BigStitcher › 反卷积

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！

概述

在BigStitcher中，我们使用迭代Richardson-Lucy算法的多视图变体和各种优化来提供反基质。有关先前版本的多视图反基质的详细信息以及包含数学细节的相应出版社可以在Multi-View_Deconvolution中找到。

TODO：漂亮的去图像

可以通过选择要解流动的视图并在 多视图模式 的主菜单中Processing › (MultiView) Deconvolution来启动解流动。

满足

单击（多观点）反驳后，您将看到一个对话框，询问反驳的主要参数： BigStitcher Deconvolution main 由于您还生成用于反卷积的融合图像，因此一些参数与BigStitcher_Fuse中的相同：

用于解外部输出的 BoundingBox
对输出进行下采样的程度
哪些视图组合生成一张图像
如何显示/保存融合图像

其他选项是（从上到下）：

输入图像：
重量图像：
初始化为：
迭代类型：我们对迭代反波形实施了各种优化，这对通常适用于一些高信噪比（SNR）图像的数据做出了假设。使用优化可以加快反波形速度，但如果图像的SNR不够高，可能会导致伪影。
快速顺序迭代 (OSEM) 和 OSEM 加速：TODO 解释…
迭代次数：运行迭代相反的迭代次数。
调试模式：在调试模式下，我们将在反面当前运行时显示中间结果（每第n次迭代的反面图像）。您可以指定在单独的对话框中显示的频率（见下文）。
使用 Tikhonov 正则化和 Tikhonov 参数：通过您激活 Tikhonov 正则化，把 Tikhonov 参数设置为 \(>0\)，可以惩罚迭代中的加大变化。这样，反应力就不太容易放大噪声，但结果通常不会那么大。
计算：使用它来指定大小。我们可以将图像分割块并逐个计算反重力。这允许您在RAM的系统上进行反重力，但速度会更慢，因为我们必须使用重叠块（较小的块将导致更多的重叠）。您可以从几个块默认中进行选择，也可以在额外的对话框中选择块手动指定块大小（见下文）。
计算：是否在 CPU (Java) 或 GPU（通过 JNA 的 Nvidia CUDA） 上计算。 GPU 加速可以加快大幅度反方向速度，但您必须手动编译所需的库，并在系统中拥有支持 CUDA 的 Nvidia GPU（详细信息请参见下文）。
调整混合和混合参数：选中此项可在单独的对话框中显示视图分组和混合的高级选项（见下文）。