расстройстве во время задачи с зависимостью. Передний психол . 7 , https://doi.org/10.3389/fpsyg.2016.00714 (2016).

  • Франкен, И. Х. А. Тяга к наркотикам и зависимость: интеграция психологических и нейропсихофармакологических подходов. Прог Нейро-Психоф. 27 , 563–579 (2003).

    Артикул Google ученый

  • Холст Р.J. и др. . Предвзятость внимания и расторможенность по отношению к игровым сигналам связаны с игровыми проблемами у подростков мужского пола. J Здоровье подростков. 50 , 541–546 (2012).

    Артикул Google ученый

  • Дай, С., Ма, К. и Ван, X. Смещение внимания к стимулам, связанным с зависимостью, у пациентов с интернет-зависимостью: исследование ERP. J Психологические науки. 34 , 1302–1307 (2011).

    Google ученый

  • Лу, Дж. и др. . Функциональное состояние мозга при создании музыки: исследование композиторов с помощью фМРТ. Научный представитель . 5 , https://doi.org/10.1038/srep12277 (2015).

  • Тиффани, С. Т. А. Когнитивная модель влечения к наркотикам и поведения, связанного с употреблением наркотиков: роль автоматических и неавтоматических процессов. Psychol Rev. 97 , 147–168 (1990).

    Артикул пабмед КАС Google ученый

  • Робинсон Т.Э. и Берридж, К. С. Нейронная основа тяги к наркотикам: теория зависимости от стимулов и сенсибилизации. Brain Res Rev. 18 , 247–291 (1993).

    Артикул пабмед КАС Google ученый

  • Робинсон, Т. Е. и Берридж, К. С. Психология и нейробиология зависимости: взгляд на стимулы и сенсибилизацию. Зависимость. 95 , S91–S117 (2000).

    ПабМед Google ученый

  • Могг, К.и Брэдли, Б. П. Ориентация внимания на угрожающие выражения лица в условиях ограниченного сознания. Познание Эмоции. 13 , 713–740 (1999).

    Артикул Google ученый

  • Могг, К. и Брэдли, Б. П. Избирательная ориентация внимания на замаскированные лица угрозы при социальной тревоге. Behav Res Ther. 40 , 1403–1414 (2002).

    Артикул пабмед Google ученый

  • Брэдли Б., Филд, М., Могг, К. и Де, Х. Дж. Предубеждения внимания и оценки сигналов курения при никотиновой зависимости: компонентные процессы предубеждений в визуальном ориентировании. Behav Pharmacol. 15 , 29–36 (2004).

    Артикул пабмед КАС Google ученый

  • Константину, Н. и др. . Нарушение внимания, тормозной контроль и острый стресс у нынешних и бывших наркоманов. Наркотики Алкогольная зависимость. 109 , 220–225 (2010).

    Артикул Google ученый

  • Няатанен, Р., Гайяр, А. В. и Мянтисало, С. Новая интерпретация эффекта раннего избирательного внимания на вызванный потенциал. Acta Psychol. 42 , 313–329 (1978).

    Артикул Google ученый

  • Näätänen, R., Kujala, T. & Winkler, I. Слуховая обработка, которая приводит к сознательному восприятию: уникальное окно для центральной слуховой обработки, открывающееся несовпадением негативности и связанных с ней реакций. Психофизиология. 48 , 4–22 (2011).

    Артикул Google ученый

  • Чиглер, И., Балаш, Л. и Винклер, И. Обнаружение визуальных изменений, не имеющих отношения к задаче, на основе памяти. Психофизиология. 39 , 869–873 (2002).

    Артикул пабмед Google ученый

  • Хе, Дж. Б. и др. . Различные эффекты алкоголя на автоматическое обнаружение изменения цвета, местоположения и времени: исследование отрицательности несоответствия. J Психофармакол. 28 , 1109–1114 (2014).

    Артикул пабмед КАС Google ученый

  • Кимура, М., Катаяма, Дж. И., Охира, Х. и Шрегер, Э. Отрицательность визуального несоответствия: новые доказательства из равновероятной парадигмы. Психофизиология. 46 , 402–409 (2009).

    Артикул пабмед Google ученый

  • Аменедо, Э., Пазо-Альварес, П. и Кадавейра, Ф. Вертикальная асимметрия в превнимательном обнаружении изменений направления движения. Int J Psychophysiol. 64 , 184–189 (2007).

    Артикул пабмед Google ученый

  • Мюллер, Д. и др. . Репрезентации визуальных объектов могут формироваться вне фокуса произвольного внимания: свидетельство потенциалов мозга, связанных с событиями. J Когнитивные нейробиологии. 22 , 1179–1188 (2010).

    Артикул Google ученый

  • Ли, X. и др. . Негативность визуального несоответствия, вызванная выражением лица: новое свидетельство равновероятной парадигмы. Поведение Мозговая функция . 8 , https://doi.org/10.1186/1744-9081-8-7 (2012).

  • Ван, В., Мяо, Д. и Чжао, Л. Автоматическое обнаружение изменений ориентации лиц по сравнению с объектами, не являющимися лицами: визуальное исследование. Биол Психол. 100 , 71–78 (2014).

    Артикул пабмед Google ученый

  • Стефаникс, Г. и Циглер, И. Реакция на ошибку автоматического прогнозирования на руки с неожиданной латеральностью: электрофизиологическое исследование. Нейроизображение. 63 , 253–261 (2012).

    Артикул пабмед Google ученый

  • Кечкес-Ковач, С. И. и Циглер, И.Пол лиц определяется автоматически: исследование негативности визуального несоответствия. Передний шум Нейроски. 7 , 523–533 (2013).

    Артикул Google ученый

  • Фаркаш К., Стефаникс Г., Марози К. и Чукли Г. Элементарный сенсорный дефицит при шизофрении, индексируемый нарушением зрительного несоответствия негативности. Шизофр Рез. 166 , 164–170 (2015).

    Артикул пабмед Google ученый

  • Нойхаус, А.H. Доказательства ошибки прогнозирования нарушения зрения при шизофрении. Шизофр Рез. 147 , 326–330 (2013).

    Артикул пабмед Google ученый

  • Маэкава Т. и др. . Измененные системы обработки зрительной информации при биполярном расстройстве: данные визуального MMN и P3. Передний гул Нейроски . 7 , https://doi.org/10.3389/fnhum.2013.00403 (2013).

  • Цю, Х. и др. . Нарушение обработки зрительной информации на этапе предварительного внимания у пациентов с большим депрессивным расстройством: исследование негативности визуального несоответствия. Неврологический бюллетень. 491 , 53–57 (2011).

    Артикул пабмед КАС Google ученый

  • Чанг Ю., Сюй Дж., Ши Н., Чжан Б. и Чжао Л. Дисфункция обработки нерелевантных для задачи эмоциональных лиц у пациентов с большим депрессивным расстройством, выявленная с помощью визуальной MMN, связанной с выражением лица. Неврологический бюллетень. 472 , 33–37 (2010).

    Артикул пабмед КАС Google ученый

  • Hosák, L., Kremlacek, J., Kuba, M., Libiger, J. & Cizek, J. Отрицательное несоответствие при метамфетаминовой зависимости: экспериментальное исследование. Acta Neurobiol Exp. 68 , 97–102 (2008).

    Google ученый

  • Кремлачек, Ю. и др. .Отрицательность визуального несоответствия (vMMN): обзор и метаанализ исследований психических и неврологических расстройств. Кортекс. 80 , 76–112 (2016).

    Артикул пабмед Google ученый

  • Ян, X. и др. . Гендерные различия в предварительном обнаружении изменений для визуальных, но не слуховых стимулов. Клин Нейрофизио. 127 , 431–441 (2016).

    Артикул Google ученый

  • Ван, Х.Д., Ву, Ю.Ю., Лю, А. и Ван, П. Пространственно-временная динамика автоматической обработки фонологической информации в визуальных словах. Научный представитель . 3 , https://doi.org/10.1038/srep03485 (2013).

  • Могг, К., Брэдли, Б.П. и Хэллоуэлл, Н. Предвзятость внимания к угрозе: роль личностной тревожности, стрессовых событий и осведомленности. Q J Exp Psychol. 47 , 841–864 (1994).

    Артикул КАС Google ученый

  • Ян X. и др. . Предсознательная предвзятость внимания у курильщиков сигарет: исследование модуляции осознания предвзятости внимания. Наркоман Биол. 14 , 478–88 (2009).

    Артикул пабмед Google ученый

  • Ноэль, X. и др. . Динамика внимания к алкогольным сигналам у трезвенников-алкоголиков: роль начальной ориентировки. Алкоголь Clin Exp Res. 30 , 1871–1877 (2006).

    Артикул пабмед Google ученый

  • Лебер, С. и др. . Клиническое исследование: предвзятость внимания у пациентов с алкогольной зависимостью: роль хронизации и исполнительного функционирования. Наркоман Биол. 14 , 194–203 (2009).

    Артикул пабмед Google ученый

  • Фольстадтклейн, С., Лебер, С., Фон, Г. К., Манн, К. и Кифер, Ф.Избегание стимулов, связанных с алкоголем, увеличивается на ранней стадии абстиненции у пациентов с алкогольной зависимостью. Алкоголь Алкоголизм. 44 , 458–463 (2009).

    Артикул Google ученый

  • Чиккарелли М., Нигро Г., Гриффитс М. Д., Козенца М. и Д’Олимпио Ф. Нарушения внимания у проблемных и не проблемных игроков. J Расстройства аффекта. 198 , 135–141 (2016).

    Артикул пабмед Google ученый

  • Россе Р.В. и др. . Превнимательные и внимательные движения глаз во время визуального сканирования кокаинового сигнала: корреляция с интенсивностью тяги к кокаину. J Neuropsych Clin N. 9 , 91–94 (1997).

    Артикул КАС Google ученый

  • Себальос Н. А., Комогорцев О. В. и Тернер Г. М. Окулярная визуализация искажения внимания у студентов колледжей: автоматическая и контролируемая обработка сцен, связанных с алкоголем. J Stud Алкогольные препараты. 70 , 652–659 (2009).

    Артикул пабмед Google ученый

  • Duijvenbode, N.V. и др. . Предвзятость внимания у проблемных пьющих с умственной отсталостью от легкой до пограничной и без нее. J Интеллект Инвалид Res. 61 , 255–265 (2017).

    Артикул пабмед Google ученый

  • Кастельянос, Э.Н. и др. . Взрослые с ожирением имеют предвзятость визуального внимания к изображениям пищевых сигналов: свидетельство измененной функции системы вознаграждения. Int J Ожирение. 33 , 1063–1073 (2009).

    Артикул КАС Google ученый

  • Werthmann, J. и др. . Не могу (не) оторвать глаз: смещение внимания к еде у участников с избыточным весом. Психология здоровья. 30 , 561–569 (2011).

    Артикул пабмед Google ученый

  • Бреверс, Д. и др. . Динамика предвзятости внимания к информации об азартных играх при проблемах с азартными играми. Поведение психозависимого. 25 , 675–682 (2011).

    Артикул пабмед ПабМед Центральный Google ученый

  • Чжао Х. и др. . Движение глаз, свидетельство предвзятости внимания к сигналам, связанным с веществом, у героинозависимых, получающих поддерживающую терапию метадоном. Неправильное использование субст. 52 , 527–534 (2017).

    Артикул пабмед Google ученый

  • Филд, М. и Кокс, В. М. Смещение внимания в аддиктивном поведении: обзор его развития, причин и последствий. Наркотики Алкогольная зависимость. 97 , 1–20 (2008).

    Артикул Google ученый

  • Пети, Г. и др. . Ранняя модуляция внимания сигналами, связанными с алкоголем, у молодых пьяниц: исследование потенциалов, связанных с событиями. Клин Нейрофизиол. 123 , 925–936 (2012).

    Артикул пабмед Google ученый

  • Versace, F. и др. . Реакция мозга на эмоциональные, нейтральные и связанные с сигаретой стимулы у курильщиков. Наркоман Биол. 16 , 296–307 (2011).

    Артикул пабмед Google ученый

  • Асмаро Д., Кэролан П.Л. и Лиотти, М. Электрофизиологические доказательства раннего смещения внимания к изображениям, связанным с наркотиками, у хронических потребителей каннабиса. Поведение наркомана. 39 , 114–121 (2014).

    Артикул пабмед Google ученый

  • Нийс, И. М., Франкен, И. Х. и Мурис, П. Пищевая интерференция Струпа у людей с ожирением и с нормальным весом: поведенческие и электрофизиологические показатели. Ешьте поведение. 11 , 258–265 (2010).

    Артикул пабмед Google ученый

  • Д’Ондт, Ф. и Мораж, П. Электрофизиологические исследования интернет-зависимости: обзор в рамках двойного процесса. Поведение наркомана. 64 , 321–327 (2017).

    Артикул пабмед Google ученый

  • Робинсон, Т. Е. и Берридж, К. С. Теория зависимости от побудительной сенсибилизации: некоторые текущие вопросы. Филос Т Рой Сок Б. 363 , 3137–3146 (2008).

    Артикул Google ученый

  • Balconi, M., Venturella, I., & Finocchiaro, R. Доказательства влияния системы вознаграждения, FRN и P300 на интернет-зависимость у молодых людей. Науки о мозге . 7 , https://doi.org/10.3390/brainsci7070081 (2017).

  • Ко, С. Х. Мозговые корреляты тяги к онлайн-играм под воздействием сигнала у субъектов с интернет-игровой зависимостью и у субъектов с ремиссией. БИОЛ. 18 , 559–569 (2011).

    Артикул пабмед Google ученый

  • Сан, Ю. и др. . ФМРТ-исследование мозга тяги, вызванной картинками-подсказками, у наркоманов онлайн-игр (подростки мужского пола). Поведение Мозг Res. 233 , 563–576 (2012).

    Артикул пабмед Google ученый

  • Юань, К. и др. .Аномалии толщины коры в позднем подростковом возрасте с зависимостью от онлайн-игр. Плос ОДИН . 8 , https://doi.org/10.1371/journal.pone.0053055 (2013).

  • Венг, К. и др. . Аномалии серого и белого вещества при зависимости от онлайн-игр. Евро J Радиол. 82 , 1308–1312 (2013).

    Артикул пабмед Google ученый

  • Джин, К. и др. .Аномальное состояние функциональной связи префронтальной коры в состоянии покоя и тяжесть игрового интернет-расстройства. Мозговая визуализация Поведение. 3 , 719–729 (2016).

    Артикул Google ученый

  • Джеромин, Ф., Ниенхуис, Н. и Барке, А. Предвзятость внимания у чрезмерных интернет-геймеров: экспериментальные исследования с использованием зависимости Струпа и визуального зонда. Дж. Поведение наркомана. 5 , 32–40 (2016).

    Артикул пабмед ПабМед Центральный Google ученый

  • Кенеманс, Дж. Л., Хебли, В., Ван ден Хевел, Э. Х. М. и Грент-Т-Джонг, Т. Умеренное употребление алкоголя нарушает механизм обнаружения редких событий в зрительной коре человека. J Психофармакол. 24 , 839–845 (2010).

    Артикул пабмед КАС Google ученый

  • Ван, Дж.Дж., Би, Х.Ю., Гао, Л.К. и Уайделл, Т.Н. Зрительный магноцеллюлярный путь у китайскоязычных детей с дислексией развития. Нейропсихология. 48 , 3627–3633 (2010).

    Артикул пабмед Google ученый

  • Цзяо, К., Ван, Т., Пэн, X., и Цуй, Ф. Нарушение эмпатии у людей с расстройством интернет-зависимости: потенциальное исследование, связанное с событием. Front Hum Neurosci , 11 , https://doi.org/10.3389/fnhum.2017 (2017).

  • Читам, А., Аллен, Н. Б., Юсел, М. и Любман, Д. И. Роль аффективной дисрегуляции в наркомании. Clin Psychol Rev. 30 , 621–634 (2010).

    Артикул пабмед Google ученый

  • Ким, С. Х. Снижение дофаминовых рецепторов D2 полосатого тела у людей с интернет-зависимостью. Нейроотчет. 22 , 407–411 (2011).

    Артикул пабмед КАС Google ученый

  • Тянь М. и др. . ПЭТ-визуализация выявляет функциональные изменения мозга при интернет-игровом расстройстве. Eur J Nucl Med Mol Imaging. 41 , 1388–1397 (2014).

    Артикул пабмед Google ученый

  • Чжан Ю. и др. . Изменения в связях мозга в трех субрегионах передней поясной коры у лиц, зависимых от героина: данные фМРТ в состоянии покоя. Неврология. 284C , 998–1010 (2015).

    Артикул КАС Google ученый

  • Вальдес П. и Мехрабян А. Влияние цвета на эмоции. J Exp Psychol Gen. 123 , 394–409 (1994).

    Артикул пабмед КАС Google ученый

  • Уилсон Г. Д. Возбуждающие свойства красного по сравнению с зеленым. Навык моторики восприятия. 23 , 947–949 (1966).

    Артикул Google ученый

  • Болдуин, М. В. и Менье, Дж. Сигнальная активация схем отношений привязанности. Соц Познание. 17 , 209–227 (1999).

    Артикул Google ученый

  • Гао, С. Реакция цветового зрения на пространственную частоту и распознавание образов. J Юго-восточный университет. 25 , 36–40 (1995).

    MathSciNet ОБЪЯВЛЕНИЯ Google ученый

  • Чжао, X. М., Тэн, П. К. и Зонг, Дж. Г. Исследование визуального различения человеческого глаза в цветоразличии. Электронная наука и технологии. 1 , 303–307 (2014).

    Google ученый

  • Хуанг, Х. Т., Хуанг, В. и Ли, X. Р. Символическое значение цветов для китайцев. J Психологические науки. 6 , 1–7 (1991).

    ОБЪЯВЛЕНИЕ Google ученый

  • Стефаникс Г., Чукли Г., Комлоси С., Чобор П. и Циглер И. Обработка оставленных без присмотра эмоций на лице: исследование негатива визуального несоответствия. Нейроизображение. 59 , 3042–3049 (2012).

    Артикул пабмед Google ученый

  • Землич, Х.В., Андерер П., Шустер П. и Пресслих О. Решение для надежного и достоверного уменьшения зрительных артефактов, примененное к P300 ERP. Психофизиология. 23 , 695–703 (1986).

    Артикул КАС Google ученый

  • Циглер, И. Негативность визуального несоответствия и категоризация. Топогр головного мозга. 27 , 590–598 (2014).

    Артикул пабмед Google ученый

  • Точное автоматическое обнаружение плотно расположенных ядер клеток в трехмерном пространстве

    Abstract

    Для измерения активности нейронов с помощью визуализации активности всего мозга требуется точное обнаружение каждого нейрона или его ядра.В области головы нематода С . elegans , тела нейронов плотно распределены в трехмерном (3D) пространстве. Однако никакие существующие вычислительные методы анализа изображений не могут их разделить с достаточной точностью. Здесь мы предлагаем высокоточный метод сегментации, основанный на кривизне изоинтенсивных поверхностей. Чтобы получить точное положение ядер, мы также разработали новую процедуру аппроксимации по методу наименьших квадратов с моделью смеси Гаусса.Сочетание этих методов позволяет точно обнаруживать плотно расположенные ядра клеток в трехмерном пространстве. Предлагаемый метод реализован в виде программы с графическим интерфейсом пользователя, позволяющей визуализировать и корректировать результаты автоматического обнаружения. Кроме того, предложенный метод был применен к данным покадровой трехмерной визуализации кальция, и большинство ядер на изображениях были успешно отслежены и измерены.

    Резюме автора

    Чтобы достичь конечной цели нейронауки — понять, как функционирует каждый нейрон в мозге, интенсивно разрабатывались методы визуализации активности всего мозга с разрешением одной клетки.На изображениях всего мозга много нейронов, и ручное обнаружение нейронов требует очень много времени. Тем не менее, нейроны часто плотно упакованы в трехмерном пространстве, и существующие автоматические методы не могут правильно разделить сгустки. Фактически, в предыдущих отчетах о визуализации активности всего мозга C . elegans количество обнаруженных нейронов оказалось меньше ожидаемого. Такой дефицит может быть причиной ошибок измерения и неправильной идентификации классов нейронов. Здесь мы разработали высокоточный метод автоматического обнаружения плотно упакованных клеток.Предлагаемый метод успешно обнаружил почти все нейроны на изображениях всего мозга нематоды. Наш метод может использоваться для отслеживания нескольких объектов и позволяет автоматически измерять активность нейронов на основе данных визуализации активности всего мозга. Мы также разработали инструмент визуализации и коррекции, полезный для экспериментаторов. Кроме того, предлагаемый метод может быть фундаментальным методом для других приложений, таких как создание схемы нейронов или установление клеточной линии в эмбриональном развитии.Таким образом, наша структура поддерживает эффективный и точный анализ биоизображений.

    Образец цитирования: Тоёшима Ю., Токунага Т., Хиросе О., Канамори М., Терамото Т., Джанг М.С. и др. (2016) Точное автоматическое обнаружение плотно распределенных ядер клеток в трехмерном пространстве. PLoS Comput Biol 12(6): е1004970. https://doi.org/10.1371/journal.pcbi.1004970

    Редактор: Адам Пэкер, Университетский колледж Лондона, СОЕДИНЕННОЕ КОРОЛЕВСТВО

    Получено: 20 ноября 2015 г.; Принято: 3 мая 2016 г .; Опубликовано: 6 июня 2016 г.

    Авторские права: © 2016 Toyoshima et al.Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

    Доступность данных: Все соответствующие данные и код доступны в базе данных SSBD (http://ssbd.qbic.riken.jp/set/20160501/) и на figshare (https://dx.doi.org/10.6084). /m9.figshare.3184546).

    Финансирование: Работа выполнена при поддержке программы CREST «Создание фундаментальных технологий для понимания и управления динамикой биосистем» Японского агентства науки и технологий (JST).YI был поддержан грантами в области инновационных областей «Системы молекулярной этологии» (20115002) и «Динамизм памяти» (25115010) и «Комплексная сеть мозга» (221S0003). YT был поддержан грантами для молодых ученых (B) (26830006), для начала исследовательской деятельности (24800014) и для научных исследований в инновационных областях (16H01418) от Министерства образования, культуры, спорта, науки и Технологии Японии. Спонсоры не участвовали в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

    Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

    Введение

    Мозг животных является самой сложной системой обработки информации в живых организмах. Выяснение того, как реальные нервные системы выполняют вычисления, является одной из фундаментальных целей нейробиологии и системной биологии. Для достижения этой цели требуется информация о проводке нейронных цепей и визуализация их активности в клеточном разрешении.Достижения в методах микроскопии в последние годы позволили визуализировать активность всего мозга мелких животных с клеточным разрешением [1-4]. Информация о проводке всех нейронов в мозге мыши может быть получена с использованием недавно разработанных методов прозрачности мозга [5-9].

    Обнаружение нейронов на микроскопических изображениях необходимо для оптических измерений активности нейронов или для получения информации о проводке. Поскольку на изображениях много нейронов, требуются методы автоматического обнаружения нейронов, а не ручной выбор ROI (областей интереса), и было предложено несколько таких методов [10,11].Обнаружение клеток, распределенных в трехмерном (3D) пространстве, важно и в других областях биологии, таких как исследования эмбрионального развития [12–17].

    В этих методах ядра клеток часто метят флуоресцентными зондами и используют в качестве маркера клетки. Для идентификации ядер на таких изображениях основным методом является обнаружение пятен, которое, например, состоит из обнаружения локальных пиков с последующей сегментацией водораздела. Если клетки распределены редко, методы обнаружения капель являются мощными методами обнаружения ядер.Однако, если две или более ячеек расположены близко друг к другу, капли объединяются, и некоторые ячейки будут пропущены. Эти ложноотрицательные результаты могут быть тривиальными для статистики клеток, но могут сильно повлиять на отдельные измерения, такие как измерения активности нейронов. Следует избегать пропуска некоторых ядер, когда последующие анализы предполагают, что все клетки были обнаружены, например, при построении схемы нейронов или установлении клеточной линии в эмбриональном развитии. Поэтому корректное определение всех ядер на изображениях без ложноотрицательных результатов является фундаментальной задачей в области информатики биоизображений.

    Хотя было предпринято много усилий для разработки методов, позволяющих избежать таких ложноотрицательных результатов, эти методы, по-видимому, недостаточно решают проблему. Например, в области головы Caenorhabditis elegans ядра нейронов плотно упакованы, и существующие методы дают много ложноотрицательных результатов, как показано ниже. На самом деле, в исследованиях визуализации активности всего мозга C . elegans , о которых сообщалось до сих пор, был использован метод обнаружения локальных пиков, который может игнорировать многие ядра [3,18], или ядра были обнаружены вручную [19,20].Необходимо разработать высокоточные методы автоматического обнаружения ядер, чтобы повысить эффективность и точность такого анализа изображений.

    Здесь мы предлагаем высокоточный метод автоматического обнаружения ядер плотно расположенных ядер клеток в трехмерном пространстве. Предлагаемый метод основан на недавно разработанном методе расщепления сгустков, подходящем для 3D-изображений, и улучшает обнаружение всех ядер на 3D-изображениях нейронов нематод. Комбинация этого подхода с алгоритмом подгонки смеси Гаусса дает высокоточное определение местонахождения плотно упакованных ядер и позволяет автоматически отслеживать и измерять эти ядра.Работоспособность предлагаемого метода демонстрируется на различных изображениях плотно упакованных головных нейронов нематод, полученных с помощью различных типов микроскопов.

    Результаты

    Игнорирование ядер путем обнаружения капель

    В этом исследовании мы сосредоточились на головных нейронах почвенной нематоды C . elegans , которые составляют основной ансамбль нейронов этого животного [21]. Все ядра нейронов червя штамма JN2100 визуализировали с помощью красного флуоресцентного белка mCherry.Область головы червя была визуализирована с помощью конфокального микроскопа, и мы получили 3D-изображения 12 животных (данные 1, рис. 1А). Форма ядер была примерно эллипсоидальной (рис. 1В). Интенсивность флуоресценции увеличивалась по направлению к центрам ядер (рис. 1D). Типичный полурадиус ядер составлял около 1,10 мкм (S1 на фиг.1). Расстояние до ближайшего соседнего ядра составляло 4,30 ± 2,13 мкм (среднее значение и стандартное отклонение, S1 рис.), что позволяет предположить, что нейроны плотно распределены в трехмерном пространстве. Средние значения интенсивности флуоресценции нейронов различались на один порядок (S1 рис.), что затрудняло обнаружение более темного ядра рядом со светлым ядром.

    Рис. 1. Игнорирование ядер при обычном обнаружении капель.

    (A) Пример трехмерного изображения ядер нейронов в области головы червя (Данные 1, см. Методы). Изображение отображается как максимальная проекция по оси x 3 . Обратите внимание, что все необработанные изображения в этой статье отображаются в логарифмическом масштабе, чтобы визуализировать темные ядра. (B) Увеличенный вид зеленого прямоугольника на (A). Отображается конкретный срез вдоль оси x 3 . (C) Предварительно обработанное изображение изображения в (B). (D) Интенсивности на пунктирных линиях в (B) и (C). (E) Результаты сегментации водораздела (шаг 2 предлагаемого метода). Область более яркого ядра показана голубым цветом. (F) Результаты сегментации по предлагаемому способу (этап 3 предлагаемого способа). Область более темного ядра показана пурпурным цветом.

    https://doi.org/10.1371/journal.pcbi.1004970.g001

    Сначала мы применили обычные методы обнаружения капель к трехмерному изображению (рис. 1C–1E).Из изображения были удалены шумы соли и перца и интенсивность фона. Изображение было сглажено, чтобы избежать чрезмерной сегментации (рис. 1C и 1D). Локальные пики интенсивности в предварительно обработанном изображении были обнаружены и использованы в качестве исходных данных для трехмерной сегментации водосборных бассейнов в оттенках серого. Каждую сегментированную область рассматривали как ядро ​​(рис. 1Е). Мы обнаружили, что темные ядра в областях с высокой плотностью часто ускользают от обнаружения. Если темное ядро ​​соседствовало со светлым ядром, флуоресценция светлого ядра перекрывала флуоресценцию темного ядра, и локальный пик интенсивности в темном ядре маскировался (рис. 1D).В результате семя для темного ядра было потеряно, и темное ядро ​​слилось со светлым ядром (рис. 1E). Частота ложноотрицательных ядер составила 18,9%. Напротив, предложенный нами метод успешно обнаружил и сегментировал темные ядра (рис. 1F).

    Использование областей отрицательной кривизны изоинтенсивных поверхностей для расщепления сгустков в 3D-изображениях

    Ядра имеют примерно эллипсоидальную форму, а интенсивность флуоресценции увеличивается по направлению к центрам ядер, что позволяет предположить, что интенсивность ядер может быть аппроксимирована смесью трехмерных распределений Гаусса.Интенсивности f k k -го распределения Гаусса g k в положении вокселя можно записать как Куда μ K и K — это среднее векторное и ковариационные матрицы г K , соответственно, и π K — это масштабирование интенсивности фактор. Чтобы объяснить влияние на кривизну, типичные светлые и темные ядра были аппроксимированы распределением Гаусса и показаны на рис. 2 в виде изолиний изоинтенсивности (рис. 2А, 2С и 2Е) и графиков интенсивности вдоль поперечного сечения (рис. 2В, 2D и 2F).Когда светлое ядро ​​находилось рядом с темным ядром, пиковая интенсивность темного ядра сливалась с хвостом распределения интенсивности флуоресценции яркого ядра и больше не образовывала пик.

    Рис. 2. Распределение интенсивности флуоресценции ядер, аппроксимированное распределением Гаусса.

    ( A , B ) Пример распределения интенсивности флуоресценции яркого ядра, аппроксимированного распределением Гаусса f 1 . π 1 = 120, μ 1 = (−1,0,0), Σ 1 = (диаг(1.10,0,89,1,35)) 2 . ( C , D ) Пример распределения интенсивности флуоресценции темного ядра, аппроксимированного распределением Гаусса f 2 . π 2 = 40, μ 2 = (2,0,0), Σ 2 = (диаг(1,10,0,89,1,22) х 9,21) 2 92 ( E , F ) Распределение интенсивности флуоресценции, когда темное ядро ​​находится рядом со светлым ядром, аппроксимировано смесью распределений f 1 и f 2 .Область, обведенная черными пунктирными линиями на E, отображает область отрицательной кривизны. ( A , C , E ) Контуры изоинтенсивности трехмерного гауссова распределения при x 3 = 1. х 2 , х 3 ) = (0,1). Черные кресты указывают положения пиков. ( G ) Контур слитой капли и типичный результат метода двумерного разделения сгустков.Красные точки обозначают вогнутые точки. Красной пунктирной линией обозначена линия границы.

    https://doi.org/10.1371/journal.pcbi.1004970.g002

    Этих ложноотрицательных результатов можно избежать, используя методы разделения близкой пары объектов или группового разделения. Такие методы были разработаны для корректного обнаружения объектов на двумерных (2D) изображениях [22–26]. Эти методы фокусируются на вогнутости контура капли. Вогнутость рассчитывали на основе одного из или комбинации различных измерений, таких как угол [25], площадь [27], кривизна [26] и измерения расстояния [24] контура.В этих методах после бинаризации изображения вогнутость получали для каждой точки контура. Затем точки вогнутости определялись как локальные вершины вогнутости. После определения вогнутых точек линия, соединяющая пару вогнутых точек, считается границей между объектами. Когда мы рассматриваем крайнюю контурную линию на рис. 2E как контур слитого пятна (рис. 2G), можно легко применить обычный метод разделения 2D-скопления, и из слившегося пятна обнаруживаются две вогнутые точки (рис. 2G, красные кружки).Капля была разделена на две части граничной линией, соединяющей две точки, и было обнаружено темное ядро.

    В идеальном случае на рис. 2Е мы получили необходимое и достаточное количество вогнутых точек. Однако на реальных изображениях мы можем получить слишком много вогнутых точек, потому что контуры часто содержат шум и не являются гладкими. Однако количество вогнутых точек для выбора неизвестно, потому что трудно узнать, сколько ядер включено в каплю на реальном изображении. Кроме того, не очевидно, как найти правильные комбинации вогнутых точек для соединения, если блоб содержит три или более объектов.Кроме того, для 3D-изображений концепции граничных линий, соединяющих две вогнутые точки, не могут быть естественным образом расширены до трех измерений, потому что теперь нам нужны некоторые дополнительные процессы, такие как соединение групп вогнутых точек для формирования граничных поверхностей. Даже если мы рассматриваем 3D-изображение как стопку 2D-изображений, трудно разделить объекты, объединенные в направлении z (направлении стопок) [11,27].

    Здесь мы вводим понятие областей вогнутости вместо точек вогнутости (т.е. локальный пик вогнутости).Далее мы будем использовать кривизну как меру вогнутости и сосредоточимся на областях с отрицательной кривизной для простоты и ясности, но могут быть применимы и другие меры, такие как угол, площадь и расстояние от выпуклой оболочки. Кроме того, мы использовали контурные линии изоинтенсивности внутри объекта в дополнение к контуру объекта. Вблизи вогнутых точек на рис. 2Е контурные линии изоинтенсивности имеют отрицательную кривизну; т. е. изгибаются в сторону малых интенсивностей. Отрицательная кривизна может быть ориентиром пограничной линии, потому что единственное распределение Гаусса имеет положительную кривизну везде.На самом деле воксели, в которых линия изоинтенсивности имеет отрицательную кривизну, находились между двумя гауссовыми распределениями (рис. 2Е, область между пунктирными линиями). Как только эти воксели удалены из капли, обнаружение двух ядер должно быть простым.

    Этот подход отличается от классических методов расщепления сгустков в двух отношениях; фокусируясь на области, а не на локальном пике вогнутости (точках вогнутости), и используя контурные линии изоинтенсивности в дополнение к контуру. Эти различия устраняют необходимость определения количества вогнутых точек и получения правильных комбинаций вогнутых точек, поскольку область отрицательной кривизны будет охватывать граничные линии.Поэтому мы можем использовать этот подход, даже если большой двоичный объект содержит три или более объектов. Кроме того, этот подход устойчив к шуму, поскольку он не зависит от одной изолинии. Кроме того, этот подход можно естественным образом распространить на 3D-изображения, поскольку 3D-область (то есть воксели) отрицательной кривизны будет покрывать граничные поверхности 3D-объектов. Контурные линии изоинтенсивности в 2D-изображениях являются частями контурных поверхностей изоинтенсивности в трех измерениях. Точка на изоинтенсивной поверхности имеет две основные кривизны, которые можно рассчитать по интенсивностям окружающих вокселей (текст S2) [28].Меньшая из двух главных кривизн положительна в любой точке одного распределения Гаусса, но отрицательна на границе двух распределений Гаусса. Поэтому, как только воксели с отрицательной кривизной удаляются из капли, два или более ядра должны легко обнаруживаться на 3D-изображениях. Таким образом, наш подход решает указанные выше проблемы классических методов расщепления сгустков.

    Разделение сгустков в реальных 3D-изображениях

    Мы применили описанный выше подход к реальным 3D-изображениям (рис. 3).Исходные изображения были обработаны шумоподавлением, удалением фона и сглаживанием для получения предварительно обработанных изображений. Алгоритм обнаружения пика смог найти только пик от яркого ядра, а капля, полученная сегментацией водораздела, содержала оба ядра. Главные кривизны поверхности изоинтенсивности рассчитывались по предварительно обработанному изображению. В области между двумя ядрами были воксели отрицательной кривизны, но эта область не разделяла два ядра полностью. Воксели с отрицательной кривизной были удалены из капли, и капля была преобразована по расстоянию; за этими процедурами последовала трехмерная сегментация водораздела.Таким образом, два ядра были разделены, и темное ядро ​​было успешно обнаружено.

    После того, как воксели отрицательной кривизны были удалены из пятен, размер пятен, полученных при сегментации второго водораздела, имел тенденцию быть меньше, чем реальные ядра, а расстояния между пятнами, как правило, были больше. Чтобы получить точные положения и размеры ядер, метод наименьших квадратов с гауссовской смесью был применен ко всему трехмерному изображению с использованием недавно разработанного метода (см. Методы).Количество распределений Гаусса и начальные значения центров распределений были получены из приведенных выше результатов.

    Повторное применение сегментации водосбора может привести к чрезмерной сегментации. Если расстояние между двумя подобранными распределениями Гаусса слишком мало, два распределения могут представлять одни и те же ядра. В этом случае одно из двух распределений было удалено, чтобы избежать чрезмерной сегментации, и процедура подгонки была повторена с одним распределением Гаусса.

    Предложенный метод обнаружил 194 из 198 ядер на 3D-изображении (рис. 4). Среди четырех пропущенных ядер интенсивность двух из них была слишком низкой, чтобы ее можно было обнаружить. Два других имели умеренную интенсивность, но прилегали к более ярким ядрам. В этих случаях расщепление сгустка на основе кривизны успешно разделило два ядра. Однако отклонения более ярких ядер от гауссовых распределений нарушили подгонку гауссовских распределений и привели к смещению гауссовских распределений для более темных ядер, которые вместо этого были подогнаны к более ярким ядрам.С другой стороны, предложенный метод выдал 11 ложных срабатываний. Два из них возникли из-за смещения гауссовского распределения для более темных ядер, описанного выше. Четыре из них не были ядрами нейронов, а представляли собой очаги флуоресценции, присущие кишечнику. Три из них были результатом чрезмерной сегментации ненейрональных ядер сложной формы. Одним из них была нелокализованная флуоресценция в цитозоле. Последнее было результатом чрезмерной сегментации большого ядра, которое соответствовало двум гауссовым распределениям, разнесенным на расстояние, большее, чем расстояние отсечки.

    Сравнение с другими методами сегментации

    Мы сравнили эффективность предложенного метода с пятью ранее опубликованными методами сегментации ядер (рис. 5 и таблица 1). Иластик [29] основан на методах машинного обучения и использует такие функции изображения, как лапласиан гауссова. FARSight [30] основан на методах разрезания графа. RPHC [1] был разработан для задач отслеживания нескольких объектов, таких как визуализация активности всего мозга C . elegans и использует метод обнаружения пиков на основе численной оптимизации для обнаружения объектов.Плагин 3D водораздела в ImageJ [31] состоит из обнаружения локального пика и засеянного водораздела. Этот метод почти такой же, как обычный метод обнаружения блоба, используемый в предлагаемом нами методе. CellSegmentation3D [32] использует технику отслеживания градиентного потока и была разработана для разделения комков. Этот метод использовался при изучении автоматического обнаружения ядер и аннотаций на трехмерных изображениях взрослых C . Элеганс [33]. Мы применили эти шесть методов к 12 животным в данных 1 (рис. 5) и получили показатели производительности (таблица 1, см. Методы).Параметры каждого метода были оптимизированы для набора данных.

    Рис. 5. Результаты сегментации предложенных и ранее опубликованных методов.

    Каждая строка показывает исходное изображение или результат сегментации указанным методом. В левом столбце показана трехмерная проекция результата. Средняя колонка показывает двумерную часть результата. Правая колонка показывает увеличенный вид изображения в средней колонке. Каждой сегментированной области назначается свой цвет.

    https://doi.org/10.1371/journal.pcbi.1004970.g005

    Трехмерные изображения в наборе данных содержат в среднем 190,92 ядра на основе ручного подсчета. Предложенный метод обнаружил 96,9% ядер, а частота ложноотрицательных результатов составила 3,1%, тогда как частота ложноотрицательных результатов других методов составила 11,2% и более. Ложноположительный результат предложенного метода составил 4,9%, а других методов — от 2,1% до 21,2%. Предлагаемый метод показывает наилучшие результаты с обоими хорошо зарекомендовавшими себя индексами, F-мерой [12] и точностью [34], из-за очень низкого уровня ложноотрицательных результатов и умеренного уровня ложноположительных результатов.

    Следует отметить, что все сравниваемые методы не учитывали более 10% ядер в нашем наборе данных. Причина этого была предложена результатами сегментации, в которых почти все эти методы не смогли обнаружить темные ядра рядом со светлыми ядрами и объединить их (рис. 5, правая колонка). Эти результаты показывают, что все сравниваемые методы имеют трудности с обработкой 3D-изображений либо с большим разбросом интенсивности объектов, либо с плотной упаковкой объектов, либо с тем и другим (S1 Fig).

    Эти результаты ясно указывают на то, что предлагаемый нами метод обнаруживает плотно расположенные ядра клеток в трехмерном пространстве с высочайшей точностью.Очень низкий уровень ложноотрицательных результатов является наиболее значительным улучшением предлагаемого метода по сравнению с другими методами, предполагая, что предлагаемый метод значительно повысит эффективность и точность этапов анализа изображения.

    Графический интерфейс для визуализации и исправления ошибок

    Поскольку ни один из методов компьютерного анализа изображений не совершенен, экспериментаторы должны иметь возможность исправлять любые обнаруженные ими ошибки. Поэтому необходим удобный графический пользовательский интерфейс (GUI) для визуализации и корректировки результатов.Мы разработали графический интерфейс под названием RoiEdit3D для визуализации результата предлагаемого метода и его корректировки вручную (рис. S2). Поскольку RoiEdit3D основан на ImageJ/Fiji [35,36] в MATLAB через Miji [37], экспериментаторы могут напрямую использовать знакомый интерфейс и инструменты ImageJ. Разработчики могут расширять функциональные возможности, используя любимую среду, выбранную из различных вариантов, таких как макросы ImageJ, Java, сценарии MATLAB и языки C++. Интерфейс с последующим анализом должен быть простым, поскольку скорректированные результаты сохраняются в стандартном формате данных MATLAB и могут быть экспортированы в Microsoft Excel.

    Трехмерные изображения отображаются в виде трехгранных фигур с помощью настроенного плагина Orthogonal View в ImageJ (S2 Fig). Подогнанные распределения Гаусса показаны в виде эллипсоидальных областей интереса (ROI) в каждом представлении. Параметры распределения Гаусса отображаются в окне Customized ROI Manager в виде таблицы. Customized ROI Manager и трехгранные фигуры связаны между собой, а выбранные ROI подсвечиваются в обоих окнах. При изменении параметров распределений или названий ядер в окне Customized ROI Manager соответствующие ROI на трехгранных фигурах обновляются немедленно.Подгонка по методу наименьших квадратов с использованием смеси Гаусса может применяться после того, как области интереса будут удалены или добавлены вручную.

    Приложение для визуализации активности всего мозга

    RoiEdit3D можно использовать для отслеживания нескольких объектов. Подогнанная гауссовская смесь в момент времени используется в качестве начального значения для смеси в следующий момент времени, и выполняется процедура подбора (рис. 6А). Кроме того, интенсивности ядер могут быть получены как параметры подогнанных гауссовых распределений.

    Рис. 6.Методы и результаты отслеживания с помощью RoiEdit3D.

    (A) Схематическое изображение метода отслеживания. (B) Часть данных, используемых для отслеживания (Данные 2). Трехмерное изображение первой временной точки показано как максимально проецируемое изображение правой половины животного. Маркер ядра нейрона показан красным, а индикатор кальция показан голубым. Область интереса ASER показана желтым эллипсом. Другие области интереса отображаются в виде синих эллипсов. (C) Динамика ответа ASER, полученного с помощью индикатора кальция.Серая область указывает на период стимуляции.

    https://doi.org/10.1371/journal.pcbi.1004970.g006

    Мы попытались отследить и измерить интенсивность флуоресценции ядер на 3D-изображениях в реальном времени (Data2). Животное на изображении экспрессировало индикатор кальция, поэтому нейронная активность во время стимуляции сенсорным стимулом, хлоридом натрия, могла быть измерена как изменение интенсивности флуоресценции. Предложенный метод обнаружения ядер был применен к первой временной точке изображения и обнаружил 194 ядра из 198 ядер.Семнадцать ложноположительных результатов и четыре ложноотрицательных результата были исправлены вручную с помощью RoiEdit3D. Затем ядра на покадровом 3D-изображении отслеживались предложенным методом. Большинство ядер удалось отследить. Одна или несколько ошибок слежения произошли в 27 ядрах за 591 кадр, а вероятность успеха составила 86,4%, что сравнимо с таковым в предыдущей работе [1]. Процесс отслеживания занимает 19,83 секунды на кадр (всего 3,25 часа).

    Вкусовой нейрон ASER был успешно идентифицирован и отслежен на покадровом 3D-изображении с помощью предложенного метода (рис. 6В).Сообщается, что нейрон ASER реагирует на изменения концентрации хлорида натрия [38,39]. Мы выявили аналогичный ответ нейрона ASER с помощью предложенного метода (рис. 6C). Этот результат указывает на то, что предложенный метод можно использовать для отслеживания и измерения нескольких объектов, что является важной функцией для визуализации активности всего мозга.

    Кроме того, предложенный метод был использован для измерения интенсивности флуоресценции ядер в покадровых двумерных изображениях (данные 3). Предложенный метод обнаружения ядер был применен к изображению в первый момент времени (S3 Fig).Данные 3 не содержат изображений высоко локализованного ядерного маркера, поэтому вместо них использовались изображения слабо локализованного в ядрах индикатора кальция. Предложенный метод нашел 7 ядер из 9 ядер. Шесть ложноположительных и два ложноотрицательных результата были исправлены вручную с помощью RoiEdit3D. Затем ядра отслеживались предложенным методом. Все ядра были успешно отслежены в течение 241 временного интервала. Нейрон ASER был успешно идентифицирован и отслежен на двумерных изображениях.Реакция нейрона ASER на 2D-изображениях (S3 Fig) аналогична реакции на 3D-изображениях. Этот результат указывает на то, что предложенный метод можно использовать для многообъектного отслеживания и измерения 2D-изображений, а также 3D-изображений.

    Обсуждение

    В этой статье мы предложили метод, который точно обнаруживает ядра нейронов, плотно распределенные в трехмерном пространстве. Наш графический интерфейс позволяет визуализировать и вручную корректировать результаты автоматического обнаружения ядер на 3D-изображениях, а также на 2D-изображениях.Кроме того, наш графический интерфейс успешно отслеживал и измерял несколько объектов на 2D- и 3D-изображениях с интервальной съемкой. Таким образом, предлагаемый метод может быть использован как комплексный инструмент для анализа активности нейронов, в том числе для визуализации активности всего мозга.

    Хотя методы микроскопии для визуализации активности всего мозга C . elegans интенсивно разрабатывались в последние годы [3,18–20], методы компьютерного анализа изображений были недостаточно развиты. В этих работах ядра нейронов в данных визуализации активности всего мозга обнаруживались либо вручную, либо автоматически путем обнаружения пиков.Ручное обнаружение является наиболее надежным, но трудоемким и трудоемким, в то время как точность автоматического обнаружения пиков относительно низка из-за пропуска темных ядер рядом с яркими ядрами. Предлагаемый нами метод уменьшит сложность и повысит точность. Кроме того, количество ядер нейронов, обнаруженных или отслеженных в этих четырех работах, было меньше, чем реальное количество ядер нейронов [3,18–21]. Нехватка может быть связана не только с экспериментальными ограничениями, такими как флуктуация экспрессии флуоресцентного белка или низкое разрешение изображения, но и с ограничениями методов анализа изображений, которые могут игнорировать ядра.Предлагаемый метод может обнаруживать почти все ядра в наших данных визуализации активности всего мозга (рис. 6), предполагая, что предлагаемый метод может избежать ошибок, которые могут быть вызваны игнорированием ядер, таких как ошибочные измерения активности нейронов и неверная идентификация классов нейронов. . Таким образом, наш метод будет весьма полезен для этой цели.

    Пэн и его коллеги интенсивно разрабатывали вычислительные методы для автоматической аннотации ядер клеток в C . Элеганс [33,40,41].Хотя их методы успешно аннотируют клетки во многих тканях, таких как мышцы стенки тела и кишечник, эти методы, по-видимому, неприменимы для аннотаций головных нейронов у взрослых червей, что очень желательно в области визуализации активности всего мозга [20]. Они указали, что положение ядер нейронов у взрослых червей сильно варьирует [33], и это может быть одной из причин трудностей. Точность обнаружения и сегментации ядер нейронов может быть еще одной причиной, поскольку CellSegmentation3D, которая была включена в их последнюю структуру аннотаций [33], демонстрирует скомпрометированную производительность в нашем наборе данных (таблица 1, рис. 5).Предлагаемый нами метод повышает точность обнаружения ядер нейронов и будет способствовать развитию методов автоматического аннотирования нейронов. Примечательно, что метод одновременного обнаружения и аннотации клеток [41] уникален и полезен в исследованиях C . Элеганс . Поскольку метод присваивает позиции отсчета непосредственно образцу образца и избегает этапа обнаружения, метод находит клетки, не пропуская их при некоторых условиях, но не будет работать правильно при большом разбросе чисел или относительном положении ядер, как в том, так и в другом случае. из которых наблюдаются в нашем наборе данных.

    Оптимальный метод точного обнаружения ядер зависит от характеристик ядер. Многие условия, такие как метод визуализации, форма и распределение ядер, будут влиять на эти характеристики. В нашем случае распределения интенсивности флуоресценции ядер были аналогичны распределениям Гаусса; таким образом, мы разработали оптимальный метод для таких случаев. Даже если исходное изображение не имеет этих характеристик, некоторые этапы предварительной обработки, такие как применение фильтра сглаживания Гаусса, могут позволить применить наш метод к изображению.

    Хотя выбор оптимального метода и настройка его параметров могут оказаться более трудоемкими, чем ручная идентификация, метод автоматического обнаружения повысит субъективность и эффективность. В области биологии часто приходится одинаково хорошо анализировать сотни или тысячи животных. В таком случае ручное обнаружение потребует много времени и потребуется автоматический метод обнаружения.

    Для отслеживания ядер в цейтраферных изображениях мы можем применить метод обнаружения к каждому временному кадру отдельно, а затем связать обнаруженные ядра между кадрами.В этом случае некоторые ложные негативы и ложные срабатывания будут создаваться отдельно для каждого кадра, и они могут нарушить шаг ссылки, что приведет к увеличению ошибок отслеживания. С другой стороны, в предлагаемом методе результат автоматического обнаружения можно корректировать вручную, что приводит к уменьшению ошибок слежения.

    Предлагаемый метод отслеживания является упрощенным подходом. Сочетание с существующими отличными методами отслеживания, вероятно, улучшит эффективность отслеживания предлагаемого метода.Деление и гибель клеток в наших данных не встречались, но они представляют собой фундаментальные проблемы при анализе эмбрионального развития. Может быть важно улучшить наш метод, если он будет применяться к этим проблемам, чтобы метод соответствующим образом обрабатывал такие явления.

    Методы

    Штаммы и культуры

    С . В этом исследовании использовали штаммы elegans JN2100 и JN2101. Животных выращивали на среде для выращивания нематод при 20°С. Е .В качестве источника пищи использовали штамм OP50 штамма coli .

    JN2100.

    Генотип штамма JN2100: Is[h30p :: NLS4 :: mCherry] . У этого штамма ядра всех нейронов маркированы красным флуоресцентным белком mCherry [42]. Промотор h30 ( h30p ) представляет собой фрагмент ДНК длиной 2479 п.н. , полученный из области выше по течению гена rimb-1 гена C . elegans и управляет экспрессией генов паннейронным образом.mCherry был слит с четырьмя тандемными повторами пептидов сигнала ядерной локализации (NLS) и локализован в ядрах. Штамм был создан путем инъекции экспрессионного вектора, содержащего h30p :: NLS4 :: mCherry , в штамм Bristol N2 (дикий тип), интеграции трансгена в геном с помощью УФ-облучения и ауткроссинга с N2 three. раз.

    JN2101.

    Генотип штамма JN2101 — Is[h30p :: NLS4 :: mCherry]; Ex [налог-4p :: nls-YC2 . 60 , лин-44п :: GFP] . В этом штамме генетически кодируемый индикатор кальция (GECI) экспрессируется в некоторых сенсорных нейронах и сообщает об активности этих нейронов. Промотор tax-4 ( tax-4p ) представляет собой фрагмент ДНК длиной 3132 п.н., полученный из области выше по течению гена tax-4 C . elegans и управляет экспрессией генов в подмножестве сенсорных нейронов, включая вкусовой нейрон ASER [43]. Желтый Камелеон 2 . 60 ( YC2 . 60 ) представляет собой тип GECI и сообщает о концентрации Ca 2+ , которая изменяется в зависимости от активности нейронов, как отношение интенсивности флуоресценции желтого флуоресцентного белка (YFP) к интенсивности флуоресценции желтого флуоресцентного белка (YFP). голубой флуоресцентный белок (CFP) [44]. YC2.60 был слит с пептидом NLS и локализован в основном в ядрах. Штамм был получен путем инъекции вектора экспрессии, содержащего tax-4p :: nls-YC2 . 60 с маркером трансформации ( lin-44p :: GFP , экспрессируется в клетках гиподермы хвоста) в JN2100.

    Наборы данных

    В этом исследовании мы использовали три набора данных. Данные 1 и 2 содержат около 200 ядер нейронов, а Данные 3 содержат 9 ядер. Положения центров ядер вручную корректировались специалистами-экспериментаторами с помощью предложенного графического интерфейса.

    Данные 1.

    Набор статических трехмерных одноканальных изображений штамма JN2100 был использован для проверки эффективности обнаружения ядер предлагаемым методом. В день 1 взрослых животных помещали на подушку с 2% агаром и парализовали азидом натрия.Флуоресценцию mCherry наблюдали с помощью лазерной сканирующей конфокальной микроскопии (Leica SP5 с 63-кратным иммерсионным объективом и 2-кратным увеличением). Размеры изображений по осям x 1 и x 2 составляли 512 и 256 вокселей соответственно, а размер по оси x 3 варьировался от 142 до 175 вокселей. диаметр животного. Размеры вокселя по осям x 1 , x 2 и x 3 были равны 0.240, 0,240 и 0,252 мкм соответственно.

    Данные 2.

    Временная серия трехмерных многоканальных изображений штамма JN2101 использовалась для проверки эффективности отслеживания предлагаемого метода. Взрослое животное первого дня вводили и держали в микрожидкостном устройстве, называемом обонятельным чипом [45]. Животное и его головные нейроны в некоторой степени двигались в устройстве, потому что животное не было парализовано. Животное стимулировали от 50 до 100 с после начала каждого эксперимента пониженной концентрацией хлорида натрия [39], и одновременно наблюдали флуоресценцию в каналах CFP, YFP и mCherry с помощью индивидуальной конфокальной микроскопии с вращающимся диском.Размеры изображения по осям х 1 , х 2 и х 3 составляли 512, 256 и 20 вокселей соответственно. Размеры вокселя по осям х 1 , х 2 и х 3 составили 0,33, 0,33 и 1,40 мкм соответственно. Объемная частота кадров составляла 4,75 в секунду (планарная частота кадров 95), и был записан 591 3D-кадр (около 124 с).

    Данные 3.

    Временная серия многоканальных 2D-изображений штамма JN2101 использовалась для проверки характеристик обнаружения и отслеживания предлагаемого метода для 2D-изображений с интервальной съемкой. Условия эксперимента для подготовки образцов и стимуляции такие же, как и для данных 2, за исключением периода стимуляции (от 51 до 151 кадров после начала эксперимента). Флуоресценцию в каналах CFP и YFP наблюдали одновременно с помощью инвертированного микроскопа DMI6000B с объективом HCX PL APO 63x (NA 1,40) (Leica), системой формирования изображений FRET двойного обзора DV2 (Photometrics) и камерой ImageEM EM-CCD (Hamamatsu). Фотоника) [46].Размеры изображения по осям х 1 и х 2 составили 512 и 256 соответственно. Размеры вокселя по осям х 1 и х 2 составили 0,254 и 0,254 мкм соответственно. Частота кадров составляла 1,83 кадра в секунду, и был записан 241 2D-кадр (около 131 с).

    Схема предлагаемого способа

    Сгустки ядер были обнаружены обычным методом (этапы 1 и 2).Недостаточно сегментированные капли были обнаружены и разделены на шаге 3. Точные положения и размеры ядер были получены на шаге 4. Названия и значения параметров фильтров, используемых в предлагаемом методе, показаны в таблице S1.

    Шаг 1: Предварительная обработка.

    Параллельное смещение по осям x 1 и x 2 между изображениями с разными осями x 3 или времени скорректировано на основе кросс-корреляции с использованием функции 47registration] в МАТЛАБ.Если данные содержали несколько каналов или несколько моментов времени, для обнаружения ядра извлекались изображения в одном канале или в один момент времени. Затем изображения были обработаны шумоподавляющим фильтром («Median 3D…» для данных 1), вычитанием фона («Subtract Background…» для данных 1) и размытием по Гауссу («Gaussian Blur 3D…» для данных 1) с использованием соответствующих методы, реализованные на Фиджи.

    Шаг 2: Сегментация.

    Очевидные фоновые воксели на изображениях были удалены путем пороговой обработки с использованием соответствующего метода, реализованного на Фиджи.Локальные пики интенсивности 3D-изображения были обнаружены с помощью фильтра 3D-максимума, реализованного в MATLAB. При наличии двух и более пиков в радиусе фильтра 3D-максимум только самый яркий считался локальным пиком, а остальные отбрасывались. Локальные пики использовались в качестве исходных данных для трехмерной сегментации водораздела в оттенках серого, реализованной как «Водораздел, управляемый маркером» в плагине MorphoLibJ на Фиджи. Слишком маленькие объекты считались фоновым шумом и удалялись. Фоновые воксели в каждом сегментированном фрагменте изображения были удалены с помощью пороговой обработки [48], реализованной в MATLAB.

    Шаг 3: Расщепление сгустков на основе отрицательной кривизны.

    Кривизна поверхности изоинтенсивности вычислялась для каждого вокселя (текст S2) [28]. Сегментированное частичное изображение помечалось как недосегментированное, если количество вокселей, имеющих отрицательную кривизну в частичном изображении, превышало пороговое значение. Если воксели отрицательной кривизны не были связаны с границей части изображения, они считались шумом и не учитывались. Воксели отрицательной кривизны вблизи границы части изображения считались частью правильной сегментации и не учитывались.Если субизображения были помечены как недосегментированные, воксели отрицательной кривизны удалялись, а субизображение преобразовывалось по расстоянию и сегментировалось с помощью алгоритма 3D-засеянного водораздела.

    Шаг 4: Аппроксимация по методу наименьших квадратов с использованием гауссовой смеси.

    Положения, формы и интенсивности обнаруженных ядер были получены путем подгонки с использованием гауссовой смеси. Процедура подбора методом наименьших квадратов подробно описана в S1 Text и S4 Fig. Количество распределений Гаусса и начальные значения центров распределений были получены из результатов разделения сгустков (предыдущий шаг).Начальные значения ковариационных матриц распределений были зафиксированы на предопределенном значении по умолчанию. Если после подгонки расстояние между центрами двух распределений оказывалось слишком маленьким, одно из двух распределений удалялось, а подгонка повторялась. После сходимости масштабные коэффициенты гауссовых распределений оценивались в других каналах для получения интенсивностей ядер в этих каналах.

    Если данные содержали несколько моментов времени, процедура подгонки включала отслеживание ядер.Гауссова смесь в текущий момент времени использовалась в качестве начального значения для гауссовой смеси в следующий момент времени, и процедура подгонки выполнялась без изменения собственных значений ковариационных матриц (т.е. размера ядер) [49] . Этот шаг повторялся для всех временных точек.

    Предлагаемый метод был реализован как C, Java и Matlab, затем интегрирован как коды Matlab. В данном исследовании предложенный метод был протестирован на настольном ПК (6-ядерный процессор Intel Core i7-3930K с тактовой частотой 3,2 ГГц и 16 ГБ памяти, 64-разрядная ОС Windows 7).Чтобы подтвердить переносимость нашего метода в Linux и кластерную среду, предложенный метод был протестирован на суперкомпьютерной системе Shirokane3 (Центр генома человека, Токийский университет).

    Сравнение производительности

    Производительность предлагаемого метода обнаружения клеток сравнивалась с пятью современными методами: Ilastik, FARSight, RPHC, плагином 3D водораздела в ImageJ и CellSegmentation3D. Ilastik — это метод, основанный на машинном обучении, для которого требуются обучающие данные, созданные вручную.Параметры RPHC были такими же, как в литературе [1]. Параметры других методов были оптимизированы на основе F-меры и точности. Параллельные смещения необработанных 3D-изображений 12 животных в данных 1 были скорректированы, и методы были применены к изображениям. Поскольку FARSight аварийно завершал работу во время обработки, использовалась его версия для командной строки (segment_nuclei.exe) [50]. Входные изображения для FARSight и CellSegmentation3D были преобразованы в 8-битные изображения, поскольку они не могли работать с 32-битными изображениями в градациях серого.Для CellSegmentation3D, поскольку он не мог работать со всем нашим трехмерным изображением, входные изображения были разделены и обработаны отдельно. Сравнение проводилось и измерялось время обработки на том же ПК, что и для предлагаемого метода. Все методы, кроме CellSegmentation3D, могут использовать многопоточность.

    Центроиды сегментированных областей, полученные каждой программой, использовались в качестве репрезентативных точек объектов. Для предлагаемого метода в качестве репрезентативных точек использовались средние значения подобранных распределений Гаусса ( μ k ).Были получены евклидовы расстояния между репрезентативными точками и заданной вручную наземной истиной. Если репрезентативная точка была ближайшим соседом точки Истинной Земли и наоборот, объект считался Истинно Положительным. Если выполнялось только первое условие, основная истина считалась ложноотрицательной. Если выполнялось только последнее условие, объект считался ложноположительным.

    Мы получили индексы производительности [12,34,50] следующим образом: куда GT, TP, FP и FN означают истинность, истинное положительное, ложноположительное и ложноотрицательное значение соответственно.

    Сопроводительная информация

    S1 Рис. Форма и пространственное распределение ядер, полученных предлагаемым методом.

    ( A–C ) Радиус ядер в данных 1. Полурадиусы подобранных эллипсоидов получаются как квадратные корни собственных значений ковариационных матриц подобранных гауссовских распределений. ( D ) Форма ядер измеряется как отношение максимальной и минимальной длин осей эллипсоидов. ( E ) Расстояния до ближайших соседей ядер, полученные как минимальное расстояние между центрами аппроксимированных распределений Гаусса.( F ) Интенсивности флуоресценции ядер, полученные как масштабные параметры π k подобранных распределений Гаусса.

    https://doi.org/10.1371/journal.pcbi.1004970.s001

    (EPS)

    S3 Рис. Результат отслеживания двумерных изображений временных рядов.

    (A) Показано изображение в первый момент времени данных 3 (двухмерные изображения временного ряда). Для наглядности голубым цветом показан только канал CFP индикатора кальция Yellow Cameleon.Область интереса ASER показана желтым эллипсом. Другие области интереса отображаются в виде синих эллипсов. (B) Динамика ответа ASER, полученного с помощью индикатора кальция. Серая область указывает на период стимуляции.

    https://doi.org/10.1371/journal.pcbi.1004970.s003

    (EPS)

    S4 Рис. Проверка предложенной альтернативной процедуры оптимизации.

    Временные графики показывают ход процедур оптимизации для 3D-изображений 12 животных в данных 1. В таблице показаны оценки пригодности процедур для каждого животного и количество испытаний, результаты которых находятся в пределах 110 % от наилучшего результата.

    https://doi.org/10.1371/journal.pcbi.1004970.s004

    (EPS)

    Благодарности

    Часть вычислительных ресурсов предоставила суперкомпьютерная система Shirokane3 Центра генома человека (Токийский университет). Мы благодарим Ю. Сато и других сотрудников нашей лаборатории за полезные обсуждения и техническую помощь в проведении экспериментов.

    Авторские взносы

    Выполнены эксперименты: MK MSJ TTe YT. Проанализированы данные: YT YI TTo OH RY TTe MK MSJ SK TI.Написал статью: YT YI. Инициатор проекта: YT YI. Разработал метод анализа изображений: Ю.Т. Ю.И. Поддержали разработку: ТТо ОХ РЫ МК ТИ. Разработан заказной микроскоп: TTe TI. Разработал эксперименты: YT YI TTe MK MSJ SK TI.

    Каталожные номера

    1. 1. Токунага Т., Хиросе О., Кавагути С., Тойосима Ю., Терамото Т., Икебата Х. и др. Автоматическое обнаружение и отслеживание многих клеток с использованием данных 4D-изображения живых клеток. Биоинформатика. 2014;30: i43–i51. пмид:24
        4
      • 2.Аренс М.Б., Оргер М.Б., Робсон Д.Н., Ли Дж.М., Келлер П.Дж. Функциональная визуализация всего мозга с клеточным разрешением с использованием световой микроскопии. Нат Методы. 2013; 10: 413–420. пмид:23524393
      • 3. Преведель Р., Юн Ю.Г., Хоффманн М., Пак Н., Ветцштейн Г., Като С. и др. Одновременная трехмерная визуализация активности нейронов всего животного с использованием микроскопии светового поля. Нат Методы. 2014; 11: 727–730. пмид:24836920
      • 4. Lemon WC, Pulver SR, Höckendorf B, McDole K, Branson K, Freeman J, et al.Функциональная визуализация всей центральной нервной системы у личинок дрозофилы. Нац коммун. 2015;6: 7924. pmid:26263051
      • 5. Тайнака К., Кубота С.И., Суяма Т.К., Сусаки Э.а., Перрин Д., Укаи-Таденума М. и соавт. Визуализация всего тела с разрешением одной клетки путем обесцвечивания ткани. Клетка. Эльзевир Инк .; 2014; 159: 911–24. пмид:25417165
      • 6. Сусаки Э., Тайнака К., Перрин Д., Кишино Ф., Тавара Т., Ватанабэ Т.М. и др. Визуализация всего мозга с разрешением одной клетки с использованием химических коктейлей и компьютерного анализа.Клетка. Эльзевир; 2014; 157: 726–739. пмид:24746791
      • 7. Хама Х., Курокава Х., Кавано Х., Андо Р., Симогори Т., Нода Х. и др. Масштаб: химический подход к флуоресцентной визуализации и реконструкции прозрачного мозга мыши [Интернет]. Неврология природы. Издательская группа «Природа»; 2011. стр. 1481–1488. пмид:21878933
      • 8. Ke MT, Fujimoto S, Imai T. SeeDB: простой и сохраняющий морфологию оптический очиститель для реконструкции нейронных цепей. Нат Нейроски.Издательская группа «Природа»; 2013; 16: 1154–1161. пмид:237

      • 9. Чанг К., Уоллес Дж., Ким С.И., Кальянасундарам С., Андалман А.С., Дэвидсон Т.Дж. и др. Структурный и молекулярный опрос интактных биологических систем. Природа. Издательская группа «Природа»; 2013; 497: 332–337. пмид:23575631
      • 10. Оберлендер М., Дерксен В.Дж., Эггер Р., Гензель М., Сакманн Б., Хеге Х.К. Автоматизированное трехмерное обнаружение и подсчет сомат нейронов. J Neurosci Методы. 2009; 180: 147–160.пмид:19427542
      • 11. Латорре А., Алонсо-Нанкларес Л., Муэлас С., Пенья Дж. М., Дефелипе Дж. Трехмерная сегментация ядер нейронов из стопок изображений конфокального микроскопа. Фронт Нейроанат. 2013;7: 49. pmid:24409123
      • 12. Башар М.К., Ямагата К., Кобаяши Т.Дж. Улучшенное и надежное обнаружение ядер клеток по четырехмерным флуоресцентным изображениям. ПЛОС Один. 2014;9: e101891. пмид:25020042
      • 13. Башар М.К., Комацу К., Фухимори Т., Кобаяши Т.Дж.Автоматическое извлечение центроидов ядер эмбриональных клеток мыши из изображений флуоресцентной микроскопии. ПЛОС Один. 2012;7: e35550. пмид:225
      • 14. Azuma Y, Onami S. Оценка эффективности простых методов сегментации ядер на изображениях эмбриогенеза Caenorhabditis elegans. Биоинформатика BMC. Биоинформатика BMC; 2013;14: 295. pmid:240
      • 15. Bao Z, Murray JI, Boyle T, Ooi SL, Sandel MJ, Waterston RH. Автоматическое отслеживание клеточных линий у Caenorhabditis elegans.Proc Natl Acad Sci U S A. 2006; 103: 2707–12. пмид:16477039
      • 16. Мейеринг Э., Дзюбачик О., Смаль И. Методы отслеживания клеток и частиц. Методы Энзимол. 2012; 504: 183–200. пмид:22264535
      • 17. Стегмайер Дж., Амат Ф., Лемон В.К., Теодоро Г., Микут Р., Келлер П.Дж. и др. Трехмерная сегментация клеток в режиме реального времени в данных крупномасштабной микроскопии развивающихся технологий Трехмерная сегментация клеток в реальном времени в данных крупномасштабной микроскопии развивающихся эмбрионов.Ячейка Дев. Эльзевир Инк .; 2016; 36: 225–240. пмид:26812020
      • 18. Като С., Каплан Х.С., Шредель Т., Скора С., Линдси Т.Х., Йемини Э. и др. Global Brain Dynamics Встроить последовательность двигательных команд Caenorhabditis elegans. Клетка. 2015; 163: 656–69. пмид:26478179
      • 19. Шредель Т., Преведель Р., Аумайр К., Циммер М., Вазири А. Трехмерное изображение активности нейронов у Caenorhabditis elegans с помощью скульптурного света. Нат Методы. 2013;10: 1013–20. пмид:24013820
      • 20.Нгуен Дж.П., Шипли Ф.Б., Линдер А.Н., Пламмер Г.С., Лю М., Сетру С.У. и др. Визуализация кальция всего мозга с клеточным разрешением у свободно ведущих себя Caenorhabditis elegans. Proc Natl Acad Sci U S A. 2016; 113: E1074–81. пмид:26712014
      • 21. Уайт Дж. Г., Саутгейт Э., Томсон Дж. Н., Бреннер С. Структура нервной системы нематоды Caenorhabditis elegans [Интернет]. Философские труды Королевского общества B: Биологические науки. 1986. С. 1–340.
      • 22.Онг С.Х., Джаясурия, Йеоу Х.Х., Синния Р. Разложение цифровых комков на выпуклые части путем отслеживания контуров и маркировки. Распознавание образов 1992; 13: 789–795.
      • 23. Yeo T, Jin X, Ong S, Jayasooriah, Sinniah R. Расщепление Кламп с помощью анализа вогнутости. Распознавание образов 1994; 15: 1013–1018.
      • 24. ЛаТорре А., Алонсо-Нанкларес Л., Муэлас С., Пенья Дж. М., ДеФелипе Дж. Сегментация ядер нейронов на основе расщепления глыб и двухэтапной бинаризации изображений.Приложение Expert Syst. ООО «Эльзевир»; 2013; 40: 6521–6530.
      • 25. Bai X, Sun C, Zhou F. Разделение соприкасающихся ячеек на основе вогнутых точек и аппроксимации эллипса. Распознавание образов. Эльзевир; 2009; 42: 2434–2446.
      • 26. Чжан С., Сун С., Су Р., Фам ТД. Сегментация сгруппированных ядер на основе взвешивания кривизны. Материалы 27-й конференции по вычислениям изображения и зрения в Новой Зеландии — IVCNZ ‘12. Нью-Йорк, Нью-Йорк, США: ACM Press; 2012. с. 49. https://doi.org/10.1145/2425836.2425848
      • 27. Indhumathi C, Cai YY, Guan YQ, Opas M. Алгоритм автоматической сегментации для разделения трехмерных кластеров клеток с использованием объемных конфокальных изображений. Дж Микроск. 2011; 243: 60–76. пмид:21288236
      • 28. Тирион Дж. П., Гурдон А. Вычисление дифференциальных характеристик изоинтенсивных поверхностей. Comput Vis Image Underst. 1995; 61: 190–202.
      • 29. Зоммер К., Штреле К., Коте Ю., Хампрехт Ф. а. Ilastik: Набор инструментов для интерактивного обучения и сегментации.2011 Международный симпозиум IEEE по биомедицинской визуализации: от нано к макро. ИЭЭЭ; 2011. С. 230–233. https://doi.org/10.1109/ISBI.2011.5872394
      • 30. Al-Kofahi Y, Lassoued W, Lee W, Roysam B. Улучшенное автоматическое обнаружение и сегментация ядер клеток на гистопатологических изображениях. IEEE Trans Biomed Eng. 2010; 57: 841–852. пмид:19884070
      • 31. Ollion J, Cochennec J, Loll F, Escudé C, Boudier T. TANGO: универсальный инструмент для высокопроизводительного анализа трехмерных изображений для изучения ядерной организации.Биоинформатика. 2013; 29: 1840–1841. пмид:23681123
      • 32. Ли Г., Лю Т., Тарох А., Ни Дж., Го Л., Мара А. и др. Трехмерная сегментация ядер клеток на основе отслеживания градиентного потока. BMC клеточная биология. 2007;8:40. pmid:17784958
      • 33. Aerni SJ, Liu X, Do CB, Gross SS, Nguyen A, Guo SD, et al. Автоматизированная клеточная аннотация изображений взрослых особей Caenorhabditis elegans с высоким разрешением. Биоинформатика. 2013; 29: i18–26. пмид:23812982
      • 34. Сун Ю, Цай В, Хуан Х, Ван И, Фэн ДД, Чен М.Прогрессивная локализация ядер клеток на микроскопических изображениях на основе регионов с адаптивным моделированием данных. Биоинформатика BMC. 2013;14: 173. pmid:23725412
      • 35. Schneider C a, Rasband WS, Eliceiri KW. NIH Image to ImageJ: 25 лет анализа изображений. Природные методы. Издательская группа «Природа»; 2012. С. 671–675. пмид:224
      • 36. Schindelin J, Arganda-Carreras I, Frize E, Kaynig V, Longair M, Pietzsch T, et al. Фиджи: платформа с открытым исходным кодом для анализа биологических изображений.Нат Методы. 2012;9: 676–682. пмид:22743772
      • 37. Sage D, Prodanov D, Tinevez JY, Schindelin J. MIJ: Обеспечение возможности взаимодействия между ImageJ и Matlab. Плакат конференции разработчиков ImageJ. 2012 г.; 4. Доступно: http://bigwww.epfl.ch/sage/soft/mij/Poster-MIJ-Daniel-Sage.pdf
      • 38. Сузуки Х., Тиле Т.Р., Фомон С., Эзкурра М., Локери С.Р., Шафер В.Р. Функциональная асимметрия вкусовых нейронов Caenorhabditis elegans и ее вычислительная роль в хемотаксисе. Природа.2008; 454: 114–7. пмид:18596810
      • 39. Кунитомо Х., Сато Х., Ивата Р., Сато Й., Оно Х., Ямада К. и др. Синаптическая пластичность вкусовой цепи, зависящая от концентрации памяти, регулирует хемотаксис концентрации солей у Caenorhabditis elegans. Нац коммун. Издательская группа «Природа»; 2013;4: 2210. pmid:23887678
      • 40. Лонг Ф., Пэн Х., Лю С., Ким С.К., Майерс Э. Трехмерный цифровой атлас C. elegans и его применение для анализа отдельных клеток. Нат Методы. Издательская группа «Природа»; 2009; 6: 667–72.пмид:19684595
      • 41. Qu L, Long F, Liu X, Kim S, Myers E, Peng H. Одновременное распознавание и сегментация клеток: применение в C.elegans. Биоинформатика. 2011; 27: 2895–902. пмид:21849395
      • 42. Шейнер Н.К., Кэмпбелл Р.Е., Штайнбах П.А., Гипманс Б.Н.Г., Палмер А.Е., Цзянь Р.Ю. Улучшенные мономерные красные, оранжевые и желтые флуоресцентные белки, полученные из Discosoma sp. красный флуоресцентный белок. Нац биотехнолог. 2004; 22: 1567–1572. пмид:15558047
      • 43.Komatsu H, Mori I, Rhee JS, Akaike N, Ohshima Y. Мутации в канале, управляемом циклическими нуклеотидами, приводят к аномальной термочувствительности и хемосенсации у C. elegans. Нейрон. 1996; 17: 707–18. Доступно: http://www.ncbi.nlm.nih.gov/pubmed/88 pmid:88
      • 44. Нагаи Т., Ямада С., Томинага Т., Итикава М., Мияваки А. Расширенный динамический диапазон флуоресцентных индикаторов для Ca (2+) с помощью желтых флуоресцентных белков с круговой перестановкой. Proc Natl Acad Sci U S A. 2004; 101: 10554–10559.пмид:15247428
      • 45. Хронис Н., Циммер М., Баргманн С.И. Микрофлюидика для визуализации in vivo нейронной и поведенческой активности Caenorhabditis elegans. Нат Методы. 2007; 4: 727–731. пмид:17704783
      • 46. Томида Т., Ода С., Такекава М., Иино Ю., Сайто Х. Временная модель стимуляции определяет степень и продолжительность активации MAPK в сенсорном нейроне Caenorhabditis elegans. Научный сигнал. 2012;5: ра76. пмид:23074267
      • 47. Гизар-Сикайрос М., Турман С.Т., Финуп Дж.Р.Эффективные алгоритмы регистрации субпиксельных изображений. Опция Летт. 2008; 33: 156–158. пмид:18197224
      • 48. Оцу Н. Метод порогового выбора из гистограмм серого. IEEE Trans Syst Man Cybern. 1979; 9: 62–66.
      • 49. Фукунага Т., Кубота С., Ода С., Ивасаки В. GroupTracker: система видеослежения за несколькими животными в условиях серьезной окклюзии. Компьютер Биол Хим. ООО «Эльзевир»; 2015; 57: 39–45. пмид:25736254
      • 50. Мэтью Б., Шмитц А., Муньос-Дескальзо С., Ансари Н., Пампалони Ф., Стельцер Э.Х.К. и др.Надежная и автоматизированная трехмерная сегментация плотно упакованных клеточных ядер в различных биологических образцах с разложением на линии прямой видимости. Биоинформатика BMC. Биоинформатика BMC; 2015;16: 187. пмид:26049713

    На пути к автоматическому выявлению асимметрии формы, цветовой пестроты и диаметра кожных образований на дерматоскопических изображениях

    %PDF-1.6 % 1 0 объект >поток doi:10.1371/journal.pone.0234352

  • Абдер-Рахман Али, Цзинпэн Ли, Салли Джейн О’Ши
  • На пути к автоматическому обнаружению асимметрии формы кожных образований, цветовой пестроты и диаметра на дерматоскопических изображениях
  • 10.1371/journal.pone.0234352http://dx.doi.org/10.1371/journal.pone.02343522020-06-16false10.1371/journal.pone.0234352
  • www.plosone.org
  • 10.1371/journal.pone.02343522020-06-16false
  • www.plosone.org
  • конечный поток эндообъект 2 0 объект > эндообъект 3 0 объект >/ProcSet 11 0 R/XObject>>> эндообъект 6 0 объект [13 0 R 14 0 R 15 0 R 16 0 R 17 0 R 18 0 R 19 0 R 20 0 R 21 0 R 22 0 R 23 0 R 24 0 R 25 0 R 26 0 R 27 0 R 28 0 R 29 0 R 30 0 R 31 0 R 32 0 R 33 0 R 34 0 R 35 0 R 36 0 R 37 0 R 38 0 R] эндообъект 13 0 объект >/Граница[0 0 0]>> эндообъект 14 0 объект >/Граница[0 0 0]>> эндообъект 15 0 объект >/Граница[0 0 0]>> эндообъект 16 0 объект >/Граница[0 0 0]>> эндообъект 17 0 объект >/Граница[0 0 0]>> эндообъект 18 0 объект >/Граница[0 0 0]>> эндообъект 19 0 объект >/Граница[0 0 0]>> эндообъект 20 0 объект >/Граница[0 0 0]>> эндообъект 21 0 объект >/Граница[0 0 0]>> эндообъект 22 0 объект >/Граница[0 0 0]>> эндообъект 23 0 объект >/Граница[0 0 0]>> эндообъект 24 0 объект >/Граница[0 0 0]>> эндообъект 25 0 объект >/Граница[0 0 0]>> эндообъект 26 0 объект >/Граница[0 0 0]>> эндообъект 27 0 объект >/Граница[0 0 0]>> эндообъект 28 0 объект >/Граница[0 0 0]>> эндообъект 29 0 объект >/Граница[0 0 0]>> эндообъект 30 0 объект >/Граница[0 0 0]>> эндообъект 39 0 объект > эндообъект 31 0 объект >/Граница[0 0 0]>> эндообъект 32 0 объект >/Граница[0 0 0]>> эндообъект 33 0 объект >/Граница[0 0 0]>> эндообъект 34 0 объект >/Граница[0 0 0]>> эндообъект 35 0 объект >/Граница[0 0 0]>> эндообъект 36 0 объект >/Граница[0 0 0]>> эндообъект 37 0 объект >/Граница[0 0 0]>> эндообъект 40 0 объект > эндообъект 38 0 объект >/Граница[0 0 0]>> эндообъект 41 0 объект > эндообъект 4 0 объект >поток x\[ȕ~_z4MysfA&`؇uű$$;U*RT.̴JUuW]U&&|˪»J)7ǻNtp{��I,7Th»ZWxcQh5NbEE] oL$KɓN1͊L3]GǸ.6dU}$+H&4#Y

    (PDF) Автоматическое обнаружение точек построения с помощью LIDAR и облаков точек Dense Image Matching

    при совместном финансировании ЕС (Европейский фонд регионального развития

    /ERDF) и Генеральный секретариат по исследованиям и технологиям

    (GSRT) в рамках Оперативной программы

    «Конкурентоспособность и предпринимательство», «Греция-

    Израиль, двустороннее научно-техническое сотрудничество, 2013–2015».Кроме того, авторы

    хотели бы поблагодарить Geosystems Hellas за предоставление данных

    LIDAR и изображений CIR.

    ССЫЛКИ

    Авранджеб, М., Фрейзер, К.С., 2013. Сегментация на основе правил

    облака точек лидара для автоматического извлечения плоскостей крыши здания

    . В: Модели городов, дороги и трафик (CMRT 2013), стр. 1-6

    Бойков, Ю., Векслер, О., Забих, Р., 2001. Быстрая аппроксимация

    минимизации энергии с помощью разрезов графа.ПАМИ, 23(11).

    Canny, J., 1986. Вычислительный подход к обнаружению границ.

    IEEE Trans. Анализ закономерностей и машинный интеллект, 8, стр.

    679-698.

    Daniels, J.I., Ha, L.K., Ochotta, T., Silva, C.T., 2007. Надежное

    выделение плавных элементов из облаков точек. В: Труды

    Международной конференции IEEE по моделированию формы

    International 2007, Вашингтон, США, стр. 123-136.

    Дюге, Ф., Durand, F., Drettakis, G., 2004. Robust Higher-

    Order Filtering of Points. Технический отчет RR-5165, INRIA.

    Флейшман, С., Дрори, И., Коэн-Ор, Д., 2003. Двусторонняя сетка

    шумоподавления. В: ACM SIGGRAPH 2003 Papers, Нью-Йорк, США,

    стр. 950-953.

    Гао, З., Нойманн, У., 2014. Улучшение характеристик аэрофотосъемки LiDAR

    Уточнение облака точек. В: Трехмерное изображение

    Обработка, измерение (3DIPM) и приложения 2014,

    SPIE, Vol.9013.

    Жирардо-Монто, Д., 2015 г. CloudCompare — проект с открытым исходным кодом

    . http://www.danielgm.net/cc/

    Хаала, Н., 2011 г. Многолучевая фотограмметрия и сопоставление плотных изображений

    . В: Фотограмметрическая неделя ’11, изд. D. Fritsch,

    Wichmann, Berlin/Offenbach, стр. 185-195.

    Хан, С.Х., Ли, Дж.Х., Ю, К.Ю., 2007. Подход к

    Сегментация облаков воздушных лазерных точек с использованием характеристик линии Scan-

    .ETRI Journal, 29, стр. 641-648.

    Hirschmüller, H., 2008. Стереообработка полуглобальным

    согласованием и взаимной информацией. В: IEEE Transactions on

    Pattern Analysis and Machine Intelligence, 30(2), стр. 328-41.

    Hirschmüller, H., Scharstein, D., 2009. Оценка стоимости сопоставления стерео

    на изображениях с радиометрическими различиями. В:

    IEEE Transactions on Pattern Analysis and Machine

    Intelligence, 31(9), стр.1582-1599 гг.

    Грон В., Халунова Л., 2015. Использование аэрофотоснимков для регулярного

    обновления зданий в фундаментальной базе географических данных

    Чешской Республики. В: Международный архив

    Фотограмметрия, дистанционное зондирование и пространственная информация

    Науки, Мюнхен, Германия, Vol. XL-3/W2, стр-73-79.

    Hu, X., Ye, L., 2013. Быстрый и простой метод построения обнаружения

    по данным LiDAR на основе анализа линии сканирования.В:

    ISPRS Annals of the Photogrammetry, Remote Sensing and

    Spatial Information Sciences, Regina, Canada, Vol. II-3/W1,

    стр. 7-13.

    Huang, H., Sester, M., 2011. Гибридный подход к извлечению

    и уточнению контуров зданий по аэрофотоснимкам. В:

    Международный архив фотограмметрии, дистанционного зондирования

    и пространственных информационных наук, Гуйлинь, Китай, Vol.

    XXXVIII-4/W25, стр. 153-158.

    Джонс, Т.Р., Дюран, Ф., Десбрун, М., 2003. Неитеративное,

    сглаживание сетки с сохранением признаков. В: ACM SIGGRAPH 2003

    Papers, Нью-Йорк, США, стр. 943-949.

    Килиан, Дж., Хаала, Н., Энглих, М., 1996. Сбор и оценка

    данных бортового лазерного сканера. В: Международный архив

    Фотограмметрия и дистанционное зондирование, Vol. XXXI, Часть B3, стр.

    383-388.

    Лафарж, Ф., Маллет, К., 2012 г. Создание крупномасштабных моделей городов

    из трехмерных облаков точек: надежный подход с гибридным представлением

    . Междунар. Дж. Компьютерное зрение, стр. 1-17.

    Lague, D., Brodu, N., Leroux, J., 2013. Точное 3D

    сравнение сложной топографии с наземным лазером

    сканер: приложение к каньону Rangitikei (N-Z). ISPRS

    Журнал фотограмметрии и дистанционного зондирования, 82, 10-26.

    Ляо, К., Huang, H., 2012. Классификация с использованием мультиспектральных данных

    облаков точек. В: Международный архив

    Фотограмметрия, дистанционное зондирование и пространственная информация

    Науки, Мельбурн, Австралия, Vol. XXXIX-B3, стр. 137-141.

    Lodha, S.K., Kreps, E.J., Helmbold, D.P., Fitzpatrick, D., 2006.

    Данные аэрофотосъемки LIDAR Классификация с использованием опорного вектора

    машин (SVM). В: Материалы Международного симпозиума

    по обработке, визуализации и передаче 3D-данных

    , Чапел-Хилл, Северная Каролина, стр.567–574.

    Rutzinger, M., Rottensteiner, F., Pfeifer, N., 2009.

    сравнение методов оценки извлечения

    зданий с помощью бортового лазерного сканирования. Журнал IEEE по избранным темам

    в Прикладных наблюдениях Земли и дистанционном зондировании, 2(1), стр.

    11-20.

    Smith, S.M., Brady, JM, 1997. Susan — новый подход к обработке изображений с низким уровнем

    . Международный компьютерный журнал

    Vision, 23 (1), стр.45-78.

    Sun, S., Salvaggio, C., 2013. Обнаружение зданий в 3D с воздуха и

    моделирование с бортовых облаков точек LiDAR. IEEE Journal of

    Selected Topics in Applied Earth Observations and Remote

    Sensing, 6(3), стр. 1440-1449.

    Tomasi, C., Manduchi, R., 1998. Двусторонняя фильтрация серых и

    цветных изображений. В: Материалы конференции IEEE International

    по компьютерному зрению, Бомбей, Индия, стр.839-846.

    Zhou, Q., Neumann, U., 2008. Быстрое и расширяемое здание

    моделирование по данным бортового лидара. В: Труды 16-й Международной конференции

    ACM SIGSPATIAL по достижениям в географических информационных системах

    , Нью-Йорк, США, стр. 7: 1–7: 8.

    ISPRS Анналы фотограмметрии, дистанционного зондирования и пространственных информационных наук, том II-3/W5, 2015 г. просмотрено.Двойное слепое рецензирование проводилось на основе полной статьи.

    Редакторы: С. Ауде Эльберинк, А. Велижев, Р. Линденберг, С. Каасалаинен и Ф. Пиротти

    doi:10.5194/isprsannals-II-3-W5-33-2015

    )

    Разработка индикатора состояния поверхности на основе данных лазерной системы измерения трещин для управления активами дорожного покрытия

    Автор: Азиз Салифу и Николь Андре (Министерство автомобильных дорог и транспорта Саскачевана)
    Резюме: Министерство автомобильных дорог и инфраструктуры Саскачевана (SMHI) внедрило технологию лазерной системы измерения трещин (LCMS) для сбора данных о состоянии дорог в 2016 году.Данные LCMS заменили метод визуальной оценки для выявления трещин и других дефектов поверхности. В этом документе обсуждается методология, используемая для определения типа, серьезности, объема и агрегирования данных бедствия LCMS. Чтобы лучше анализировать данные, SMHI разработала индикатор состояния поверхности (SCI) для поддержки принятия решений по управлению активами для определения показателей эффективности, оптимизации бюджетов и определения кандидатов на сохранение дорожного покрытия.


    IQRN 3D: инструмент для лучшего управления французскими дорожными активами

    Автор:  Пьер Гайте, Эрве Гиро, Паскаль Россиньи, Фабьен Палхол, Себастьен Васнер и Эммануэль Делаваль (Черема)
    Аннотация: 
    135 миллиардов евро – это оценочная стоимость дорожной сети Франции.Эта дорожная сеть, одна из опор французской экономики, требует значительных затрат на техническое обслуживание, оцениваемых в 10 миллиардов евро в год для всех дорог (за исключением мостов и дорожных сооружений). Эти постоянно растущие потребности в обслуживании дорог и желание оптимизировать свои работы по содержанию дорог в долгосрочной перспективе привели к тому, что французское государство в 1992 году создало оценку своей сети под названием IQRN для «Image Qualité du Réseau National» (Качество национальной сети). Показатель). В 2015 году, чтобы повысить актуальность индикатора, французское государство обратилось к Cerema с просьбой разработать и произвести третье поколение методологии IQRN.В 2018 году Cerema представила методологию IQRN3D. Основываясь на датчиках Pavemetrics Laser Crack Measurement System (LCMS) и точной системе локализации GNSS, Cerema разработала два новых инспекционных автомобиля под названием AIGLE 3D. Чтобы сделать ежегодную кампанию по измерению пробега 35 000 км более надежной, мы внедрили оптимизированную организацию и значительные усовершенствования, такие как дистанционное обслуживание и объединенный инструмент, контролирующий все датчики транспортных средств.


    Преимущества лазерного сканирования для трехмерного профилирования дорог

    Автор: Romdas
    Abstract:
    Те, кто занимается управлением дорогами, вероятно, знают о тенденциях использования высокоскоростных сканирующих лазеров для сбора данных о состоянии дорожного покрытия.Наиболее широко признана лазерная система измерения трещин (LCMS) компании Pavemetric. Эти сканирующие лазеры были включены в геодезические системы несколькими производителями (например, ROMDAS) и больше не используются исключительно на дорожных сетях в Европе и Северной Америке, а вместо этого становятся все более популярными в развивающихся странах. Хотя эта тенденция может быть известна, спектр технологических и практических преимуществ использования этого оборудования изучен менее широко. Кроме того, инженерам и учреждениям требуется время для разработки способов использования нового набора данных, предлагаемого LCMS и трехмерным профилированием.Поскольку LCMS выводит шероховатость, глубину колеи и другой типичный набор данных; большинство инженеров просто форматируют и применяют эти наборы данных к существующим шаблонам обслуживания и планирования. Тем не менее, LCMS получает множество дополнительной информации, которая может предоставить инженерам новые преимущества как на уровне проекта, так и на уровне сети. Целью этой статьи является предоставление четкого и несколько упрощенного обзора того, как LCMS записывает, а затем обрабатывает дорожное покрытие. условие. В нем также будет предпринята попытка выделить некоторые уникальные преимущества этой технологии по сравнению с традиционным геодезическим оборудованием, заканчивая конкретным примером из Новой Зеландии о том, как новый набор данных используется на уровне проекта.


    Оптимизация сбора данных о характеристиках поверхности путем повторного использования данных для проектирования дорог на уровне проекта данные о состоянии дорожного покрытия для создания модели дорожного покрытия и предотвращения дорогостоящих ручных обследований дорожного покрытия, требующих перекрытия дорог. Этот новый подход обеспечивает способ пометить собранные высокоточные данные поперечного профиля дороги с высоким разрешением, полученные системой LCMS (лазерная система измерения трещин — Pavemetrics), с высокоточной системой GNSS-INS (Applanix POS-LV — Trimble) для измерения как дороги, состояния поверхности и для создания карты местности с точностью до уровня съемки любого дорожного покрытия.Информация, предоставляемая системой 3D LCMS, DMI, Applanix POS-LV, GPS с локальными RTK-коррекциями и программным обеспечением постобработки (POSPac-Trimble), используется для создания моделей дорожного покрытия с воспроизводимыми измерениями и точностью по сравнению с контрольными точками съемки. Этот процесс приводит к значительному повышению производительности, оптимизации количества материала, который необходимо ввозить и вывозить, снижению затрат на съемку, сокращению перерывов в движении и повышению безопасности геодезистов при одновременном повышении качества и разрешения моделей дорожного покрытия.


    Сертификация трехмерной системы дорожного покрытия в качестве инерционного профилировщика
    Автор : Майкл Ричардсон (Mandli Communications)


    Использование трехмерных данных о текстуре дороги по всей полосе для автоматического обнаружения запечатанных трещин, вытекания и растрескивания
    Авторы : Джон Лоран, Жан-Франсуа Эбер и Марио Талбот (Pavemetrics)
    Абстрактные методы поперечного профилирования поскольку LCMS (лазерная система измерения трещин) доказала свою надежность при обнаружении открытых трещин, эти системы не получили широкого распространения для оценки текстуры дороги.В этой статье будут представлены результаты испытаний, проведенных Управлением автомобильных дорог Новой Зеландии (NZHA), которые демонстрируют, что трехмерные лазеры для поперечного профилирования (LCMS) могут использоваться для измерения макротекстуры так же точно, как и лазеры для одноточечной текстуры. Кроме того, поскольку лазеры для поперечного профилирования измеряют текстуру на всей поверхности дороги, мы покажем, что их также можно использовать для обнаружения важных особенностей поверхности (закрытые трещины, кровоточивость и растрескивание), которые упускаются одноточечными лазерами.


    Журнал LiDAR: осмотр дорог; Разные поверхности, разные требования
    Автор : Брент Гелхар


    Трехмерная технология управления дорожными покрытиями
    Авторы : Ричард Викс и Роланд Лещински (ARRB Group)
    Резюме : Достижения в приборостроении привели к разработке новых технологий, которые предоставляют ряд возможностей для сбора данных о состоянии дорожного покрытия .Ручные методы были успешно воспроизведены, автоматизированы, а затем усовершенствованы. Например, трехмерные лазерные датчики были впервые представлены как средство измерения поперечного профиля дорожного покрытия с гораздо большей точностью, чем поверочная линейка или даже многоточечный лазерный профилометр. Однако с дальнейшим развитием эта технология теперь используется для выявления трещин и других дефектов на поверхности дорожного покрытия. В этой статье рассматривается, как можно использовать 3D-технологию для измерения растрескивания дорожного покрытия, а также других параметров состояния дорожного покрытия, представляющих интерес для государственных и местных органов власти.


    Автоматизированный осмотр и планирование технического обслуживания пористого асфальта в Нидерландах

    Авторы  : Виллем ван Алст (TNO), Гильям Дерксен, Петер-Пол Шакманн, Петра Паффен (RWS), Фрэнк Боуман, Вим ван Оойен


    Получили ли мы то, что хотели? – Избавление от ручных обследований состояния
    Авторы : Theunis F.P. Хеннинг и Мохаммад Н.У. Mia (Кафедра гражданского и экологического проектирования Оклендского университета, Окленд, Новая Зеландия)
    Abstract : На протяжении более 25 лет исследования RAMM были основой планирования технического обслуживания дорожных сетей Новой Зеландии (Новая Зеландия).Использование метода выборки 10% или 20%, связанного с подробным ручным обследованием, значительно отличается от других частей мира, которые выбрали в основном 100% обследование ветрового стекла. В ходе недавнего исследовательского проекта NZTA методология визуального обследования Новой Зеландии была полностью пересмотрена. Одна из основных рекомендаций этого отчета заключалась в том, что минимальная длина выборки должна быть увеличена до 20%. В отчете также сделан вывод о том, что для всех режимов визуального бедствия растрескивание является наиболее важным оцениваемым параметром. Остается проблема, заключающаяся в том, что даже при увеличении размера выборки изменчивость и качество результатов обследований по-прежнему намного хуже, чем того требуют текущие процессы планирования и мониторинга тенденций.Реальность также такова, что в современном мире, основанном на производительности, воспроизводимость и надежность визуальных съемок просто недостаточны.


    Автоматизированная оценка состояния покрытия с использованием LCMS на аэродромных покрытиях в Ирландии
    Авторы : Брайан Малри, Майкл Джордан и Дэвид О’Брайен (PMS Pavement Management Services Ltd.) типы, серьезность и количество, а также предоставление индекса или рейтинга состояния являются неотъемлемой частью любой системы управления дорожным покрытием и бесценным инструментом в оценке характеристик дорожного покрытия.Традиционно данные о бедствии собираются вручную пешком, когда дорожное покрытие осматривается на глаз, а данные о бедствии измеряются вручную. Для аэродромных покрытий это часто связано со значительным разрушением или закрытием взлетно-посадочных полос, что может быть очень неудобным и дорогостоящим. Дальнейшие модификации в Ирландии привели к разработке более быстрых методов визуального осмотра с использованием процедуры осмотра ветрового стекла с приводом, а в последнее время — с использованием цифрового видео обзора вперед. В этом документе описывается тематическое исследование, в котором автоматизированный сбор и обработка данных с использованием технологии лазерной системы измерения трещин (LCMS) использовались для определения и графического представления состояния покрытия на двух основных взлетно-посадочных полосах в аэропортах Дублина и Корка, Ирландия.Взлетно-посадочные полосы в обоих аэропортах были построены с асфальтовым покрытием. Сбор данных для исследования включал в себя ручные опросы при ходьбе, визуальные опросы с помощью цифрового видео переднего обзора и сбор трехмерных (3D) изображений с интенсивностью и диапазоном с использованием LCMS, установленного на высокоскоростном транспортном средстве. Тип, серьезность и масштабы данных о повреждении дорожного покрытия были определены с помощью ручной съемки, цифрового видео и с использованием автоматического извлечения из трехмерных изображений LCMS. Данные были обработаны и оценены с использованием системы управления дорожным покрытием Micro PAVER, а состояние сообщалось с использованием индекса состояния дорожного покрытия инженерного корпуса армии США (PCI).Снимки и данные о бедствии, полученные в ходе исследования LCMS, были представлены в графическом виде с использованием цветовой кодировки в форматах ArcGIS и Google Earth GIS, а подробные данные о бедствиях также были нанесены на карту в слоях AutoCAD. В документе исследуются и сравниваются результаты состояния покрытия, полученные с помощью ручного, видео и методов сбора данных LCMS, а также излагаются результаты использования технологии LCMS для автоматической идентификации, геолокации и графического отчета о состоянии покрытия и данных о повреждениях аэродромных покрытий.


    Обнаружение трещин в асфальтовом покрытии при различном освещении и низкой контрастности с использованием 3D-лазерной технологии
    Авторы : Фэн Ли и Ичан Джеймс Цай Технологический институт Джорджии


    Технико-экономическое обоснование измерения разломов бетонных швов с использованием трехмерных данных профиля непрерывного покрытия
    Авторы : Ичан Джеймс Цай, Ичин Ву и Ченгбо Ай (Технологический институт Джорджии)
    для бетонных покрытий со швами, так как это напрямую влияет на ходовые качества.Неисправности традиционно измерялись вручную с помощью ручных устройств, таких как измеритель неисправностей Джорджии. Однако ручное измерение разломов на дорогах является трудоемким, длительным и опасным для рабочих и водителей. Необходимо разработать альтернативные методы эффективного и безопасного сбора данных о разломах на каждом стыке на скорости движения по шоссе. В этой статье предлагается новый метод сбора данных о разломах на скорости шоссе с использованием трехмерных данных непрерывного профиля дорожного покрытия, полученных с помощью новой трехмерной лазерной технологии, и оценивается его осуществимость в ходе полевых испытаний.В то время как трехмерные данные непрерывного профиля дорожного покрытия изначально используются для обнаружения трещин и колейности асфальтового покрытия, в этой статье более подробно рассматривается их использование для измерения разломов бетона. Контролируемые полевые испытания были проведены с использованием артефактов с известным перепадом высот, и результаты показывают, что предлагаемый метод может обеспечить желаемую точность и повторяемость при абсолютной разнице менее 0,6 мм (0,024 дюйма) и стандартном отклонении менее 0,4 мм (0,016 дюйма). . Полевые испытания были проведены на 15 стыках на межштатной автомагистрали 16 (I-16) в Джорджии, и предварительные результаты показывают, что работа предлагаемой системы на скоростях шоссе (т.грамм. 100 км/ч) выполнима и имеет достаточную воспроизводимость. Два испытания продемонстрировали, что предложенный метод является очень многообещающим в качестве альтернативного решения для сбора данных о разломах стыков на скорости шоссе. Также обсуждаются рекомендации для будущих исследований.


    Разработка алгоритма обнаружения растрескивания асфальтового покрытия с использованием новейших трехмерных лазерных технологий и анализа макротекстур Повреждения дорожного покрытия, которые происходят на U.С. дорожного покрытия. Раскатывание увеличивает неровность дорожного покрытия, что приводит к ухудшению качества езды, а также к шуму от дороги и шин. Помимо проблем с безопасностью, таких как свободные камни, которые могут разбить ветровое стекло и вызвать аквапланирование, растрескивание также сокращает срок службы дорожного покрытия. Таким образом, дорожным службам требуется обследование состояния растрескивания, чтобы определить уровни серьезности, масштабы и места растрескивания, чтобы можно было надлежащим образом применить меры по сохранению или восстановлению. Тем не менее, традиционный метод исследования растрескивания, включающий определение степени тяжести растрескивания (т.ж., Низкий, Умеренный или Высокий; или уровень серьезности 1, 2 или 3), степень и местонахождение — это визуальный осмотр, который требует много времени, субъективен и опасен для дорожных рабочих. Таким образом, существует острая необходимость в разработке автоматизированного метода съемки. Хотя были разработаны некоторые алгоритмы для обнаружения и классификации растрескивания, они все еще находятся на очень ранней стадии исследований, и результаты часто были неприемлемыми. Кроме того, они не были тщательно проверены с использованием крупномасштабных реальных данных.Поэтому транспортным агентствам было сложно реализовать любой из таких алгоритмов. Для решения проблем, связанных с существующими методами обнаружения и классификации растрескивания, целью данного исследования является разработка успешных и эффективных алгоритмов обнаружения, классификации и измерения растрескивания с использованием трехмерных (3D) данных дорожного покрытия и анализа макротекстуры, а также всесторонняя проверка эти методы используют крупномасштабные, реальные данные.


    Трехмерное лазерное профилирование дорог для автоматизированного измерения состояния и геометрии дорожного покрытия
    Авторы : Джон Лоран (Pavemetrics), Жан-Франсуа Эбер (Pavemetrics), Даниэль Лефевр (INO), Ив Савар (MTQ)
    Реферат : Для максимального увеличения средств на техническое обслуживание дорог и оптимизации состояния дорожных сетей системам управления дорожным покрытием нужны подробные и надежные данные о состоянии дорожной сети.На сегодняшний день получить надежные данные о трещинах и растрескивании оказалось сложно и дорого. Чтобы решить эту проблему, за последние 10 лет Pavemetrics inc. в сотрудничестве с INO (Национальный институт оптики Канады) и MTQ (Министерство транспорта Квебека) разрабатывали и тестировали новую трехмерную технологию под названием LCMS (лазерная система измерения трещин). Система LCMS была протестирована в сети для оценки производительности системы в задаче автоматического обнаружения и классификации трещин.Система сравнивалась с результатами, полученными вручную на протяжении 9000 км, и была признана 95% правильной в общей классификации трещин. К 3D-датчикам LCMS были добавлены IMU (акселерометры и гироскопы). Это позволило использовать систему LCMS также для измерения геометрии дороги (продольного профиля IRI, уклона и поперечного уклона) с очень высокой степенью точности. Результаты и сравнительные тесты со стандартными инерционными профилометрами класса 1 показывают, что LCMS соответствует существующей технологии и улучшает ее.


    Автоматическое обнаружение закрытых трещин с использованием 2D и 3D данных о дорожном покрытии камеры и видеосистемы из-за отсутствия хороших алгоритмов автоматизированной обработки 2D-изображений для обнаружения трещин.Для решения этой проблемы была использована трехмерная технология, такая как LCMS (лазерная система измерения трещин), позволяющая автоматически получать надежные и воспроизводимые данные о трещинах. Система LCMS широко используется для автоматического обнаружения трещин на различных дорожных покрытиях (DGA, пористых, чипсиловых, бетонных) более чем в 35 странах. Хотя трехмерные методы доказали свою надежность при обнаружении открытых трещин, эти системы не использовались для обнаружения закрытых трещин. Однако эти датчики также часто создают изображения интенсивности (2D), которые используются для обнаружения разметки полосы движения.Использование этих данных интенсивности (2D) для автоматического обнаружения запечатанных трещин также оказалось ненадежным, поскольку заделанные трещины иногда могут быть темнее или ярче окружающего дорожного покрытия на изображениях, а следы шин и другие особенности также могут вызывать ложные обнаружения. В этой статье будет продемонстрировано, что точность обнаружения запечатанных трещин может быть повышена за счет использования как двухмерных данных интенсивности, так и информации о трехмерной текстуре, полученной на основе трехмерных данных. Для этого описываются и реализуются алгоритмы оценки 3D-текстуры для создания полной текстурной карты дорожного покрытия.Интенсивные изображения также обрабатываются для выделения темных и светлых участков соответствующей геометрии (размер и форма запаянных трещин). Комбинация результатов обоих наборов обработанных данных затем используется для обнаружения и подтверждения наличия закрытых трещин.


    Оценка текстуры дороги на уровне высокоскоростной сети с использованием датчиков поперечного 3D-профилирования с разрешением 1 мм с использованием модели цифровой песчаной заплаты Yves Savard (MTQ)
    Abstract : Чтобы максимизировать средства на техническое обслуживание дорог и оптимизировать состояние дорожных сетей, системам управления дорожным покрытием нужны подробные и надежные данные о состоянии дорожной сети.За последние 10 лет Pavemetrics Systems Inc. в сотрудничестве с INO (Национальный институт оптики Канады) и MTQ (Министерство транспорта Квебека) разрабатывали и тестировали новую трехмерную технологию под названием LCMS (лазерная система измерения трещин). В данной статье представлены результаты, полученные после анализа подробных 3D-данных, собранных для оценки текстуры дорожного покрытия. Результаты показывают, что макротекстура может быть оценена по всему дорожному полотну на уровне сети с точными и воспроизводимыми результатами.


    MTD-измерения асфальтобетонных покрытий
    Авторы : Kars Drenth, Feng Hua Ju и Jun Yew Tan (Samwoh Corporation Pte Ltd)
    Резюме : Важной характеристикой поверхности дорожного покрытия является текстура. Текстура связана с трением, шумом и растрескиванием и изменяется со временем из-за старения, загрязнения и потери заполнителя. Таким образом, это важная характеристика, вызывающая меры по техническому обслуживанию, когда она больше не соответствует требованиям.Стандартная процедура заключается в измерении текстуры на основе средней глубины профиля (MPD), которая представляет собой одноточечное измерение вдоль продольной дорожки, замеряемой с высокой частотой. Фактическое требование состоит в том, чтобы объемный результат, основанный на 3D, был непосредственно репрезентативным для требуемых характеристик без необходимости преобразования из теста, основанного на 2D. Это исследование было проведено для проверки MTD, измеренных на скорости движения, с использованием лазерной системы измерения трещин (LCMS) с результатами метода статического испытания на песке (SPTM).LCMS измеряет объемные свойства дорожного покрытия непрерывно по всей его ширине и длине на основе квадратов размером 250 x 250 мм. Оценка включала статические SPTM, статическое устройство ELAtextur, измеряющее MPD, и устройство профилирования дорожного покрытия в зависимости от скорости движения, оснащенное текстурным лазером, также измеряющим MPD. Испытания проводились в разные периоды времени и несколько раз на валидационной площадке, используемой для калибровки испытательного оборудования, работающего на дорогах Сингапура. В этой статье обсуждаются результаты использованного оборудования и показана очень хорошая корреляция между результатами SPTM и MTD на основе устройства LCMS.Основное преимущество заключается в том, что не требуется никакого преобразования, поскольку объемный МПД является прямым выходом. Автоматизированный МПД-анализ на основе ЖХ-МС представляет собой машинный результат, на который не влияет человеческий фактор, такой как SPTM. Результаты также позволяют проводить автоматический анализ потери заполнителя, что является большим преимуществом при оценке серьезности и степени растрескивания по сравнению с непостоянными исследованиями ветрового стекла и ручной оценкой собранных изображений. Тем не менее, датчики LCMS следующего поколения потребуют улучшенного разрешения по вертикали, чтобы повысить надежность растрескивания слоев с более мелкой текстурой.


    The Australian 3D Roughness Experience
    Авторы : Ричард Викс и Саймон Барлоу (ARRB Group)
    Резюме : Большинство дорожных агентств готовы воспользоваться преимуществами новых разработок в области автоматизированного сбора данных, если это поможет им лучше управлять свои дорожные сети. Однако процесс принятия новых технологий может быть длительной и сложной задачей для поставщиков услуг и поставщиков оборудования, и конечный успех часто зависит от того, насколько хорошо оборудование может воспроизводить исторические данные или соответствуют ли они существующим методам испытаний или стандартам.Дорожные агентства в Австралии только начинают использовать 3D-системы для мониторинга своих обследований дорожной сети, и до сих пор они в основном использовались для измерения трещин. Однако эти системы также способны измерять множество других показателей состояния дорожного покрытия, одним из которых является неровность дороги. В этой статье исследуется, могут ли измерения шероховатости, выполненные с помощью 3D-системы, соответствовать текущим требованиям, указанным в австралийских методах испытаний для измерения шероховатости дорожного покрытия.

    OpenCV и определение цвета Python

    Доступ к коду этого руководства и всех других 500+ руководств по PyImageSearch

    Введите свой адрес электронной почты ниже, чтобы узнать больше об университете PyImageSearch (включая то, как вы можете загрузить исходный код к этому сообщению):

    Что входит в PyImageSearch University?

    • Легкий доступ к коду, наборам данных и предварительно обученным моделям для всех 500+ руководств в блоге PyImageSearch
    • Высококачественный, хорошо задокументированный исходный код с построчными пояснениями (чтобы вы точно знали, что делает код)
    • Ноутбуки Jupyter , предварительно настроенные для работы в Google Colab одним щелчком
    • Запускайте все примеры кода в веб-браузере — настройка среды разработки не требуется!
    • Поддержка всех основных операционных систем (Windows, macOS, Linux и Raspbian)
    • Полный доступ к курсам PyImageSearch University
    • Подробные видеоуроки к каждому уроку
    • Сертификаты об окончании для всех курсов
    • Новые курсы добавляются каждый месяц! — будьте в курсе последних тенденций в области компьютерного зрения и глубокого обучения

    Университет PyImageSearch — действительно лучшая степень магистра в области компьютерного зрения, которую я хотел бы получить, когда начинал.

    Станьте первым комментатором

    Добавить комментарий

    Ваш адрес email не будет опубликован.

    2019 © Все права защищены. Интернет-Магазин Санкт-Петербург (СПБ)