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
叶里叶环相关（FRC）最近已成为一种流行且相对公正的估计图像质量/分辨率的方法，特别是在基于定位的超分辨率分辨率中。主要考虑图像是拍摄傅立叶的两个独立物体，计算它们的傅立叶变换并计算两个频谱中频率递增的“环”的相关性。这些环应该与低频相关，直到得到分辨率极限。相关性的估计频率是对稀疏相关的最高频率的良估计。
在 SMLM 中，通常通过将所有定位一分为二并为两半重建图像来生成具有相同结构的两个独立图像。 在 BigStitcher 中，我们图像使用中层次平面的（集成）FRC 曲线作为质量控制指标。下图显示了质量控制的输出（已清理我们的鼠标芯片的双照明数据集图像中块的 FRC）：
For FRC using neighbouring planes to work, the z-spacing of your images has to be low enough, so that neighbouring planes still contain a lot of shared information/structures.
满足
在 BigStitcher 的主窗口中，选择要执行质量控制的图像，右键单击并选择Quality (optional) › Image Quality Estimation (FRC)…。这将弹出以下对话框：
许多参数与Image Fusion类似：您可以设置结果图像的边界框、下采样以及是否显示或保存结果。
By default, Quality is estimated in relatively large blocks of the (full resolution) images, downsampling only affects how large the blocks are “rendered” in the resulting image. Using high downsampling should be okay here.
对于实际质量评估很重要的参数有：
- 相对 FRC 当激活此功能时，我们不但会积分当前图像平面图 \(n\) 及其后续平面的 FRC 曲线，还会在积分之前增加 \(n+5\) 和 \(n-5\) 的 LOESS 平滑 FRC 曲线。减少了高频固定模式噪声（如 sCMOS 暗噪声）对质量指标的影响。这意味着我们必须计算第二条 FRC 曲线，本质上使这一步的计算时间加倍。
-
平滑局部 FRC 为了获得更平滑的质量估计，我们不仅可以计算图像平面 \((n,n+1)\) 之间的 FRC，还可以计算 \((n,n-1)\) 并对两条曲线的积分进行平均。这会增加计算时间，因为我们必须计算另一条 FRC 曲线。 以下参数本质上控制图像中质量两个估计的采样：
- FRC FFT 大小整个平面图形进行 FRC 计算将给我们每个 z 位置只有一个值。因此，我们将图像平面使用辅助块并独立计算 FRC。该参数控制块大小。但较小的块将提供更局部质量信息，也更容易受到噪声的影响。
- FRC 步长 (z) 在图像的每个平面上计算 (r)FRC 的计算成本可能很高。因此，我们仅计算图像平面子集的质量。使用此参数，您可以设置执行质量检查的平面距离。 单击确定后，将生成并显示或保存高质量图像。
