自迁移出 MediaWiki 以来，本页内容尚未经过审查。如果您愿意帮忙，请查看帮助指南！
介绍与概述
BigStitcher 是一个切片，可以简单地对齐多图块和多高效角度图像数据集，例如通过光片、宽场或共焦显微镜采集的图像数据集。该软件支持几乎任何大小的图像，范围从非常小的图像到数TB范围内的体积，例如使用光片采集组织透明样本时产生的图像。
同样前体Image Stitching一样，BigStitcher可以在忽略模式下运行，但还能够通过交互式显示中间结果以及用户交互选项来指导用户完成处理过程，其中包括估计图块位置的交互设置。BigStitcher与§§1§§§完全集成，因此能够交互式显示和处理输入图像，无论其大小内容如何。的全局优化现在能够有效地连接数据集，其中图像几乎被一致后台的大区域分区开。
除了此处的文档之外，还有更多关于此YouTube Channel的教程视频
BigStitcher专门用于透明样品（如CLARITY）的光片采集，提供了多种功能：
- 多视图多图块采集的注册，其中从不同方向采集的样本的每个视图可能由许多单独的图块组成。
- 数据的集成下游处理，例如不同分辨率级别（全分辨率或降低分辨率）和选定区域（完整图像或选定部分）的统一数据的融合和反向量
- 由于透明样品通常是通过可以从不同方向照明的光片显微镜采集的，因此 BigStitcher 支持在样品中的每个图像上预先选择照明方向
- 支持非常规采集采集，包括“智能采集”，其中如果仅存在背景，则某些图像块可能会丢失
- 支持不同分辨率采集的特定图像数据，将概览扫描与感兴趣区域的高分辨率采集相结合
下载
BigStitcher 的 beta 版本可通过 Fiji Updater 获得。只需转到Plugins › BigStitcher › BigStitcher，单击Manage update sites，然后在列表中选择BigStitcher。应用更改并重新启动斐济后，BigStitcher 将在Help › Update…下可用。
来源代码已提供 on GitHub，也请在那里报告功能请求和错误。
文档
BigStitcher的工作流程由多个步骤组成，导入、可视化、处理和输出，这些步骤在下面链接的相应页面中有详细说明：
###打开/导入图像数据集
由于图像数据以多种格式，第一步将所有图像生成数据集并加载所需的元数据，或者在丢失时定义手动元数据。 BigStitcher 与 BigDataViewer 集成，共享相同的数据表示形式，该数据表示形式作为 XML 存储文件在磁盘上。
定义数据集并保存XML文件后，您可以快速加载任何数据集：
用户界面概述
BigStitcher 可以在两种模式下运行，具体取决于您是否想要从同一方向推理的平铺图像（拼接模式）进行扫描或从不同角度或时间点获取的平铺图像（多视图模式）。以下部分概述了两种模式下的 UI：
理想情况下，但是在导入数据集时应该从元数据加载图块的位置。，使用BigStitcher，您还可以手动将视图移动到固定网格，从图块配置文件加载视图位置或手动翻译单个视图。
许多光片显微镜提供来自多个方向的样品照明。由于通常一个照明方向会为样本中的给定点生成最佳图像，因此您可能希望从其他方向照明的图像中删除。
此外，您可能需要校正图像的视场亮度不均匀或相机偏移（“平场校正”）。我们提供动态平场校正作为一项实验功能。
质量控制
为了整个量化允许集中数据的图像质量，我们计算图像中的（相对）傅立叶环相关性（FRC）。您可以使用此功能来评估整个样本中的图像质量/分辨率是否稳定或下降，例如当深入采样时。
拼接
拼接包括使用平移模型视角多个重叠的图块。如果您的数据集由多个角度的平铺采集组成，则应在使用多视图重建视角之前独立对所有角度进行拼接：
基本的拼装流程包含3个步骤：
- Pairwise shift calculation
- Previewing and filtering pairwise shifts
-
Global optimization 此外，我们还提供了使用迭代最近点（ICP）算法通过更复杂的仿射变换模型来细化成像的可能性：
- Affine refinement of registration via ICP
除了标准的焊接管道之外，我们还提供高级功能，例如用于确定对升降机的不同算法：
多视图注册
一旦您绘制相同视角组的视图正交，您就可以使用Multiview-Reconstruction继续将这些视图组正交。因此，请切换到主窗口中的MultiView mode。
此过程包括在单个视图中创建“兴趣点”（例如核或基准珠），匹配其他视图中的相应兴趣点，然后根据相应的兴趣点查看视图。
- Interest point detection
-
Registration using interest points 在多视图模式下，我们还提供了各种可视化和管理兴趣点的方法：
- Interest point management
阻塞和非固定细化
在某些情况下，尤其是在从不同侧面或旋转视图照射的图像时，即使使用多视图配准或ICP进行仿射配准，也可能仍会产生次优结果。我们支持两种进一步提高注册质量的方法。
第一个改进是将数据集的图像分割成虚拟块，允许使用可针对整个图像的相同配准工具进行更细粒度的配准：
融合
数据集中的视图扫描后，通常的最后一步是创建提供其他 ImageJ 插件或其他程序一起使用的“经典图像”。将多个图像合并为一张结果图像的过程称为融合图像：
通常，您可能不想融合整个样本，而是希望融合较小的子体积（由 边界框 定义）。因此，您必须在使用的边界框中定义一个融合：
所有边界框都将在数据集的全局坐标系中轴对准（由第一个视图的坐标系确定）。有时，样本相对于该坐标系“倾斜”，导致图像融合中样本周围出现不必要的大暗空间。因此，我们提供了各种重新定向样本的方法，以实现更节省空间的融合：
如果数据集中各个视图/图块的亮度不同（例如由于亮度），您可以选择确定将在融合过程中应用的优化和恢复调整：
###（多观点）反对方向
除了简单的视方差融合之外，我们还可以对结果图像执行反曲面，理想情况下使用从输入图像本身导出的点扩散函数（PSF）（例如，如果它们包含亚导电大小的指纹珠）。
此过程的第一步是 PSF 分配给要反方向的视图：
将 PSF 分配给要处理的所有视图后，您可以继续进行反驳本身：
###无头操作
我们在 BigStitcher 中提供了大部分处理步骤的宏脚本版本。它们可以使用 Macro Recorder 进行记录，并且可以调整生成的脚本，例如用于批处理。
示例数据集
我们准备了平铺数据集的快速 2D 和 3D 版本，用于在一个小示例中测试 BigStitcher。我们建议先在这些上运行 BigStitcher，然后再将其应用到您的数据集。这使您可以轻松地在 GitHub 或 ImageJ 论坛上寻求建议的环境中测试功能。我们未来将添加一个更大的多视图数据集作为展示项目。
2D 多图块数据集 (2.8 MB)
该集是果蝇幼虫神经系统的最大强度投影，每包含6个图块和3个通道。您可以在第§§10§§§下载原始输入，在第§§11§§§处下载重建的BigStitcher项目。在重建的项目中，使用AutoLoader将导入图像BigStitcher（立即重新保存为HDF5并移动到常规2×3网格，图间块有10%我们使用具有参数默认的相位相关性、使用预先计算的2x2下采样通道进行对移位的平均计算。我们忽略相关性\(<0.7\)的链接，并使用严格约束的两轮全局优化来计算最终注册。
3D 多图块数据集 (123 MB)
该数据集是果蝇幼虫系统的3D共聚焦扫描，包含6个图块和每3个通道，通道神经分布在不同的文件中。您可以在https://preibischlab.mdc-berlin.de/BigStitcher/Grid_3d.zip处下载原始输入，在https://preibischlab.mdc-berlin.de/BigStitcher/Grid_3d_h5_aligned.zip.处下载重建项目。在重建项目中，我们运行了与二维数据集相同的导入和重建步骤，此外还使用具有默认参数的IPC和简单的平铺细化对配准进行了仿射细化，以创建最终的重建项目。
