Binary Options Imagej

O que fazem os diferentes comandos binários Este submenu contém comandos que processam imagens binárias (preto e branco). Esses comandos assumem por padrão os objetos são pretos e o fundo é branco. Veja esta FAQ sobre como configurar o padrão para fundo preto e objetos brancos. Converte imagens em imagens em preto e branco. O nível de limiar é determinado pela análise do histograma da seleção atual, ou de toda a imagem se não houver seleção. Veja este FAQ descrevendo o algoritmo usado. Se a ferramenta ImagegtAdjustgtThreshold estiver ativa, será exibida uma caixa de diálogo que permite especificar quais pixels são configurados para a cor de fundo e para a cor do primeiro plano e se o plano de fundo é preto e o primeiro plano é branco. Por favor, atualize o acima pode não ser totalmente correto Com as pilhas, todas as imagens na pilha são convertidas em binário usando o limite calculado da fatia atualmente exibida. Use a macro ConvertStackToBinary para converter uma pilha em binário usando limiares calculados localmente. Converte imagens em imagens em preto e branco com base nas configurações de limite atuais. Por padrão, a máscara terá um LUT invertido (o preto é 255 e o branco é 0), mas cria máscaras de fundo preto (0) se o Fundo preto estiver marcado na caixa de diálogo ProcessgtBinarygtOpções. Por favor atualize, o acima pode não estar totalmente correto Determina os máximos locais em uma imagem e cria uma imagem binária (semelhante a uma máscara) do mesmo tamanho com o máximo, ou uma partícula segmentada por máximo, marcada. Para imagens RGB, os máximos de luminância são selecionados, com a luminância definida como média ponderada ou não ponderada das cores, de acordo com as configurações do EditgtOptionsgtConversions. Este comando é baseado em um plugin contribuído por Michael Schmid. Uma caixa de diálogo é exibida com as seguintes opções: Tolerância ao ruído - Máximas são ignoradas se não se destacam dos ambientes por mais do que esse valor (unidades calibradas para imagens calibradas). Em outras palavras, um limite é definido no valor máximo menos tolerância ao ruído e a área contígua em torno do máximo acima do limite é analisada. Para aceitar um máximo, esta área não deve conter nenhum ponto com um valor superior ao máximo. Apenas um máximo nesta área é aceito. Single Points - Cria uma imagem de saída com um único ponto por máximo. Maxima Within Tolerance - Cria uma imagem de saída com todos os pontos dentro da tolerância ao ruído para cada máximo. Partículas segmentadas - Assume que cada máximo pertence a uma partícula e segmenta a imagem por um algoritmo de bacia hidrográfica aplicado aos valores da imagem (em contraste com ProcessgtBinarygtWatershed, que usa o mapa de distância de Euclidian). Seleção de ponto - Exibe uma seleção de vários pontos com um ponto em cada máximo não produz nenhuma imagem de saída separada. Contagem - Exibe o número de máximos na janela Resultados, não produz nenhuma imagem de saída. Excluir Edge Maxima - Exclui maxima se a área dentro da tolerância de ruído em torno de um máximo toca a borda da imagem (a borda da seleção não importa). Fundo claro - Permite o processamento de imagens com fundo claro e objetos escuros. Acima do Limiar Inferior - (Esta opção só é exibida para imagens limiares) Encontre apenas o máximo acima do limite inferior. O limite superior da imagem é ignorado. Se as partículas segmentadas forem selecionadas como Tipo de saída. A área abaixo do limite inferior é considerada um fundo. Esta opção só funciona quando se encontra o máximo do valor do pixel no sentido matemático, ou seja, fundo escuro e LUT não inverso ou fundo brilhante e LUT de inversão. Seleção do ponto de pré-visualização - Mostra os máximos com os parâmetros atuais como uma seleção multiponto sobreposta na imagem. Se esta opção estiver marcada, o número de máximos encontrados também é exibido na caixa de diálogo. Para os tipos de saída Single Points. Maxima dentro da tolerância e partículas segmentadas. A saída é uma imagem binária, com primeiro plano 255 e fundo 0, usando um LUT invertido ou normal dependendo da opção Black Background em ProcessgtBinarygtOptions. O número de partículas (conforme obtido por Analisar Partículas) na imagem de saída não depende do Tipo de Saída selecionado. Observe que as partículas segmentadas geralmente resultarão em partículas que toquem a borda se Exclude Edge Maxima estiver selecionado. Excluir Edge Maxima aplica-se ao máximo, e não à partícula. Encontre Maxima aplicado a uma imagem barulhenta com diferentes opções (Excluir Edge Maxima selecionado). Encontrar o Maxima não funciona em pilhas, mas a macro FindStackMaxima é executada em todas as imagens em uma pilha e cria uma segunda pilha contendo as imagens de saída. Substitui cada pixel pelo valor mínimo (mais leve) na vizinhança 3x3. Com imagens binárias, remove pixels das bordas de objetos pretos. Substitui cada pixel pelo valor máximo (mais sombrio) no bairro 3x3. Com imagens binárias, adiciona pixels nas bordas de objetos pretos. Executa uma operação de erosão, seguida de dilatação. Com imagens binárias, isso suaviza objetos e remove pixels isolados. Executa uma operação de dilatação, seguida de erosão. Com imagens binárias, isso suaviza objetos e preenche pequenos orifícios. O comando possui um hífen de retaguarda para diferenciá-lo do arquivo fechado. Exibir uma caixa de diálogo que permite que várias configurações utilizadas pelos comandos no submenu Binário sejam alteradas. Iterations especifica o número de vezes que a erosão, dilatação, abertura e fechamento são realizados. Count especifica o número de pixels de fundo adjacentes necessários antes de um pixel ser removido da borda de um objeto durante a erosão e o número de pixels adjacentes adjacentes necessários antes de um pixel ser adicionado à borda de um objeto durante a dilatação. Verifique o fundo preto se a imagem tiver objetos brancos em um fundo preto. Se as bordas da almofada quando a erosão estiverem marcadas, ProcessgtBinarygtErode não se esgria das bordas da imagem. Essa configuração também afeta ProcessgtBinarygtClose. Que se afasta das bordas, a menos que esta caixa de seleção esteja selecionada. A saída EDM determina o tipo de saída para o Mapa do ProcessgtBinarygtDistance. Ultimate Points e comandos Voronoi. Defina para sobrescrever para saída de 8 bits que sobrescreve a imagem de entrada de 8 bits. 16 bits ou 32 bits para imagens de saída separadas. A saída de 32 bits tem resolução de distância em ponto flutuante (subpixel). Gera um contorno de um pixel de objetos de primeiro plano (preto) em uma imagem binária. A linha é desenhada dentro do objeto, ou seja, em pixels de primeiro plano anteriores. Remova repetidamente os pixels das bordas dos objetos em uma imagem binária até serem reduzidos a esqueletos de um único pixel. Os objetos são assumidos como negros e de fundo branco. Observe que existem muitos algoritmos de esqueletização. Gera um mapa de distância euclidiano (EDM). Cada pixel em primeiro plano na imagem binária é substituído por um valor de cinza igual a essa distância pixel039s do pixel de fundo mais próximo. Use ProcessgtBinarygtOptions para definir a cor de fundo (preto ou branco) e o tipo de saída ao selecionar sobrescrita ou saída de 8 bits, observe que as distâncias superiores a 255 são rotuladas como 255. Gera os últimos pontos erosionados (UEPs) do EDM. Requer uma imagem binária como entrada. Os UEPs representam os centros de partículas que seriam separados pela segmentação. O valor de cinza do UEP039 é igual ao raio do círculo inscrito da partícula correspondente. Use ProcessgtBinarygtOptions para definir a cor de fundo (preto ou branco) e o tipo de saída. A segmentação da bacia hidrográfica do mapa de distância euclidiana (EDM) é uma forma de separar ou separar automaticamente as partículas que tocam (a separação de uma imagem em escala de cinza está disponível através do comando Find Maxima). O comando Watershed exige uma imagem binária contendo partículas negras em um fundo branco. Primeiro calcula o mapa de distância Euclidiana e encontra os melhores pontos erosionados (UEPs). Em seguida, dilata cada um dos UEPs (os picos ou máximos locais da EDM) tanto quanto possível - até a ponta da partícula ou a borda da região de outro (crescente) UEP. A segmentação das bacias hidrográficas funciona melhor para objetos convexos e suaves que não se sobrepõem demais. Aqui está uma Animação que mostra como funciona a segmentação da bacia hidrográfica. Divide a imagem por linhas de pontos com distância igual às bordas das duas partículas mais próximas. Assim, a célula Voronoi de cada partícula inclui todos os pontos mais próximos desta partícula do que qualquer outra partícula. Para o caso das partículas serem pontos simples, esta é uma tesselação Voronoi (também conhecida como tesselagem Dirichlet). Na saída, o valor dentro das células Voronoi é zero, os valores de pixel das linhas divisórias entre as células são iguais à distância às duas partículas mais próximas. Isso é semelhante a uma transformação do eixo médio do fundo, mas não há linhas nos orifícios internos das partículas. Escolha o tipo de saída (Sobrescrever, 8 bits, 16 bits ou 32 bits) e a cor do plano de fundo (preto ou branco aplica tanto para entrada quanto para saída) na caixa de diálogo ProcessgtBinarygtOptions. Guiprocessbinary. txt middot Última modificação: 20100126 11:07 (edição externa) Limite Automático Este plugin binariza imagens de 8 e 16 bits usando vários métodos de thresholding globais (baseados em histograma). A fase segmentada é sempre mostrada como branca (255). Para o limiar local, em vez de global, veja o plug-in Auto Local Threshold. ImageJ. Requer v1.42m ou mais recente. Copie o arquivo AutoThreshold. jar do mecourselandinigsoftwareautothreshold. jar na pasta ImageJPlugins e reinicie o ImageJ ou execute o comando Menus de atualização da Ajuda. Depois disso, um novo comando deve aparecer no Ajuste Automático da Imagem. Fiji. Este plugin faz parte da distribuição Fiji, não há necessidade de fazer o download. O método seleciona o algoritmo a ser aplicado (detalhado abaixo). As opções Ignorar preto e Ignorar branco definem as caixas de histograma de imagem para 0 e 255 níveis de habilidade para 0, respectivamente. Isso pode ser útil se a imagem digitalizada tiver pixels sub-expostos ou expostos. O objeto branco no fundo preto define para branco os pixels com valores acima do valor limite (caso contrário, ele define para branco os valores menores ou iguais ao limite). Set Threshold em vez de Threshold (imagens únicas) define o LUT limiar, sem alterar os dados de pixels. Isso funciona apenas para imagens individuais. Se você estiver processando uma pilha, duas opções adicionais estão disponíveis: a pilha pode ser usada para processar todas as fatias (o limiar de cada fatia será computado separadamente). Se esta opção for deixada desmarcada, somente a fatia atual será processada. O uso do histograma de pilha primeiro calcula o histograma da pilha inteira e, em seguida, calcula o limite com base nesse histograma e, finalmente, binariza todas as fatias com esse valor único. Selecionar esta opção também seleciona a opção Pilha acima automaticamente. 1. Este plugin é acessado através da entrada de menu Limite Automático da Imagem, no entanto, os métodos de limiar foram também parcialmente implementados no applet do Thresholder da ImageJs acessível através do Limite de Ajuste de Imagem. Entrada no menu. Enquanto o plug-in do Limite Automático pode usar ou ignorar os extremos do histograma da imagem (Ignorar preto, Ignorar branco), o applet não pode: o método padrão ignora os extremos do histograma, mas os outros métodos não. Isso significa que aplicar os dois comandos para a mesma imagem pode produzir resultados aparentemente diferentes. Em essência, o plugin Auto Threshold, com as configurações corretas, pode reproduzir os resultados do applet, mas não o caminho. 2. A partir da versão 1.12, o plugin suporta um limite de imagens de 16 bits. Uma vez que o plug-in do Limite Automático processa o espaço completo em escala de cinza, pode ser lento ao lidar com imagens de 16 bits. Observe que o applet do ImageJ thresholder também processa imagens de 16 bits, mas, na realidade, ImageJ primeiro calcula um histograma com 256 caixas. Portanto, pode haver diferenças nos resultados obtidos em imagens de 16 bits ao usar o applet e os verdadeiros resultados de 16 bits obtidos com este plugin. Note-se que, para acelerar, o histograma está encadernado para incluir apenas o intervalo de compartimentos que contêm dados (e evitar o processamento de caixas de histograma vazias em ambos os extremos). 3. O resultado de imagens e pilhas de 16 bits (ao processar todas as fatias) é um recipiente de 8 bits que mostra o resultado em branco 255 para cumprir o conceito de imagem binária (isto é, 8 bits com 0 e 255 valores). No entanto, para pilhas em que apenas 1 fatia é limiar, o resultado ainda é um contêiner de 16 bits com a fase limite definida como branco 65535. Isto é para manter os dados intocados nas restantes fatias. A opção tentar tudo conserva o formato de 16 bits para ainda mostrar as imagens com métodos que podem não conseguir obter um limite. As imagens e pilhas que são impossíveis de limiar permanecem inalteradas. 4. A mesma imagem em 8 e 16 bits (sem escala) retorna o mesmo valor de limiar, no entanto, o método Lis retornaria valores diferentes quando os dados da imagem foram deslocados (por exemplo, ao adicionar um valor fixo a todos os pixels). A implementação atual evita esse problema dependente do offset. 5. A mesma imagem escalada por um valor fixo (por exemplo, ao multiplicar todos os pixels por um valor fixo) retorna um resultado de limiar semelhante (dentro de 2 níveis de escala de escala da imagem original não escalada) para todos os métodos, exceto Huang, Li e Triângulo devido ao caminho Esses algoritmos funcionam. Qual método segmenta seus dados melhor Um pode tentar responder a esta pergunta usando a opção de experimentar tudo. Isso produz uma montagem com resultados de todos os métodos, permitindo explorar como os diferentes algoritmos funcionam em uma determinada imagem ou pilha. Ao usar pilhas, em alguns casos, pode não ser uma boa idéia segmentar cada fatia individualmente em vez de um único limite para todas as fatias (experimente o mri-stack. tif das imagens de amostra para entender melhor esta questão). Experimente todos os métodos. Ao processar pilhas com muitas fatias, as montagens podem se tornar muito grandes (16 vezes o tamanho original da pilha) e um corre o risco de ficar sem RAM. Uma janela pop-up aparecerá (quando as pilhas tiverem mais de 25 fatias) para confirmar se o procedimento deve exibir os resultados de montaged. Selecione Não para calcular os valores de limiar e exibi-los na janela de registro. Este é o método original de limiar automático disponível no ImageJ, que é uma variação do algoritmo IsoData (descrito abaixo). A opção Padrão deve retornar os mesmos valores que o Ajuste de Imagem Limiar Automático, ao selecionar Ignorar preto e Ignorar branco. Para indicar a segmentação da fase desejada, use a opção Objetos brancos no fundo preto. O método IsoData também é conhecido como intermediários iterativos. Implementos Huangs fuzzy thresholding método. Isso usa a função de entropia de Shannons (pode-se usar a função de entropia Yagers). Ported from ME Celebis fourier0.8 rotinas 1 e 2. Intermodes Isso assume um histograma bimodal. O histograma é suavizado iterativamente usando uma média de corrida de tamanho 3, até que existam apenas dois máximos locais: j e k. O limite t é então calculado como (jk) 2. As imagens com histogramas com picos extremamente desiguais ou amplas e no vale não são adequadas para esse método. Método do código MATLAB de Antti Niemists. Veja aqui uma excelente apresentação de slides e seu código MATLAB original. Procedimento iterativo com base no algoritmo isodata de: O procedimento divide a imagem em objeto e fundo, tomando um limiar inicial, então as médias dos pixels em ou abaixo do limite e pixels acima são calculadas. As médias desses dois valores são computadas, o limite é incrementado e o processo é repetido até o limite ser maior que a média composta. Ou seja, existem várias implementações deste método. Veja o código-fonte para outros comentários. Implementos Lis Minimum Cross Entropy método de thresholding baseado na versão iterativa (2ª referência abaixo) do algoritmo. Li, CH amp Lee, CK (1993), Minimum Cross Entropy Thresholding, Pattern Recognition 26 (4). 617-625 Li, CH amp Tam, PKS (1998), um algoritmo iterativo para limiar mínimo de entropia cruzada, cartas de reconhecimento de padrões 18 (8). 771-776 Sezgin, M amp Sankur, B (2004), Pesquisa sobre Técnicas de Limite de Imagem e Avaliação de Desempenho Quantitativo, Journal of Electronic Imaging 13 (1). 146-165. Ltciteseer. ist. psu. edusezgin04survey. html gt Ported from ME Celebis fourier0.8 rotinas 3 e 4. MaxEntropy Implements Kapur-Sahoo-Wong (Maximum Entropy) método de limiar: Kapur, JN Sahoo, PK amp Wong, ACK (1985), Um Novo Método para o Limite de Imagem de Nível de Grey Usando a Entropia do Histograma, Modelos Gráficos e Processamento de Imagem 29 (3). 273-285 Ported from ME Celebis fourier0.8 rotinas 5 e 6. Usa a média dos níveis de cinza como o limiar. É usado por alguns outros métodos como um primeiro limite de suposição. Glasbey, CA (1993), Uma análise de algoritmos de thresholding baseados em histograma, CVGIP: Modelos Gráficos e Processamento de Imagem 55. 532-537 MinError (I) Uma implementação iterativa do limiar mínimo de erros do Kittler e Illingworths. Esta implementação parece convergir com mais frequência do que o original. No entanto, às vezes o algoritmo não converge para uma solução. Nesse caso, um aviso é reportado à janela de log e o resultado é padrão para a estimativa inicial do limite que é calculado usando o método Mean. As opções Ignorar preto ou Ignorar branco podem ajudar a evitar esse problema. Kittler, J amp Illingworth, J (1986), limiar de erro mínimo, reconhecimento de padrões 19. 41-47 Ported de Antti Niemists Código MATLAB. Veja aqui uma excelente apresentação de slides e o código MATLAB original. Da mesma forma que o método Intermodes, isso assume um histograma bimodal. O histograma é suavizado iterativamente usando uma média de execução do tamanho 3, até que existam apenas dois máximos locais. O limiar t é tal que yt1 gt yt lt yt1. As imagens com histogramas com picos extremamente desiguais ou amplas e no vale não são adequadas para esse método. Com o código MATTAB de Antti Niemists. Veja aqui uma excelente apresentação de slides e o código MATLAB original. O método Tsais tenta preservar os momentos da imagem original no resultado limite. Ported from ME Celebis fourier0.8 rotinas 7 e 8. Algoritmo de agrupamento de limiar de Otsus procura o limiar que minimiza a variância intra-classe, definida como uma soma ponderada de variâncias das duas classes. Por parte do código C de Jordan Bevik. Percentile Assume que a fração de pixels de primeiro plano é 0,5. Com o código MATTAB de Antti Niemists. Veja aqui uma excelente apresentação de slides e o código MATLAB original. RenyiEntropy Semelhante ao método MaxEntropy, mas usando a entropia Renyis. Kapur, JN Sahoo, PK amp Wong, ACK (1985), um novo método para o limiar de imagem de nível de cinza usando a entropia do histograma, modelos gráficos e processamento de imagem 29 (3). 273-285 Ported from ME Celebis fourier0.8 rotinas 9 e 10. Ported from ME Celebis fourier0.8 rotinas 11 e 12. Esta é uma implementação do método Triangle: Modificado do Johannes Schindelins plugin TriangleAlgorithm. O algoritmo do Triângulo, um método geométrico, não pode dizer se os dados estão distorcidos de um lado a outro, mas assume um pico máximo (modo) perto de uma extremidade do histograma e busca para a outra extremidade. Isso causa um problema na ausência de informações sobre o tipo de imagem a ser processada ou quando o máximo não está próximo de um dos extremos do histograma (resultando em duas possíveis regiões de limiar entre o máximo e os extremos). Aqui, o algoritmo foi ampliado para encontrar em qual lado do pico máximo os dados são os mais distantes e busca o limite dentro desse maior alcance. Implementa o método de limiar Yens de: Ported from ME Celebis fourier0.8 rotinas 13 e 14. Análise de partículas Automática contagem de partículas A contagem automática de partículas pode ser feita se a imagem não tiver muitas partículas individuais tocando. A contagem manual de partículas pode ser feita usando a ferramenta multiponto. Segmentação. Ou a capacidade de distinguir um objeto de seu fundo, pode ser um problema difícil de lidar. Uma vez que isso foi feito, no entanto, o objeto pode então ser analisado. Parâmetros analíticos de águas subterrâneas de limiar RAW Configuração de um limite 5.1.1.1 Limite manual A análise automática de partículas requer uma imagem binária, preto e branco. Um intervalo de limiar é configurado para indicar os objetos de interesse além do plano de fundo. Todos os pixels da imagem cujos valores se situam abaixo do limite são convertidos em preto e todos os pixels com valores acima do limite são convertidos em branco ou vice-versa. Existem várias maneiras de estabelecer limites. As imagens monocromáticas são mais simplesmente limiares através do comando do menu Limite de Ajuste de Imagem. O limite pode ser configurado usando as barras deslizantes. Os pixels dentro do intervalo de limiar são exibidos em vermelho. Quando estiver satisfeito com as configurações de limite, você pode então clicar em Aplicar. Isso aplicará permanentemente as configurações de limite e converterá a imagem em binário. Você tem diferentes opções para definir um limite manual. O menu suspenso definido como Padrão permite escolher entre Padrão e 15 outras técnicas de limite. O menu suspenso configurado em Vermelho permite que você escolha entre um esquema de cores vermelho em branco, um esquema de cores preto sobre branco ou um esquema de cores sobre e sob. A caixa Dark Background irá virar a cor do primeiro plano com a cor do fundo. Você também pode escolher verificar a caixa de histograma de Pilha para produzir um histograma para uma pilha inteira. Para imagens em cores, definir o limite é feito com a seqüência de comando Image Adjust Color Threshold. . A opção do método de Threshold permite escolher uma técnica de limiar diferente do padrão. A opção Limite de cor permite escolher entre vermelho, branco, preto ou BampW como cor limiar. A opção Espaço de cores permite que você escolha entre HSB, RGB, Lab e YUV. O fundo da imagem limiar pode ser feito de luz ou escuro. A imagem pode ser convertida em uma imagem binária através do comando de menu Tipo de imagem de 8 bits. Existem muitos algoritmos que você pode usar para calcular o limite sem introduzir o viés de usuário. Uma avaliação de mais de 40 destes pode ser encontrada neste artigo: Sezgin, M. amp Sankur, B. (2004), Pesquisa sobre técnicas de limiar de imagem e avaliação de desempenho quantitativa., Journal of Electronic imaging 13 (1). 146-168 (no Google Scholar). Fiji tem vários plugins encontrados no menu Ajuste de imagem Limiar para o cálculo automático de um limite de imagem. Estes incluem o limiar de Otsus, o limite máximo de entropia e o limiar de modelagem de mistura. Para obter uma lista completa dos métodos disponíveis com Fiji, consulte a seção Plugins localizada na seção Documentação na guia Conteúdo na parte superior desta página. Separação da bacia hidrográfica A sobreposição de objetos em uma imagem binária pode ser separada usando o comando do menu Process Binary Watershed. Primeiro converta a imagem em binário por thresholding. Os pixels pretos são então substituídos por pixels cinza de uma intensidade proporcional à sua distância de um pixel branco. Os pixels pretos mais próximos da borda são mais claros do que os pixels pretos que são mais centrais. Este é o mapa de distância Euclidiana (EDM) da área negra. A partir disso, os centros dos objetos são calculados. Estes são os últimos pontos erodidos (UEPs) de cada área negra, o que significa que são equidistantes de cada borda. Esses pontos são dilatados até tocarem outro pixel preto. Este ponto de encontro é onde uma linha de bacia hidrográfica é desenhada. Analisar partículas Para analisar as partículas em uma imagem segmentada, use o comando do menu Analisar analisar partículas. . Isso fornecerá informações sobre cada partícula na imagem. Defina o tamanho mínimo e o tamanho máximo da área de pixels para excluir qualquer coisa que não seja um objeto de interesse na imagem. Os valores de arredondamento entre 0,0 e 1,0 também podem ser selecionados para ajudar a excluir objetos indesejados. Selecione a opção Show: Outlines para exibir uma imagem dos objetos detectados. O menu suspenso Exibir também permite que o usuário mostre Nada, contornos nus, elipses, máscaras, máscaras de contagem, contornos de sobreposição e máscaras de sobreposição. O usuário pode escolher se exibir resultados. Limpar resultados. Resumir. Adicionar ao Gerente. Excluir nas bordas. Inclua buracos. O registro começa. E Mostra in situ. A análise de partículas pode ser automatizada através de plugins ou macros, uma vez que o valor de limiar correto e a faixa de tamanho de partícula foram determinados para seus objetos de interesse. Nucleus Counter Este plugin automatiza muitas das etapas discutidas acima. Digite o intervalo de tamanho a ser contado Selecione o método de limiar automático. Isso pode ser atual. Otsu. Entropia Máxima, Modelagem de Mistura ou agrupamento de k-means. Atual usa o limite que foi configurado manualmente, veja acima. Execute uma correção de fundo. Use um filtro suave. Execute uma separação de bacia hidrográfica. Adicione as partículas ao gerenciador de ROI. Diga sim a um resumo. Outras opções podem ser facilmente adicionadas mediante solicitação. A contagem, área e tamanho médio são retornados como uma janela de texto e as partículas delineadas são sobrepostas em uma duplicata da imagem original. Você pode usar a ferramenta Multi-ponto incorporada para contabilizar as partículas manualmente. Particle Tracker Particle Tracker é um complemento de rastreamento de ponto de recurso 2D para a detecção e análise automatizada de trajetórias de partículas registradas por imagens de vídeo em biologia celular. O algoritmo é descartado em Sbalzarini e Koumoutsakos (20051). TrackMate Use o comando do menu Plugins Tracking TrackMate. Este plugin permite que você execute rastreamento de partículas únicas de estruturas semelhantes a pontos. Para obter informações mais detalhadas, consulte o tutorial e a explicação do TrackMate. Rastreamento manual Use o comando do menu Plugins Tracking Manual Tracking. Esta ferramenta permite que você acompanhe o movimento de uma célula.29 Processo Melhora o contraste da imagem usando alongamento de histograma ou equalização de histograma. Ambos os métodos são descritos em detalhes no Hypermedia Image Processing ReferenceContrast Stretching e Histogram Equalization. Este comando não altera valores de pixels, desde que Normalize. Equalize Histograma ou Normalize All n Slices (no caso de pilhas) não são verificados. Pixels saturados Determina o número de pixels na imagem que podem ficar saturados. Aumentar esse valor aumentará o contraste. Esse valor deve ser maior do que zero para evitar que alguns pixels periféricos causem que o estiramento do histograma não funcione como pretendido. Normalize Se marcado, ImageJ recalculará os valores de pixel da imagem, de modo que o alcance seja igual ao alcance máximo para o tipo de dados, ou 0-1-1 para imagens flutuantes. O estiramento de contraste realizado na imagem é semelhante à opção lsquo Auto rsquo na janela BrightnessContrast C, exceto que com pilhas, cada fatia na pilha é ajustada de forma independente, de acordo com o ótimo para essa fatia sozinho (se o histograma Stack Stack estiver desmarcado ). O alcance máximo é 0--255 para imagens de 8 bits e 0--65535 para imagens de 16 bits. Com pilhas outra caixa de seleção, Normalize All n Slices. é exibido. Se marcada, a normalização será aplicada a todas as fatias da pilha. Observe que a normalização das imagens RGB não é suportada e, portanto, esta opção não estará disponível em pilhas RGB. Equalizador do Histograma Se marcado, ImageJ aumentará a imagem usando equalização de histograma 30. Crie uma seleção e a equalização será baseada no histograma dessa seleção. Usa um algoritmo modificado que leva a raiz quadrada dos valores do histograma. Mantenha Alt para usar o algoritmo padrão de equalização do histograma. Os parâmetros de pixels saturados e normalização são ignorados quando o Equalizador de histograma está marcado. Use o Histograma de Pilha Se marcado, o ImageJ usará o histograma geral da pilha em vez dos histogramas de fatia individuais, que permitem ajustes ótimos para cada fatia sozinho. Esta opção pode ser especialmente relevante ao realizar melhorias com base em um ROI. 29.6 Ruído Use os comandos neste submenu para adicionar ruído às imagens ou removê-lo. Converte uma imagem em preto e branco. Se um limite foi configurado usando a ferramenta Threshold T de ajuste de imagem, a caixa de diálogo mostrada é exibida. O valor da caixa de seleção Black foreground, fundo branco reflete e define o valor global Black Background de Process Binary Options Se um limite não tiver sido definido, Make Binary analisará o histograma da seleção atual ou de toda a imagem se nenhuma seleção for Presente e defina um nível de limiar automático para criar a imagem binária (lsquoAuto-thresholding rsquo é exibido na barra de status, veja Threshold T). Com pilhas, a caixa de diálogo Converter para a máscara é exibida. Note-se que, para imagens e pilhas não limiares, Make Binary e Convert to Mask se comportam de forma semelhante. 29.8.2 Convert to Mask Converte uma imagem em preto e branco. A máscara terá um LUT invertido (o branco é 0 e o preto é 255), a menos que o Fundo preto seja verificado na caixa de diálogo Opções do processo binário. Se um limite não tiver sido definido, os níveis de limiar automático serão calculados (ver Make Binary). Note-se que, para imagens e pilhas não limiares, Make Binary e Convert to Mask se comportam de forma semelhante. Com pilhas, a caixa de diálogo representada é exibida. Calcular limiar para cada imagem Se marcado, os níveis de limiar serão calculados para cada fatia individual, caso contrário, o limiar calculado da fatia atualmente exibida será usado para todas as fatias Fundo preto Define se o plano de fundo é preto e o primeiro plano é branco. Observe que o valor desta caixa de seleção reflete e define o valor de fundo preto global de Opções binárias de processo 21 Criando máscaras binárias Quatro comandos ImageJ podem ser usados ​​para criar máscaras binárias: Editar Seleção Criar Máscara Processar Binário Fazer Binary Processar Binary Converter em Mask Image Adjust Threshold T (Aplicar) Por padrão, esses comandos produzirão imagens binárias com LUTs invertidas, de modo que o preto é 255 e o branco é 0 (veja Inverter LUT). Esse comportamento pode ser revertido ao verificar Black Background in Process Binary Options antes de executar os comandos acima (ou seja, um LUT invertido não será usado: preto será 0 e branco 255). Essa escolha pode ser confirmada ao executar Make Binary e Convert to Mask em imagens de limite. Também pode ser imposta na inicialização (consulte Configurações e Preferências) .29.8.3 Erode Remove pixels das bordas dos objetos em uma imagem binária. Use Filtros Mínimos para executar erosão em escala de cinza em imagens não limiares. 29.8.4 Dilate Adiciona pixels nas bordas dos objetos em uma imagem binária. Use Filtros Máximo para executar a dilatação em escala de cinza em imagens não limiares. 29.8.5 Aberto Executa uma operação de erosão, seguida de dilatação. Isso suaviza objetos e remove pixels isolados. 29.8.6 Fechar - Executa uma operação de dilatação, seguida de erosão. Isso suaviza objetos e preenche pequenos orifícios. O comando tem um hífen de retaguarda para diferenciá-lo de File Close w. Gera um contorno de um ponto de um pixel de objetos de primeiro plano em uma imagem binária. A linha é desenhada dentro do objeto, ou seja, em pixels de primeiro plano anteriores. 29.8.8 Furos de preenchimento Este comando preenche furos (elementos de fundo de 4 conectores) nos objetos, preenchendo o fundo 34. 29.8.9 Skeletonize Repeatably remove pixels from the edges of objects in a binary image until they are reduced to single-pixel-wide shapes (topological skeletons ). As explained in 22: Skeletonize vs Skeletonize 3D. there are several skeletonization algorithms. ImageJ implements a thinning algorithm from Zhang and Suen. A fast parallel algorithm for thinning digital patterns. CACM 27(3):236--239, 1984, in which a lookup table indexes all the 256 possible 3 3 neighborhood configurations for each foreground pixel. The algorithm calculates the index number for each object pixel, and uses the lookup table to decide if the pixel is eliminable. This process is repeated until no pixel can be eliminated. When debugging is enabled in Edit Options Misc. Skeletonize creates an animation documenting the iterations of the thinning algorithm. 22 Skeletonize vs Skeletonize 3D Skeletonize3D is a ImageJ plugin written by Ignacio Arganda-Carreras 35 that offers several advantages over Process Binary Skeletonize . the legacy skeletonization algorithm of ImageJ: Skeletonize works only with binary 2D images. Skeletonize3D works with 8-bit 2D images and stacks, expecting the image to be binary. If not, Skeletonize3D considers all pixel values above 0 to be white (255). While Skeletonize relies on Black background value in Binary Options ( see 23: Interpreting Binary Images ), the output of Skeletonize3D always has a value of 255 at the skeleton and 0 at background pixels, independently of the Black background option. In Fiji. Skeletonize 3D is already pre-installed as Plugins Skeleton Skeletonize (2D3D). In ImageJ, it can be downloaded and installed from the Skeletonize3D homepage. Maximum projections ( Image Stacks Z Project ) of skeletons produced by Skeletonize (middle) and Skeletonize3D (right). The left image is the maximum projection of the original stack, File Open SamplesBat Cochlea Volume (19K). Topographic skeletons can be analyzed using the AnalyzeSkeleton plugin. 29.8.10 Distance Map Generates a Euclidian distance map (EDM) from a binary image 38 . Each foreground pixel in the binary image is replaced with a gray value equal to that pixels distance from the nearest background pixel (for background pixels the EDM is 0). The Ultimate Points . Watershed and Voronoi operations are based on the EDM algorithm. The output type ( Overwrite . 8-bit . 16-bit or 32-bit ) of this command can be set in the Binary Options dialog box. Note that when selecting lsquo Overwrite rsquo or lsquo 8-bit output rsquo, distances larger than 255 are labelled as 255. 29.8.11 Ultimate Points Generates the ultimate eroded points (UEPs ) of the Euclidian distance map (EDM, see Distance Map ) from a binary image. Ultimate Eroded Points are maxima of the EDM. In the output, the points are assigned the EDM value, which is equal to the radius of the largest circle that fits into the binary particle, with the UEP as the center. The output type ( Overwrite . 8-bit . 16-bit or 32-bit ) of this command can be set in the Binary Options dialog box. 29.8.12 Watershed Watershed segmentation is a way of automatically separating or cutting apart particles that touch. It first calculates the Euclidian distance map (EDM) and finds the ultimate eroded points (UEPs). It then dilates each of the UEPs (the peaks or local maxima of the EDM) as far as possible either until the edge of the particle is reached, or the edge touches a region of another (growing) UEP. Watershed segmentation works best for smooth convex objects that dont overlap too much. Enable debugging in Edit Options Misc and the Watershed command will create an animation that shows how the watershed algorithm works (cf. online example ). Find Maxima ( Segmented Particles output) for watershed segmentation of grayscale images. This command transforms between the lsquouser friendlyrsquo display of Fourier transforms with the lowest frequencies at the center and the lsquonativersquo form with the lowest frequencies at the four corners. Swap Quadrants swaps quadrants I with III and II with IV (counter-clockwise starting from lsquoNortheastrsquo) so that points near the center are moved towards the edge and vice versa. Another way to see this command is to imagine that the image is periodically repeated and the origin is shifted by width 2 in x and by height 2 in y direction. For Fourier transforms, Swap Quadrants affects only the image displayed, not the actual FHT data. Therefore, editing an image with swapped quadrants for filtering or masking may lead to undesired results. 29.11 Filters This submenu contains miscellaneous filters 36 (including those installed by the Plugins Utilities Install Plugin command). More information on image filters can be obtained by looking up related keywords ( convolution, Gaussian, median, mean, erode, dilate, unsharp . etc.) on the Hypermedia Image Processing Reference index. 29.11.1 Convolve Does spatial convolution using a kernel entered into a text area. A kernel is a matrix whose center corresponds to the source pixel and the other elements correspond to neighboring pixels. The destination pixel is calculated by multiplying each source pixel by its corresponding kernel coefficient and adding the results. If needed, the input image is effectively extended by duplicating edge pixels outward. There is no arbitrary limit to the size of the kernel but it must be square and have an odd width. Rows in the text area must all have the same number of coefficients, the rows must be terminated with a carriage return, and the coefficients must be separated by one or more spaces. Kernels can be pasted into the text area using Ctrl V. Checking Normalize Kernel causes each coefficient to be divided by the sum of the coefficients, preserving image brightness. The kernel shown is a 9 9 ldquoMexican hatrdquo, which does both smoothing and edge detection in one operation. Note that kernels can be saved as a text file by clicking on the lsquoSave rsquo button, displayed as an image using File Import Text-Image Text Image . scaled to a reasonable size using Image Adjust Size and plotted using Analyze Surface Plot 29.11.2 Gaussian Blur This filter uses convolution with a Gaussian function for smoothing 37 . Sigma is the radius of decay to e 0.5 ( 61 ), i. e. the standard deviation ( ) of the Gaussian (this is the same as in Adobe Photoshop . but different from ImageJ versions till 1.38q, in which radius was 2.5(cf. GaussianBlur. java ). Like all ImageJ convolution operations, it assumes that out-of-image pixels have a value equal to the nearest edge pixel. This gives higher weight to edge pixels than pixels inside the image, and higher weight to corner pixels than non-corner pixels at the edge. Thus, when smoothing with very high blur radius, the output will be dominated by the edge pixels and especially the corner pixels (in the extreme case, with a blur radius of e. g. 10 20. the image will be replaced by the average of the four corner pixels). For increased speed, except for small blur radii, the lines (rows or columns of the image) are downscaled before convolution and upscaled to their original length thereafter. 29.11.3 Gaussian Blur 3D This command calculates a three dimensional (3 D) gaussian lowpass filter using a 3-D Gaussian. It works with Stacks and Hyperstacks but not single-slice Color Composite Images. Refer to Gaussian Blur for more information on sigma values. 29.11.4 Median Reduces noise in the active image by replacing each pixel with the median of the neighboring pixel values. 29.11.5 Mean Smooths the current image by replacing each pixel with the neighborhood mean. 29.11.6 Minimum This filter does grayscale erosion by replacing each pixel in the image with the smallest pixel value in that pixels neighborhood. 29.11.7 Maximum This filter does grayscale dilation by replacing each pixel in the image with the largest pixel value in that pixels neighborhood. 29.11.8 Unsharp Mask Sharpens and enhances edges by subtracting a blurred version of the image (the unsharp mask) from the original. Unsharp masking subtracts a blurred copy of the image and rescales the image to obtain the same contrast of large (low-frequency) structures as in the input image. This is equivalent to adding a high-pass filtered image and thus sharpens the image. Radius The standard deviation ( blur radius, cf. Gaussian Blur ) of the Gaussian blur that is subtracted. Increasing the Gaussian blur radius will increase contrast. Mask Weight Determines the strength of filtering, whereby MaskWeight 1 would be an infinite weight of the high-pass filtered image that is added. Increasing the Mask Weight value will provide additional edge enhancement. 29.11.9 Variance Highlights edges in the image by replacing each pixel with the neighborhood variance. 29.11.10 Show Circular Masks Generates a stack containing examples of the circular masks used by the Median . Mean . Minimum . Maximum . and Variance filters for various neighborhood sizes. 29.12 Batch This submenu allows the execution of commands in a series of images without manual intervention. Batchcommands are non-recursive, i. e. they are applied to all the images of the chosen Input folder but not its subfolders. Nevertheless a directory hierarchy can be transversed using ImageJ macro language (cf. BatchProcessFolders macro). Three critical aspects to keep in mind when performing batch operations that modify processed images: Files can be easily overwritten since the batch processor will silently override existing files with the same name. The destination Output folder should have adequate disk space to receive the created images. In the case of non-native formats, batch operations will be influenced by the behavior of the reader plugin or library (cf. Non--native Formats ). 29.12.1 Measure This command measures all the images in a user-specified folder, by running the Analyze Measure m command in all images of the chosen directory. Note that measurements are performed on non thresholded images. In the case of TIFF images saved with active selections measurements are performed on the ROI and not the whole image. 29.12.2 Convert Batch converts andor resizes multiple images from a specified folder. Input. Selects the source folder containing the images to be processed. Output. Selects the destination folder where the processed images will be stored. Output Format Specifies the output format that can be set to TIFF, 8-bit TIFF, JPEG, GIF, PNG, PGM, BMP, FITS, Text Image, ZIP or Raw (cf. Image Types and Formats and File Save Assubmenu). Interpolation The resampling method to be used in case Scale Factor is not 1.00 ( see Image Size and Image Scale E ). For better results, Average when downsizing is automatically selected when scaling down images. Scale Factor Specifies if images should be resized ( see Image Scale E ). 29.12.3 Macro Macro. Runs a macro over a specified folder. The last used macro is stored in the ImageJmacrosbatchmacro. ijm file and remembered across restarts. Input. Selects the source folder containing the images to be processed. Output. Selects the destination folder where the processed images will be stored. Note that original files will not be saved if this field is left empty. Output Format Specifies the output format that can be set to TIFF, 8-bit TIFF, JPEG, GIF, PNG, PGM, BMP, FITS, Text Image, ZIP or Raw (cf. Image Types and Formats and File Save Assubmenu). Add Macro Code This drop-down menu contains macro snippets that can be combined to create the processing macro. Other statements can be pasted from the macro recorder or ImageJs editor while the dialog box is opened 38 . Previously written macros can be imported using Open When editing the macro beware of any statements that may interfere with the normal operation of the batch processor (such as Close() or Open() calls). Test Tests the macro on the first image of the Input folder (the processed image will be displayed). Open Imports previously written macros. Save Saves the assembled macro. 29.12.4 Virtual Stack This command, that shares the same interface of Batch Macro. Macro (cf. BatchProcesser. java ), allows virtual stack manipulations. Por exemplo. Cropping a virtual stack can be performed by executing the following steps: Open a virtual stack Run Process Batch Virtual Stack Select an Output folder and Output format Select lsquo Crop rsquo from the Add Macro Code drop-down menu Edit the macro code as needed and press the Test button to verify the macro Click Process to create the cropped virtual stack Note that cropped images are not loaded into memory but are saved to disk as they are cropped ( see Virtual Stacks ). 29.13 Image Calculator Performs arithmetic and logical operations between two images selected from popup menus described in the Image operations table. Image1 or both Image1 and Image2 can be stacks. If both are stacks, they must have the same number of slices. Image1 and Image2 do not have to be the same data type or the same size. With 32-bit (float) images, pixels resulting from division by zero are set to Infinity . or to NaN (Not a Number) if a zero pixel is divided by zero. The divide-by-zero value can be redefined in Edit Options Misc Operation Selects one of the thirteen available operators ( see Image operations ). Create New Window If checked, a new image is created to hold the result. If unchecked, the result of the operation is applied directly to Image1 . 32-bit (float) Result If checked, source images will be converted to 32-bit floating point before performing the operation. Table 6 Image Calculator operations . On these examples source and destination images (8-bit grayscale) are displayed with inverted LUTs (White 0 Black 255 ) (cf. Lookup Tablessubmenu). Note that calculations between images can also be performed using copy and paste and the Edit Paste Control command. 29.14 Subtract Background Removes smooth continuous backgrounds from gels and other images 39 . Based on the concept of the lsquorolling ballrsquo algorithm described in Sternberg Stanley, Biomedical image processing, IEEE Computer . Jan 1983). Imagine that the 2D grayscale image has a third dimension (height) by the image value at every point in the image, creating a surface. A ball of given radius is rolled over the bottom side of this surface the hull of the volume reachable by the ball is the background to be subtracted. Figure 35 Process Subtract Background This command uses a lsquosliding paraboloidrsquo or a legacy lsquorolling ballrsquo algorithm that can be used to correct uneven illuminated background as shown in the profiles ( Analyze Plot Profile k ) below each image. Rolling ball radius should be set to at least the size of the largest object that is not part of the background. Rolling Ball Radius The radius of curvature of the paraboloid. As a rule of thumb, for 8-bit or RGB images it should be at least as large as the radius of the largest object in the image that is not part of the background. Larger values will also work unless the background of the image is too uneven. For 16-bit and 32-bit images with pixel value ranges different from 0--255, the radius should be inversely proportional to the pixel value range (e. g. for 16-bit images (pixel values 0--65535), typical values of the radius are around 0.2 to 5). Light Background Allows the processing of images with bright background and dark objects. Separate Colors (RGB images only) If unchecked, the operation will only affect the brightness, leaving the hue and saturation untouched. Create Background (Dont Subtract) If checked, the output is not the image with the background subtracted but rather the background itself. This option is useful for examining the background created (in conjunction with the Preview option). Create Background can be also used for custom background subtraction algorithms where the image is duplicated and filtered (e. g. removing lsquoholesrsquo in the background) before creating the background and finally subtracting it with Process Image Calculator Sliding Paraboloid If checked, the lsquorolling ballrsquo is replaced by a paraboloid that has the same curvature at the apex as a ball of that radius. This option allows any value of the radius gt 0.0001 (the lsquorolling ballrsquo algorithm requires a radius of at least 1). The lsquosliding paraboloidrsquo typically produces more reliable corrections since the lsquorolling ballrsquo, a legacy algorithm (only kept for backward compatibility), is prone to edge artifacts. To reduce the computing time the lsquorolling ballrsquo algorithm downscales the image in a inconsistent way. The lsquosliding paraboloidrsquo algorithm does not use downscaling and thus produces no downscaling artifacts. Nevertheless, the lsquosliding paraboloidrsquo is also an approximation, since it does not use a de facto paraboloid (an exact implementation would require a great computing effort) but it rather slides parabolae in different directions over the image. Disable Smoothing For calculating the background (lsquorolling the ballrsquo), images are maximum-filtered (3 3 pixels) to remove outliers such as dust and then smoothed to reduce noise (average over (3 3 pixels). With Disable Smoothing checked, the unmodified image data are used for creating the background. Check this option to make sure that the image data after subtraction will never be below the background. 29.15 Repeat Command R Reruns the previous command. The Edit Undo and File Open commands are skipped.