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！
首先，找到合适的融合边界框并不是一件容易的事。情况下（选择“手动定义”），将会采用整个数据集，其中融合可能包含样本周围的大量背景空间，而您实际上并不需要这些空间。为了设置正确，您有多种默认选择：
a)首先手动融合（也许选择下采样）将最小漂移一直推到右边，将最大不稳定一直推到右边。然后在融合图像中找到您感兴趣的区域的x、y、z的最小/最大坐标 - 这称为边界框。坐标显示在ImageJ/Fiji状态稀疏-它们针对对话框中要求的全局坐标进行了校准。 重要提示：不要使用窗口中显示的z中的切片编号，请使用ImageJ/Fiji状态最小的坐标。
b) 尝试“自动估计（实验）”。它的作用是融合注册数据集的下采样版本。在这个过程中，它尝试使用最小的过滤器对珠子物体感兴趣的对象进行阈值处理。围绕这一点，它会生成边界框（x、y、z中的最小/最大）本身。如果您使用这些参数，您可能会得到适合您样本的结果。
c) 使用“根据样本特征自动重新定向和估计”。这是最好的选择，因为它不仅会自动找到边界框，还会重新调整样本的方向，使边界框的大小变得最小。为了正常工作，需要检测样本本身（而不是样本周围的珠子）中的兴趣点，并且最好在匹配珠子后在第二个配准步骤中使用它们，以便样本中存在对应的点。这将为您使用这些检测来重新查找边界框，并根据需要调整样本的方向。
一旦有了边界的正确框，就可以融合或解对称数据集，这些等于所有视图（角度/照明）组合成一个图像体积中的不同策略。如果您使用珠子，反向量因为非常简单，可以从匹配的珠子中提取PSF。
