从更多工具图标（ImageJ/Fiji 图标列表中标有双箭头的最后一个图标）中选择 BioVoxxel Toolbox 后，您将在绿色 BioVoxxel 立方体的图标下找到 BioVoxxel Toolbox 的所有功能。

---

如何引用

引用工具箱

如果您发现这些功能有用并使用它来生成您发布的结果，请考虑引用：

引用图形工具

BioVoxxel 图形工具可以与工具箱插件分开引用，如下图：

---

扩展粒子分析仪

用途：“扩展粒子分析器”基于 ImageJ“分析粒子…”命令。它使用户能够根据形状和角度方向的更多参数规定进一步限制对粒子的分析。因此，设置不同参数的最小和最大排除范围能够从二值图像中提取粒子。输出类型与Plugins › BioVoxxel相同。

示例：如果您使用特定的费雷特角的探针进行构建/分析或使用纵横比 (AR) 或圆度修复细长结构，您可以在初始对话框中进行指定。

如何：键入用连字符连接的最小和最大排除值。您可以使用整数以及包含小数位的数字。 “重定向”将分析重定向到灰度图像，从而能够分析偏度、峰度以及新的方差测量系数 (cov)。选项“保持边界（校正）”可消除 2 个边缘的粒子，并保持粒子接触所选的两个边界。这可以校正边缘接触粒子的粒子计数。 提示：使用“形状图”宏精确分析可能的预设值组合，然后可以在扩展道具分析器中使用。

其中，在 IJ 或斐济的“分析粒子…”下不可用的形状快捷键有：

范围 = [要素净面积] / [边界曲线]

简洁度 = [sqrt(4 * 面积 / PI)] / [长轴]

Feret 的 AR = [最大卡尺直径] / [最小卡尺直径]

梯度系数 (CoV) = [强度标准差] / [强度标准]

2018年2月11日的新版本（包含在BioVoxxel_Plugins-2.0.1中）包含2个组件，可在空间布局图像中的分区和调整单位之间进行选择。“像素单位”默认是标准IJ分析样本…功能中具有相同标签的组件，并使用像素而不是布局单位来限制各个参数的分析。 “以像素为单位输出”模块提供了单独的结果表是否应选择采用特定单位或像素的选项（依赖图像设置）。较旧的宏仍应运行，而关键字“像素”需要在区域参数的定义之前移动。

形式：插件（可记录，使用智能记录–>只记录用户在记录时更改过的字段。默认边界不会被记录。在不改变实际参数值的情况下，在逗号前面切一个零就足以让记录器识别出该边界应该被记录！）

状态：维护中

---

视场测量校正

目的：该宏消除接触边缘的所有样本中的二图像值，然后剩下的对样本进行统计，并使用以下公式校正由于边缘相交而导致的统计和平均面积偏差：

计数系数 = (ImgWidth* ImgHeight) / ((ImgWidth-BBWidth) * (ImgHeight-BBHeight))

“ImgWidth”和“ImgHeight”作为分析图像的大小，“BBWidth”和“BBHeight”作为每个的边界框尺寸。建议在测量视场中的特征时校正偏差，因为更大的颗粒可能更加接触视场的边缘，因此它们的低估与颗粒尺寸成正比。（根据J. Russ，图像处理手册，2010年，第6版）。

操作方法：仅适用于单个8位二进制图像。

形式：宏

状态：维护未激活，稳定

---

形状映射地图

：8位二进制图像中粒子的形状图形将进行颜色编码（最小到顶点），并显示在包含第一个切片中的原始图像和连续切片中的“形状图形”的栈中。在每个切片中目的指示各自的形状图形。调整栏（可以在设置中选择） LUT）可以轻松更地进行概览和解释。最高的麻醉值也可以显示为方向。当启用“麻醉图”时，用户只需这样颜色输出编码堆栈中的其中一个切片即可接收相应的排序形状包装的分发图。 要在麻醉麻醉活动状态时中止宏，需要最终按“Esc”。

该分配可能有助于找到合适的位置尺寸，然后可以在Extended Particle Analyzer中使用

另外，您还可以在将颜色编码图像转换为 RGB 模式后，利用它们进行连续颜色阈值处理，以根据其编码颜色从图像中提取特定特征。

如何：选择分析模式并开始。 形式：宏 状态：维护中

---

二值特征提取器

Newer version for 2D and 3D images

目的：“特征提取器”旨在通过其他二值图像探针作为完全定位特征内部或与特征部分重叠的选择器来选择二值图像中的特定特征。此外，它还允许获得提取的特征和选择器的视觉组合（通过使用布尔或函数组合这些图像）。特征提取器的取自J. Russ“处理手册”第6版。

示例：特定的核选择荧光标记染色被阈值化为器，而完整细胞被阈值化为要提取的特征。

如何：首先，指定图像，包含要提取的对象，另外包含定义要提取对象的选择器（例如标记染色、细胞手势）。然后插件提取与选择器重叠的特征。 “重叠百分比”选项可以定义选择器与对象区域的最小重叠分数（百分比）（完全按照此顺序）。仅当重叠相等或大于定义的最小重叠时才会提取对象。最后，您可以定义显示对象、选择器并提取特征的统计，以及三个显示不同图像的单独结果表（这反过来在每个上运行“分析…”。 形式：插件 状态：维护中

---

#散斑检查器

Newer version for 2D and 3D images

目的：“虹彩检查器”能够通过包含较小的特征/虹彩的数量来识别更大的特征。

操作方法：在设置对话框中，用户可以输入要分析的2个图像以及散斑数量、散斑尺寸、物体尺寸和物体圆度的下限和上限，根据分析中输入的参数包含/排除散斑和特征的特征。 宏给出不同的输出。光学输出是颜色编码图像，其中正特征（位于确定的最小和最大参数之间）用洋红色着色，包含小于指定最小散斑数的特征用蓝色着色，包含多于指定最大散斑数的特征用绿色着色。在同一图像中，对特征进行编号，以便在相应的散斑列表以及 ROI 管理器中识别它们。此外，它们在括号中包含每个特征的“斑点”数量。第二个输出是 ImageJ/Fiji ROI 管理器中的所有特征选择 ROI。此外，如果勾选“显示散斑列表”，则会给出所有特征和相应散斑数的列表。 “统计日志”窗口描述了对特征的分析，显示了特征和斑点的总数以及位于阈值之下、之间和之上的特征的数量。您还可以选择是否要查看对象 rois 的 RoiManager 以进一步分析原始图像。 “单独的 roi 分析”返回一个结果表，其中包含每个 roi 内分析的粒子（后者在结果“标签”列中指示）。 新功能：现在“即时检查器”作为可记录插件提供

形式：插件

状态：维护中

---

#分水岭不规则特征 The new Label Splitter for 2D and 3D images as alternative 目的：ImageJ中的标准分水岭算法对于分离连接的圆形结构非常有用。然而，它在分离不规则（非椭圆球状）结构时遇到了麻烦。不规则分水岭使用户能够在一定指令中分离不规则形状的结构。 如何：用户需要指定两个参数之一： 1.) 统计循环数：用于分离算法的统计循环。“0”防止分水岭。由于数量的增加使用尺寸减小的选择器来跳过要跳过的分离，因此数量过多可能会导致特征的外围区域中出现不需要的分离。数字的增加导致结果更接近标准IJ分水岭。目前，这种分离仅在2D空间中作业，而当特征之间的连接“桥梁”太宽时（对于正常的分水岭算法来说也是如此），自然会有其局限性。

2.) 凸性阈值：如果该值为“0”，则考虑统计循环数。所有凸度最大阈值的对象都保留在图像中并被腐蚀。如果统计的对象与原始分水岭的分离线重合，则这些对象将保留在图像中并且不会用于分离对象。重复凸度阈值化和连续监测的序列，直到没有凸度了阈值的对象或者后面图像不能被进一步概览。

3.) 分隔符尺寸：分隔符尺寸了分隔连接元件的一像素线的长度。因此，用户可以具体选择颗粒连接应被分离的尺寸范围。另外，选项“排除”能够排除指定的大小，并仅分离描述小于下限和最大上限的连接。

形式：插件

状态：维护中

感谢 Thorsten Wagner 提供了 ij-blob 库作为基础，并提出了将凸性集成为第二个参数的想法，使测量尺寸固定且更加灵活。

---

#EDM二元攻击

目的：标准的二元腐蚀和膨胀会受到以下问题的影响：在迭代周期下，二元结构会发生不规则变形（见下图，第二列）。基于EDM的腐蚀和膨胀方法可以防止这些α影。该方法在原始图像的8位欧氏距离图上使用阈值处理，以促进二值腐蚀、膨胀、开闭。 如何操作：迭代次数决定了所选函数应用于图像的频率。 形式：插件

状态：维护中

---

自动二进制编译码

目的：该宏使用阈值二进制物对应可以读取图像。适用于2D图像和3D堆栈。

如何：需要从下拉菜单中识别原始图像和二值蒙版图像，并且用户需要指定二值图像中的黑色或白色区域是否应该是透明的。输出图像显示原始图像中被隐藏的特征。

形式：宏

状态：维持无效、已废弃、稳定

---

阈值检查

Newer version for 2D and 3D images

：“阈值检查”应该简单地帮助确定来自相应插件的 16 §§1§§§ 和 9 Auto Local Threshold 输出中的哪一个会产生潜在的最佳二元图像结果。这不是绝对的测量，而是应该帮助决定在非明显情况下应用一种特定的自动阈值算法。在新版本中，您可以选择量化阈值的质量。

如何操作：用户需要首先选择应检查阈值的图像（包括您想要/需要应用的所有运算）。请注意，还要指定您是否在第一个口罩中对明亮或黑暗特征进行阈值处理！您还可以选择在阈值计算中忽略黑色或白色像素（如正常的“自动阈值”对话框中一样）。此外，您还可以选择包含 9个自动局部阈值以及相应的参数（要进一步阅读，请查看：自动局部阈值。最后，您可以包含结果的量化，并选择除正常阈值之外是否还需要概览蒙太奇。阈值显示在图像的左上角，以便更好地识别。

输出解释：您将获得一个堆栈，其中每个阈值方法在单个堆栈切片中表示。以下颜色应有助于解释阈值结果： 蓝色 = 这被阈值化为背景，也代表原始图像中的黑色或非常暗的区域，因此很可能是真正的背景。 青色 = 这些区域在原始图像中具有一定的亮度级别，但不能被相应的阈值算法识别，因此可能会指出阈值低估了特征。

橙色/黄色 = 这些是从原始图像的背景中突出的特征（橙色=中等强度；黄色=高强度），它们被阈值算法识别为前景特征，因此最有可能代表感兴趣的特征（取决于图像上下文和质量）。

红色/深橙色 = 这些区域在原始图像中具有非常低的亮度（或为黑色），但被阈值化为前景，因此很可能代表阈值的高估计。

注意：解释时应严格并结合原始图像和推理设置。该宏被认为有助于决定选择良好的阈值方法。它不是简单质量阈值的绝对标准！

定量：定量显示在结果窗口中的%面积中。阈值名称后跟（下）、（正）或（上）。这是指以下内容：

-下：与完整图像比例，似乎低于阈值的像素百分比（以青色显示）

- 正： 阈值区域内似乎阈值良好的像素百分比（以亮橙色和黄色显示）

- over: 阈值区域内似乎超过阈值的像素百分比（100-正）（以红色显示）

该宏最终建议在参考点选择方面表现的阈值。该建议取决于参考点的选择，并且始终需要与颜色编码的视觉输出以及以下分析的必要性进行比较。

问题：如果用户没有正确定义他/她正在寻找明亮或黑暗的物体，则输出可能会被错误确定。

出版： Qualitative and Quantitative Evaluation of Two New Histogram Limiting Binarization Algorithms。J.布罗彻，国际。J.图像处理。8(2)，2014年，第30-48页

---

#过滤器检查

用途：该插件使您能够进一步测试指定过滤器的一定范围的半径。这应该有助于更好地确定适合您的处理目的的过滤器。 2015年麦迪逊 IJ 会议上的基本图像处理介绍视频中显示了一个小hands on descrition。

如何：从下拉菜单中选择过滤方法，输入起始半径和结束半径。首先图像起始半径和停止半径之间的单独一个整数步长进行过滤，并表示在包含所有过滤图像的堆栈中。该过滤器也可以仅满足ROI。建议将其用于密集型过滤器的成本，例如“高斯加权中值”。仅“中间半径”（范围半径）、“均值平移滤波器”（颜色距离）和“线性桑原”（线长）需要参数设置。

形式：插件 状态：维护中

---

平场和α平场校正

Newer version for 2D and 3D images

用途：该宏能够“丢失”由于灰度和真彩色图像中指示不均匀而导致背景图像。它可以使用先前拍摄的平场图像（>平场校正）或从图像选取的原始图像创建人工平场（>α平场校正）。对于真彩色图像，这是使用HSB容器的灰度通道来完成的。将原始（真彩色图像的灰度通道）除以平场图像，并使用图像原始的平均强度对灰度进行归一化。

如何：您需要选择“平场”版本中的α的两个图像，或者为“平场校正”指定高斯模糊半径，以消除特定的特征外观，但保持阴影/照明的差异。因此，需要相当大的半径（sigma）（可能在40-150之间，但这取决于图像和特征尺寸）。

备注：α平场校正菜单命令链接到Analyze › Analyze Particles下的同名插件（需要与工具箱一起从 BioVoxxel 更新站点另外下载）。

α平场校正的优点：现在可以记录并且可以与堆栈一起使用。因此，延迟电影例如明场显微镜的图像可以根据每帧的个体差异完全校正不均匀的照明。模糊在当前活动帧可视上化，以便能够消除充分的结构信息。

---

背景复杂

用途：此工具可以通过创建原始图像的复杂副本和失水损失过滤后的图像来从图像中损失中的背景中获得。这种背景方法应该有助于连续的特征提取，并且不适合在强度分析之前！

操作方法：用户可以在高斯、中值和平均形状直径之间进行选择，并键入相应的半径半径（或高斯模糊的西格玛）。预览选项直接提供了比较结果背景结果的可能性。高斯方法的半径可以在最大特征直径周围选择（对于球滚法）。中值和均值方法可能需要更大的值排除更大的特征！

方法：除了经过中值抑制的图像外，直接从图像原始中的疏水图像。晚上还通过应用因子为(1.5*(radius/10))的最大滤波器来接收灰度膨胀。这应该可以减少对象边界周围的α图像。

---

喇叭

（Process › Binary › Ultimate Points下的单独插件）

目的/操作方法：此过滤器在两种基本过滤模式（中值和干）之间进行选择。过滤器半径定义了方济核的大小（实际上因此不是真正的接口，而是为了使插入插入地与斐的其他过滤器相似，选择了此标签）。

形状选项可以对内核邻域中的像素进行基本的预选择，以进行过滤。点击“确定”后，将显示一个网格，用户可以根据过滤的需要调整最终过滤器的指定像素（例如，删除照片中的电源线）。

容差设置一个阈值，该阈值将在过滤后仅更改与原始强度的差异至少与容差相同高的像素的强度值(0.2 = 20%)。这使得能够从图像中删除极端异常值，同时保留图像区域中没有此类异常值的原始像素值（至少对于散噪声粒）。

下图所示，上面的面板显示了原始照片并添加了人工散粒噪声的版本。下图绘制了使用圆形核进行中值滤波器（半径 = 2）或自适应滤波器（半径 = 2 且容差设置为 0.2）之后的噪声图像。

输出：过滤器将直接选取输入图像。它是可删除的（通过按[z]）。

限制：其中，该过滤器仅适用于8位和16位单幅图像。

安装：斐济 BioVoxxel 更新站点的部分，可在 Plugins › BioVoxxel下找到

---

管线过滤器

Newer version for 2D and 3D images

目的：管线过滤器插件允许通过调整迭代来重复应用具有小半径（最大 = 3）的清晰基本图像过滤器（高斯模糊、干系、中值）之一。之前过滤的将作为下一次图像过滤的基础

用户可以将最大迭代次数设置为最多 500 次，但如果两个连续的触发图像没有显示任何后续的差异，则将停止。 ————————————————————————————

高斯差值和中差差值

目的：利用高斯方法的基本差异进行特征检测，以及给出原始图像和原始图像副本上指定“中值”滤波器之间差异的方法。

如何：高斯差值需要指定2个不同的高斯模糊半径，而中值差值需要指定中值核半径。

---

超栈颜色编码

用途：该宏可以对堆栈和超堆栈中的时间或体积维度进行颜色编码。在进行颜色编码之前需要分割多通道。该宏基于 Kota Miura 和 Johannes Schindelin 的插件的想法。与突发相反，除了创建额外的颜色编码 z 投影之外，还保留编码堆栈。

如何操作：您选择从超堆栈开始，您可以进行颜色编码的时间和体积。您可以通过选择不同的投影类型（在 ImageJ“Z 投影”功能中可用）来选择创建 z 投影。另外，创建单独的推理条，可以使用该推理条对于来说时间编码堆栈是水平的，对于编码体积堆栈来说是垂直的。

---

#邻居分析

目的：该宏可以根据每个粒子的邻近数量考虑对8位二进制图像中的粒子进行颜色编码。根据所选择的方法，分析过程中将不同的邻近粒子。

如何：指定分析参数（与“分析样本…”的相同输入），选择是否要在初始图像中包含粒子的初始分水岭分离，并选择是否要在分析输出显示之外的选择条。根据调整栏，可以解释颜色编码。将鼠标悬停在色彩样本上，你可以看到ImageJ/Fiji主窗口中相应的邻居数量，如“index=”后面的数字。

方法：“Voronoi”根据直接的voronoi图分析颗粒。“UEP Voronoi”使用来自粒子相关最终点的voronoi图。这可能会低估邻居的实际数量，并且相当适合圆形结构。“质心邻域”分析与每个粒子质心周围指定邻域半径的​​圆相对应的区域。“粒子邻域”还分析每个粒子周边粒子的区域，其指定半径为到粒子边界的距离。 ————————————————————————————

2D 样本分布

（以前：分布分析，由于 BoneJ 函数命名而更改名称）

目的：该宏以统计方式确定2D图像中的探针（根据其最终周期点，UEP）是否可以随机分布、自我停止或构建簇。

如何：从二值图像开始，设置对话框允许与“分析物资”类似，按大小和圆度排除物资以及边缘接触物资并包括孔。评估可以基于平均最近邻距离或中值最近邻距离。突发适合更好地减少异常值的影响。最后，统计评估的置信区间可以在95%、99%和99.9%之间选择。

方法：生成粒子的UEP并确定每个粒子的最近邻距离。根据粒子数和分析面积，使用以下公式计算理论最近邻距离：0.5*sqrt(面积/n)（根据J. Russ，图像处理手册，2010年，第6期）另外，假设忽略了颗粒尺寸的差异。假设在正态分配粒子的情况下，均值相等中进行。因此，该方法的要根据假设与测量值来进行比较和中配决定。测量的（干或中配）最近邻距离在统计上与理论距离进行比较。，首先使用F检验根据检验的同质性确定合适的检验方法。这最终使用学生T检验或韦尔奇检验进行最终统计评估。

注意：工具估计或排除的类型，因为它不考虑各向同性形状，并且仅适用于完整的仿真图像，不适用于不规则的投资回报率。这未来可能会改变。 ————————————————————————————

SSIDC 特性

含义：基于 DBSCAN 的形状和大小不变

发音：S-SID C 相当于“酸”C ;-)

目的：指示基于形状和大小密度不变的分割后的二值图像对象的关键DBSCAN

优点和操作方法：该算法可以检测任意大小、形状和数量的簇！用户不需要有任何先验知识或对多个的估计（例如 k 均值）。唯一需要的输入是用户想要检查每个对象周围的各向同性距离（以像素为单位）（DBSCAN 中的） epsilon）以及所需的最小密度（给定距离内的物体数量）。该算法从物体形状等距离延伸。因此，颗粒的无定形形状并不重要。另外，大小并不相关，因为距离是从物体的外部获取的。如果忽略大小和形状，则可以在二进制物体的阈值（最小 = 1 顶部 = 255）最终点上运行插件Plugins › BioVoxxel如果某些对象可能属于多个集群但不其核心点，则同样以重叠但仍然独立的方式检测集群。

输出：输出非常稀疏，只提供ImageJ ROI管理器。从那里可以轻松分析簇数和每个簇的对象个体数量，例如在ROI管理器和相应图像上使用宏

应用：该算法已成功实现对不同细胞群的簇中的显着微小样本样本进行定量[稿件被接受并发表后的链接]

限制：仅适用于2D二值图像，不能检测其他簇内的簇

---

特色产品

（已描述）

目的：“簇簇”被认为可以检测二值图像中的局部群体簇。可以考虑不同的颗粒大小。

操作方法：选择簇检测器大小作为圆半径（以像素为单位）。密度（作为x倍值）能够调整间隔，因为只有当找到簇的相邻距离密度至少是完整图像中平均相邻距离的x倍时，才将其视为簇。可以选择两种可能的方法：

1.)“平均NND”使用工具的32位Voronoi图像粒子作为所有邻居的粒子尺寸（边界到边界）距离的近距离。这解释了颗粒和形状的差异。采用平均邻近距离对评估图像中的质心点进行编码强度。

2.)“质心NND”使用最终的概览点图，并根据点的最近邻距离对点进行强度编码。该方法速度较快，特别是对于具有许多颗粒的大图像，但忽略了颗粒大小和形状的差异。因此，只有当所有颗粒的大小和形状都相同时，才可能适用。

如果在指定的最大迭代次数后未找到本地簇，则每个单独的簇查找过程都会中止。如果需要，这些中止的簇可以在图像中显示为蓝色 ROI（请参见表格）。

如果对应的多边形指定，重叠的簇（至少1个像素）也可以融合到一个簇。

考虑到棉花的大小和密度设置会影响是否找到簇并最终接受为簇。一方面，这会导致一定的偏差，但应该使用户能够搜索不同大小和密度的集群。 方法：指定大小的圆形 ROI 最初分布有足够的重叠以覆盖完整图像。聚类发现过程是根据向聚类质心的均值平移方法来完成的。后者受粒子数量、大小和邻居距离的影响。 ————————————————————————————————

#最近邻一个（单独的工具）

目的/操作方法：该工具使用户能够单击二值图像中的任何要素来识别该要素的所有邻居和最近邻居。因此，需要激活该工具。然后，任何单击都会根据单击的位置对邻居进行新的计算。

输出：创建原始图像的副本，其中感兴趣的探针（POI）为红色，邻居为蓝色，最近的邻居为黄色。如果超过一个邻居与 POI 的距离相同，则该距离的所有邻居都将显示为黄色。

方法：通过分析 ImageJ 的强度编码 Voronoi 单元算法来获取最小距离距离，作为颗粒之间距离的紧密度。最低的非背景强度用于指示最近的邻居。 ————————————————————————————

高斯加权中值滤波器

（Plugins › BioVoxxel下的单独插件）

目的/操作方法：该滤波器基本上是一个普通的中值滤波器（如 ImageJ/Fiji 中），但具有加权滤波器矩阵。半径以像素为单位给出。权重由滤波器网格大小的 2D 高斯函数（近似于整数值）自动确定。因此，与更远的像素相比，更靠近滤波器中心的像素获得更高的权重。降低了普通中值滤波器的强度化效果，但增加了这个特征的边缘保留。

输出：过滤器将直接确认输入图像。它是不可撤销的（通过按[z]）并且将由宏记录器记录。

限制：其中，该过滤器仅适用于8位和16位单幅图像。

---

增强真实色彩

（Plugins › BioVoxxel下的单独插件）

：该目的滤镜增强真彩色图像的增强，吸收斐济的增强恢复方法。如果达到真彩色图像，捕获转换转换导致颜色值和吸收度发生变化。可录制的“增强真实转换色彩校正”插件可以消除这种不需要的效果。它保留色调和饱和度，同时增强HSB色彩空间亮度通道的启动。这是利用此时浮点值计算来完成的，而不是通过将简单图像转换为ImageJ/斐济中提供的HSB颜色空间来完成。 RGB，致命会导致严重损失。

如何操作：用户可以在“增强抢夺”功能中输入抢夺像素的百分比，并具有抢夺选项。

---

模式和微分有限均值二值化

（Plugins › BioVoxxel下的单独插件）

目的：众数限制均值（MoLiM）和微分均值（DiLiM）是两种二值化算法，它们根据图像直方图的众数（MoLiM）除众数、初始均值或中值（DiLiM）对图像直方图进行初始限制。更详细的描述可以在下面找到：

Qualitative and Quantitative Evaluation of Two New Histogram Limiting Binarization Algorithms。J.布罗彻，国际。J.图像处理。8(2)，2014年，第30-48页

操作方法：如果“选择差分阈值”关闭，用户可以使用差分阈值确定或强制模式限制方法。该算法假设这些特征在黑暗背景上明亮，则它们所占的图像空间小于50%，反亦然。对于相反的情况，生成最终的输出限制图像。步骤需要消除直方采取终极（众数、战场或中值）的所有强度信息，并计算新的指令作为最终阈值。“强制削弱分区”能够解除除限制范围缩小直方图分区的分区。

下载：斐济 BioVoxxel 更新网站的部分，可在 Plugins › BioVoxxel下找到

---

#徕卡ROI阅读器 阅读器可以打开并读取LAS软件保存的Leica ROI文件（仅针对LAS AF进行测试）。把它们添加到ImageJ ROI Manager中。

---

许可证

BioVoxxel Toolbox 项目在 BSD-3 License下运行