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
BigStitcher和Multiview-Reconstruction的许多处理步骤依赖于图像中兴趣点（即亮点或暗点）的检测。经典的例子是通过匹配两个图像中相应的兴趣点把这些点以及图像各处对齐到多个视角视图。
在多视图模式中，可以通过选择所需的视图、右键单击并选择主菜单中的Processing › Detect Interest Points…选项来启动兴趣点检测。
兴趣点的其他用途是：
另外，检测亚导体大小的珠子是提取(MultiView) Deconvolution 的 Point Spread Function (PSF) 的默认方法。
基本参数
在第一个对话框中，您可以选择检测方法并将检测到的兴趣点（例如“珠子”或“核”）提供标签。
兴趣点检测类型可以是：
- 均值差（基于积分图像）：稍快一些，但精度稍差
- 高斯分数：更准确，但稍慢（但可以通过一些工作进行GPU加速）
您可以通过选择定义分割的各向异性、设置和最大强度或限制最小检测量来激活一些高级参数。这将解锁对话框中下一个选项的其他选项（详细说明见下文）。
如果您选择的视图包含多个图或照明方向，您可以选择对视图进行分组。的最小化和最大强度将用于下面组中的所有视图（参见解释）。这实际上将视图融合到一张图像中以进行兴趣点检测预览，您如果不使用多分辨率ImgLoader（即，如果您没有将数据块重新保存为HDF5），这可能会非常正常。
高级参数
在下一个对话框中，系统将要求您提供一些用于兴趣点检测的更多参数。
在子像素定位下，您可以选择是否使用三维二次对目标点进行子精准检测（第三选项个高斯目标定位目前尚未实现）。
兴趣点规格决定要查找的点的大小和阈值。有一些默认值，以及：
- 高级…，它允许您手动设置阈值和西格玛/半径的值。
- 您交互…，它允许以交互方式更改值并显示检测预览。
接下来，您可以选择对图像进行**下采样（或使用预先计算的下采样速度）以显着加快兴趣点检测。请注意，如果大量下采样，则应使用子像素本地化来判断相应的不准确性。
如果您在上一个对话框中选择设置最小和最大强度，系统会在此处询问您这些值。它们的含义如下：如果您不设置最小和顶点，则您在下一步中选择的阈值将相对于每个单独图像的最小/顶点。如果图像各个图像的亮度不同，这可能会导致更多的误报和误报检测。设置最小强度和最大强度会导致对所有图像使用相同的值并处理这些问题。请注意，如果您之前选择对视图进行分组，则整个组的平滑和开始将用于组中的每个图像。
如果您在上一个对话框中选择定义分割的各向异性，则在此处询问您X、Y 和 Z 中的图像西格玛。如果您获取的图像像素大小和 z 尺寸为 \(\approx \frac{d}{2}\)（最佳采样），且 \(d\) 是心脏病的分辨率（\(d_{xy} = \frac{\lambda}{2NA}\) 和 \(d_{z} = \frac{2\lambda}{NA^2}\)），则可以在此处保留默认值 0.5。否则，当您有过采样（较小的像素距离）时增加图像西格玛，或者在欠采样（更大的像素）时减少它。请，只有当您在 x、y 和 z 上进行不同的过采样或欠采样时，才需要更改图像 sigma。如果您在 x、y 和 z按相同因子进行过采样或欠采样，您也可以忽略这些参数，并在下一步中相应地设置 sigma/radius。
如果您在上一个对话框中选择限制检测数量，系统会询问您要保留的最大检测数量（最高n）以及要使用的检测类型。这可以是：
- 最亮：仅保留“最亮”检测（最高顶部或最低简单）。
- 最弱（阈值）：仅保留未通过阈值排除的“最弱”检测（最低顶点或最高最低）
- 围绕中值（一个阈值的）：仅保留最接近中值绝对强度（一个阈值的检测）的检测
最后，在进行高斯差分检测时，您可以在“Compute on”下选择是在CPU还是GPU上计算必要的重力侵犯。GPU加速检测需要支持CUDA的NVIDA显卡。还必须首先为您的系统编译required libraries（有关详细信息，请参见相应的GitHub页面）。GPU加速有“近似”版本和“精确”版本-“近似”版本稍快一些，但可能会在图像边缘周围产生一些伪影。
交互式检测预览
如果您在上一个对话框中选择了糖尿病兴趣点规范，系统将首先要求您提供一个视图（或视图组）来进行预览审查。
如果您使用分组视图，您可以使用指定在预览中应显示图像的 z 百分比。
另外，如果您使用分组视图，您可以对所有组使用此融合的最小/最大（有关最小/最小表示的详细信息，请参见下文）。
如果单击“确定”，（融合的）图像将与可以指定兴趣点检测参数值的窗口一起显示在ImageJ窗口中。您可以更改Sigma 1（高斯差）或Radius 1（均值差）来指定要查看的对象的大小以及阈值（要查找的对象的强度）以及是否查找稀疏、顶部或彼此。结果将在ImageJ窗口中预览。您的交易地浏览Z堆栈并完成预览检测到感兴趣的点。要在所有选定的视图中启动检测过程，请单击“”。
The interest point detection can take a long time, especially if you do little or no downsampling. Have a look at the log widow for updates on the progress.
GPU 加速的高斯积分
如果您选择使用 GPU 加速检测并从第 https://github.com/StephanPreibisch/SeparableConvolutionCUDALib, 编译可重组库，则您将需要执行更多步骤，直到兴趣点检测开始。
首先，您必须指定CUDA目录，在其中找到编译库（Linux/Mac上的.so文件或Windows上的.dll）。
接下来，您选择要使用的实际库文件（可能有多个，请务必选择用于可分离结构的库，而不是第§§7§§§中使用的傅立叶结构）。
在最后一个对话框中，您可以选择要使用的设备 (GPU)（如果有多个）以及要使用的 GPU 内存百分比。我们建议坚持 ~80% 的内存与可能使用 GPU 的其他进程发生冲突。
再次点击确定开始兴趣点检测。
