Home » Misc » Обработка порогов изнутри

Обработка порогов изнутри


Обработка порогов автомобиля своими руками

Обработка порогов автомобиля от коррозии своими руками – невероятно важный вопрос, имеющий большой вес в автомобильном сообществе. Накладные пластиковые или металлические накладки не имеют ничего общего с полноценными порогами авто. Это несущие части корпуса, которые отвечают за жесткость и безопасность. Пороги находятся в непосредственной близости к дорожному просвету, что ставит их сохранность и целостность под угрозу. Осложняется задача и местом расположения.

Немного автолюбители имеют достаточно свободного времени, чтобы регулярно осматривать пороги. Наиболее сложной ситуация становится после небольшого повреждения, например, наезда на высокий бордюр. Достаточно небольшой царапины на слое лакокрасочного покрытия, чтобы коррозия начала свое действие. Сегодня мы поговорим о способах защитить уязвимую часть кузова от ржавчины. Поговорим и о том, как проверить состояние порогов после замены.

Как правильно обработать изнутри

К целом, весь процесс обработки порогов можно разделить на две большие категории: внутренняя и наружная обработка. Мы обсудим обе проблемы и приведем подробный алгоритм действий. Начнем с менее очевидного варианта – обработки порога с внутренней стороны. Здесь потребуется не только терпение и профессионализм, но и соответствующее оборудование.

  1. Моем авто. Не пропускайте этот этап, на загрязненной поверхности легко пропустить следы механических повреждений.
  2. Снимаем защитные элементы и внутренние части порогов. На этом же шаге важно промыть пороги, из старых автомобилей можно вымыть более килограмма песка.
  3. Полное высыхание. Остается выждать перед нанесением антикоррозийного состава. Спешить нельзя, иначе работа будет выполнена впустую.
  4. Нанесение антикоррозийного состава. Здесь выбор только за вами, мы поговорим подробнее о выборе средства ниже.

Про выбор состава для обработки модно писать целые тома научных докладов. Условно мы можем их разделить на заводские стандартны и любительские методы. Последние ничем не уступают, а иногда и превосходят дорогостоящие аналоги. Здесь важно учитывать несколько моментов. В первую очередь нам нужен вязкий, тягучий, но жидкий состав, который плотно прилегает к порогу, обеспечивает его защиту долгое время. Состав должен хорошо противостоять коррозии, не смываться влагой. Мы лишь приведем по одному примеру из каждой категории.

К проверенному любительскому средству относятся свечи и солярка. Да, да, вы не ослышались, именно обычные парафированные свечи. Покупает около 10 – 15 больших штук и кладем в ведро или кастрюлю из металла. Теперь нам потребуется газовая горелка, вы уже догадались для чего. Растопим свечи до жидкого состояния, добавим солярки и состав готов. Вязкий парафин прекрасно держится на поверхности. Солярка препятствует быстрому застыванию смеси и великолепно справляется с ржавчиной.

Профессиональными составами является «Мовиль» и «Dinitrol». Второй состав намного дороже «Мовиля», но по своей сущности они очень похожи. Обусловить разницу в цене сложно, но при первом же использовании бросается в глаза долгий процесс высыхания более бюджетного средства.

Вообще, мы бы настоятельно рекомендовали выполнять работы в сервисном центре, если вы не уверены в возможности качественно обработать пороги авто с внутренней стороны своими силами. Если мы говорим про надежное СТО, то мастера знают слабые места каждого автомобиля, имеют представление и о том, как правильно получать доступ к внутренней части порога. Иногда мастер может дать рекомендацию, которая не только сэкономит средства, но и продлит жизнь вашему автомобилю: заменить порог.

Чем обработать пороги автомобиля снаружи

Почему вообще возник вопрос, чем обработать пороги автомобиля снаружи в XXI веке? Ведь на рынке продаются сотни профессиональных средств, которые полностью решают проблему. В реалии дело в том, что эти профессиональные составы на практике не обладают нужными качествами. Не все. Но выбрать среди десятков некачественных составов подходящий невероятно сложно, а цена риска слишком высока.

Если обработать пороги составом невысокого качества или нарушить технологию, то пороги продолжат разрушаться коррозией. В то же время автовладелец может быть уверен в полной защите своего авто и не обращать внимания на состояние порогов в зимнее время, когда реактивы и соли разрушают кузов.

Сегодня мы расскажем о 4 средствах обработки порогов автомобиля снаружи. Первые три можно назвать любительскими, хотя многие профессиональные средства лишь созданы на их основе. Выбор будет только за вами. А пока короткая справочная информация о том, как технически правильно приступать к обработке порогов:

  1. Тщательно моем машину. Это не просто формальность, вам просто необходимо оценить состояние порогов на автомобиле. Если есть сквозные дыры из-за ржавчины, то пороги целесообразно заменить полностью. И еще один важный момент: какое бы средство для обработки вы не выбрали, наносить его нужно на чистую и абсолютно сухую поверхность.
  2. Устраняем следы ржавчины. Ржавчину нужно убрать полностью. Зачищайте вручную или шлифовальным кругом, но нужно дойти до чистого слоя металла. Сейчас мы не будем приводить примеры достаточно толщины металла, чтобы не прибегать к замене, просто запомните эти два простые шага, предшествующие обработке любыми составами, о которых и пойдет речь ниже.

Обработка порогов пушечным салом

Пушечное сало в кругу автомобилистов называется просто – пушсало. Антикор достаточно дешевый, по своей составу и внешнему виду очень напоминает парафин или литол большой густоты. В основу пушечного сала входит нефтяное масло, которое загущается с помощью петролатума и церезина. Если мы говорим про пушечное сало хорошего качества, то в него могут быть добавлены специальные присадки. Присадки предотвращают повторное образование коррозии.

Главным преимуществом состава является прекрасное удержание на любой поверхности. О хороших способностях защищать авто от коррозии мы не говорим – это очевидная характеристика для средства в нашем списке. Теперь коротко о технологии нанесения:

  1. Приобретаем пушечное сало. Пункт очевидный, но буквально несколько слов о емкостях и местах приобретения. Купить можно в большинстве автомобильных магазинов. Емкости обычно от 2 до 5 литров. В среднем на обработку одного авто (авто, а не порога) уходит около литра.
  2. Выкладываем в тару и нагреваем. Потребуется металлическая тара, а также газовая горелка. Плавится смесь при температуре от 90 градусов по Цельсию. Добиваемся вязкой консистенции.
  3. Обезжиривателем протираем зачищенные пороги. Наносить состав можно только на обезжиренную поверхность. В качестве инструмента проще всего использовать пистолет.

Важной рекомендацией станет соблюдение правил пожарной безопасности. Рекомендуется поставить рядом огнетушитель из машины, поскольку работа сопряжена с риском воспламенения.

Обработка порогов битумной мастикой

На самом деле говорить много про обработку порогов битумной мастикой не имеет смысла. Весь процесс можно описать в нескольких предложениях. Битумная мастика знакома абсолютному большинству автовладельцев. Даже, если вы не использовали ее ни разу, то прекрасно знаете классическую банку с аналогичным названием.

Сам же процесс обработки такой: необходимо разогреть твердую смесь до жидкого состояния. Делать это прямо в банке на горелке или переливать в отдельную тару – решать вам. Дальше нужно нанести битумную мастику на пороги, только осторожно, мастика будет стекать и загрязнит пол, отмывать ее крайне тяжело. Поэтому просто рассмотрим основные качества мастики:

  1. Хорошая защита от коррозии. Если сравнивать битумную мастику с каучуковой, то первая лучше защищает от ржавчины. Это связано с компонентами в ее составе.
  2. Механическая защита не на самом высоком уровне. Главная проблема битумной мастики в ее физическом состоянии. Полностью она не затвердевает никогда, поэтому она плохо устойчива к вылетающим камням и песку. Поэтому многие владельца авто сначала кладут слой битумной мастики, затем покрывают другим веществом, более устойчивым к механическим повреждениям составом.

Обработка порогов жидкой резиной

О жидкой резине слышали не многие автовладельцы. Между тем, этим веществом покрывается весь кузов автомобиля, поэтому говорить о целесообразности покрытия жидкой резиной излишне. Но этот материал едва-ли подойдет для самостоятельно покраски всего кузова, т.к. здесь нужно знать технологию. Но справиться с порогами вполне можно. Почему же стоит выбирать этот материал? Вот несколько главных преимуществ:

  1. Нет необходимости тщательно готовить кузов. Обычного мытья вполне достаточно.
  2. Свойства резины. Состав невероятно вязкий и плотный, он идеально плотно прилегает к порогу. Также резина обладает высоким уровнем пластичности, поэтому она прекрасно справляется с механическими повреждениями.
  3. Вязкость. Резина намного более плотная и вязкая, чем мастика. Поэтому работать с ней даже проще, ее можно спокойно наносить на горизонтальные поверхности.
  4. Удобный распылительный процесс. Жидкая резина наносится при помощи специального баллона под высоким давлением, что позволяет распределить ее равномерно.

Сам же процесс, достаточно просто, главное не жалеть растворитель и приобретать не самый дешевый аналог. Также мы рекомендуем наносить несколько равномерных слоев, поскольку пороги будут сталкиваться с постоянными механическими повреждениями. Нередко можно услышать негативные мнения пользователей о покраске жидкой резиной, главной жалобой является быстрое облезание. Когда мастер осматривает поврежденный кузов, оказывается, что толщина составляла 1мм, поэтому главная проблема в качестве обработки, а не составе.

Обработка порогов Мовилем

Сразу же сделаем одно небольшое уточнение – Мовиль, оригинальный мовиль, имеет четкий состав, поэтому называть любое антикоррозийное средство так категорически неправильно. Состав мовиля следующий и меняться не может:

  1. Моторное масло.
  2. Олифу.
  3. Антикоррозийные вещества.

Если состав как-то отличается, то называть антикоррозийное средство мовилем неверно. Своим названием состав обязан место своего появления – Москва и Вильнюс, отсюда и название. Мовиль представлен в нескольких консистенциях: аэрозоль, жидкость и паста. Выбирать подходящий вариант нужно в зависимости от степени коррозии и решаемых задач. Рассмотрим каждый из видов детальнее:

  • Аэрозоли. Еще удобная банка для нанесения, объем составляет 520 миллилитров. Минусы – стоимость и необходимость держать в вертикально положении. Под днище машины уже не залезешь, распылять в горизонтальном положении баллон не станет. На стоимость влияет наличие газа внутри, именно за счет него и происходит распыление.
  • Жидкость. Самый бюджетный вариант для антикоррозийной обработки. Канистра 3 литров стоит около 3 – 4 долларов в зависимости от места продажи и наценки. Очень удобно обрабатывать обычной кисточкой, можно добраться до труднодоступных мест, а также добиться максимально ровного распределения.
  • Пастообразный мовиль. Чаще всего продается в пластиковых или металлических банках. Стоимость невысокая и составляет около 2 – 3 долларов. Обрабатывать поверхность придется с помощью кисти, т.к. состав достаточно вязкий. Предварительно придется разбавлять состав небольшим количеством растворителя.

Компания arki-porogi рекомендует выполнять все работы в сертифицированном сервисном центре. Чтобы элементы кузова не ржавели нужно тщательно зачистить поврежденный участок, оценить степень повреждения. Иногда целесообразнее полностью заменить порог. Опытные мастера знают, чем лучше обработать элемент кузова в конкретной ситуации.

Обработка порогов автомобиля изнутри и снаружи, защита кузова от коррозии

Пороги в несущем кузове автомобиля — не просто декоративный навесной элемент, а составная часть силового каркаса. Немалую роль они выполняют и в обеспечении безопасности пассажиров при авариях. При этом они работают в самых неблагоприятных условиях, часто являясь низшей зоной кузова, открытой со стороны дороги изнутри и снаружи, подвергаясь атакам гравия из-под колёс и агрессивных реагентов.

Содержание статьи:

  • 1 Зачем порогам в авто дополнительная обработка
    • 1.1 Внешняя обработка
    • 1.2 Внутренняя обработка
  • 2 Чем обработать скрытые полости
    • 2.1 Самый дешевый вариант «Отработка»
    • 2.2 Мовиль и пушсало
    • 2. 3 Современные антикоррозийные средства
  • 3 Процесс обработки порогов
    • 3.1 Инструменты и материалы
    • 3.2 Подготовка машины
    • 3.3 Нанесение антигравия

Зачем порогам в авто дополнительная обработка

Завод не выделяет пороги кузова в особую зону по защите от коррозии. Они покрыты грунтом и краской на общих основаниях, а со стороны днища располагают тонким слоем антигравийной мастики. Защита их коробчатого многослойного сечения изнутри произведена лишь в лучшем случае оцинковкой листа с последующим грунтованием при погружении кузова в ванну с составом.

По теме: Как оцинковка кузова защищает автомобиль от коррозии

Такая обработка достаточна для сохранности данных элементов на протяжении гарантийного периода на кузов, но последствия мало кого устраивают. Автомобиль придётся продавать, повреждения порогов существенно снизят цену, а замена ржавых элементов будет стоить достаточно дорого, проводимые при этом сварочные работы многократно снизят стойкость отремонтированного кузова.

Поэтому дополнительной защите кузовных деталей в зоне порогов стоит уделить максимально возможное внимание. Сводятся мероприятия к нанесению более надёжных покрытий на внешние и внутренние поверхности панелей, из которых состоит порог, а также на мелкие кузовные детали, расположенные в этой зоне.

В частности, участки приложения усилий от домкратов и подъёмников при технических обслуживаниях автомобиля.

Необходимо соблюсти несколько важных условий:

  • обработка проводится на новом автомобиле, после даже короткой эксплуатации покрытия не смогут надёжно прикрыть металл и заводские защитные слои;
  • препараты наносятся снаружи и изнутри с применением соответствующего оборудования;
  • дополнительные операции по кузову производятся в тёплое время года на вымытом и тщательно высушенном автомобиле;
  • нет смысла наносить несколько слоёв из различных материалов, толстые покрытия плохо держатся на кузове, а составы могут конфликтовать между собой.

Надеяться, что все эти процедуры качественно выполнит дилер при предпродажной подготовке достаточно наивно, лучше обратиться к специалистам, а имея доступ к несложному оборудованию, сделать это самостоятельно. Защиту от коррозии никто не выполнит качественней самого заинтересованного лица.

Внешняя обработка

Снаружи порог защищается от сколов покрытия, ударов и царапин. Для этого существуют распыляемые составы типа «антигравий», которыми и следует воспользоваться.

Баллончики с антигравием продаются в разных цветовых исполнениях, от белого до чёрного, что важно для наружного применения.

Со стороны днища цвет значения не имеет, как и декоративность покрытия. Там можно использовать даже мастику резино-битумного типа, лучше противостоящую ударам. Её можно наносить кистью.

Читайте также: Чем и как самому покрасить диски автомобиля

Наружная поверхность получает слой антигравия из распылителя баллончика прямо на краску. Если требуется сохранить цвет окрашенного порога, то можно выбрать бесцветный или иной подходящий состав, хотя многих устраивает чёрный цвет получившегося элемента. Естественно, поверхность должна быть вымыта, обезжирена и высушена, иначе состав не зафиксируется.

Внутренняя обработка

Изнутри всё обстоит сложнее из-за многослойной структуры порога. Приходится использовать специальные составы для скрытых полостей кузова, распыляемые под давлением через длинные гибкие шланги с насадками.

Чем обработать скрытые полости

Объединяет все средства для скрытых полостей несколько важных свойств:

  • проникающая способность, составы обладают особой текучестью и силами поверхностного натяжения;
  • смачиваемость по отношению ко всем видам заводских покрытий;
  • адгезия, то есть прилипание для исключения попадания кислорода и влаги к защищаемым деталям;
  • способность оставаться после условного высыхания в полужёстком состоянии, чтобы не растрескиваться и продолжать липнуть к деталям;
  • содержание в составе ингибиторов коррозии.

При выборе конкретного средства следует внимательно ознакомиться со всеми имеющимися.

Самый дешевый вариант «Отработка»

В древние временя было принято закрывать вентиляционные отверстия и заливать в пороги отработанное трансмиссионное или моторное масло. Поступать так сейчас ни в коем случае не следует.

Масло не защищает ни от чего, зато прекрасно способствует отслоению существующих покрытий и развитию подплёночной коррозии, после чего внезапно образуются сквозные дыры в металле.

Мовиль и пушсало

Мовиль – продукт советской разработки, давно не выпускается. То, что продаётся сейчас под этим названием, никакого отношение к популярному тогда продукту не имеет и для защиты порогов рекомендовано быть не может. Сам факт использования чужой марки о многом говорит.

Пушсало – продукт на нефтяной основе, пригоден для консервации металлических деталей, но для порогов также не годится. Зато отмыть испорченные полости будет почти невозможно.

Современные антикоррозийные средства

Специально для нанесения в скрытые полости продаётся множество составов различного качества. Ориентироваться надо на известность производителя и положительные отзывы.

Условия выбора традиционные – солидная компания-изготовитель, не самая низкая цена, надёжный поставщик и указанная во всех документах и на сайте компании направленность действия средства. Выбрать конкретный баллон будет несложно, а свойства защиты приведены выше.

Процесс обработки порогов

Обработку лучше проводить в один день и изнутри, и снаружи, потребуется время на сушку и проветривание от запаха.

Инструменты и материалы

Для внутреннего нанесения используется распылитель с насадкой в виде гибкого шланга. Их торца порога извлекаются технологические заглушки, шланг вводится на максимальную глубину, а по мере расходования материала постепенно извлекается.

За счёт распыления и проникающей способности состав растечётся по всем достижимым поверхностям, а после высыхания образует эластичную защитную плёнку.

Для наружных работ потребуются:

  • малярный скотч;
  • обезжириватель и антисиликон;
  • матирующая губка;
  • баллоны с антигравием.

Если предполагается нанесение на участки днище мастики, то надо иметь растворитель и кисти. Желательно респиратор для защиты органов дыхания и герметичные очки.

Подготовка машины

Поверхности моются, сушатся и обрабатываются обезжиривающими составами. Краска или лак матируются специальной губкой для улучшения адгезии антигравия.

Машина оклеивается бумагой на малярном скотче, чтобы распыляемый состав не попадал на окрашенные поверхности. При распылении антигравий пузырится, что обеспечивает рельеф поверхности (шагрень). Так усиливается его стойкость к ударам.

Полученная декоративность может оспариваться, поэтому лучше заранее оценить результат пробным распылением. Возможно от антигравия придётся отказаться, а нанести более декоративное покрытие внешней части, слой краски и лак.

Нанесение антигравия

Антигравий можно использовать как снаружи, так и по днищу. Допускается многослойное нанесение, образовавшаяся защита по прочности такое позволяет. С увеличением количества слоёв возрастает и эффект шумопоглощения. В отличие от краски, антигравий допускает удаление специализированными растворителями.

Это интересно: Технология удаления коррозии в автомобиле

После пробного использования надо оценить зернистость структуры покрытия, возможно придётся выбрать состав с более мелкой структурой. Выбор товаров это позволяет.

Как и дополнительные антикоррозионные свойства, некоторые препараты обеспечивают защиту голого металла на повреждённых участках. Но ржавчину следует обязательно удалить механически, иначе неизбежно дальнейшее развитие, независимо от свойств состава.

Окраска антигравия возможна после полной сушки всех слоёв с удалением шагрени и подготовки специальным грунтом.

Пороговое значение

— обработка изображений с помощью Python

Обзор

Обучение: 60 мин.
Упражнения: 50 мин

Вопросы

Цели

  • Объясните, что такое пороговое значение и как его можно использовать.

  • Используйте гистограммы, чтобы определить соответствующие пороговые значения для использования в процессе пороговой обработки.

  • Применение к изображению простого двоичного порога с фиксированным уровнем.

  • Объясните разницу между использованием оператора > или оператора < для порогового значения изображения, представленного массивом numpy.

  • Опишите форму бинарного изображения, полученного путем пороговой обработки с помощью > или < .

  • Объясните, когда подходит метод Оцу для автоматического определения порога.

  • Применить автоматическое пороговое значение к изображению с помощью метода Оцу.

  • Используйте функцию np.count_nonzero() для подсчета количества ненулевых пикселей в изображении.

В этом эпизоде ​​мы узнаем, как использовать функции skimage для применения пороговое значение изображения. Пороговое значение является типом сегментации изображения , где мы изменяем пиксели изображения, чтобы упростить анализ изображения. При пороговой обработке мы преобразуем изображение из цветного или в оттенках серого в бинарное изображение , то есть просто черно-белое. Чаще всего, мы используем пороговое значение как способ выбора областей интереса изображения, игнорируя части, которые нас не интересуют. Мы уже сделали несколько простых пороговых значений, в разделе «Управление пикселями» Представление изображения в эпизоде ​​skimage . В этом случае мы использовали простую манипуляцию с массивом NumPy для отделить пиксели, принадлежащие корневой системе растения, от черного фона. В этом эпизоде ​​мы узнаем, как использовать функции skimage для определения порога. Затем мы будем использовать маски, возвращаемые этими функциями, для выделяем интересующие нас части изображения.

Простое пороговое значение

Рассмотрим изображение data/shapes-01. jpg с серией грубо вырезанные фигуры на белом фоне. 

 импортировать numpy как np импортировать глобус импортировать matplotlib.pyplot как plt импортировать imageio.v3 как iio импортировать skimage.color импортировать skimage.filters виджет %matplotlib # загрузить изображение изображение = iio.imread(uri="data/shapes-01.jpg") рис, топор = plt.subplots() plt.imshow(изображение)

Теперь предположим, что мы хотим выбрать только фигуры с изображения. Другими словами, мы хотим оставить пиксели, принадлежащие фигурам, «включенными». при отключении остальных пикселей, установив их значения цветового канала в нули. Библиотека skimage имеет несколько различных методов пороговой обработки. Начнем с самого простого варианта, который включает в себя важный шаг человеческого вклада. В частности, в этом простом, пороговое значение с фиксированным уровнем , мы должны указать пороговое значение t .

Процесс работает следующим образом. Сначала мы загрузим исходное изображение, преобразуем его в оттенки серого, и уберите шум, как в эпизоде ​​ Blurring Images . 

 # преобразовать изображение в оттенки серого gray_image = skimage.color.rgb2gray(изображение) # размыть изображение, чтобы убрать шум blurred_image = skimage.filters.gaussian (grey_image, sigma = 1,0) рис, топор = plt.subplots() plt.imshow (размытое_изображение, cmap = "серый")

Далее мы хотели бы применить порог t так, чтобы пиксели со значениями оттенков серого с одной стороны от до будут включены, в то время как пиксели со значениями оттенков серого на другой стороне будут отключены. Как мы можем это сделать? Помните, что изображения в градациях серого содержат значения пикселей в диапазоне от 0 до 1, поэтому ищем порог t в закрытом диапазоне [0.0, 1.0]. Мы видим на изображении, что геометрические фигуры «темнее», чем фон белый, но есть и светло-серый шум на фоне. Один из способов определить «хорошее» значение для т есть посмотреть на гистограмму изображения в градациях серого и попытайтесь определить, какие диапазоны оттенков серого соответствуют формам на изображении. или фон.

Гистограмму для показанного выше изображения формы можно создать, как показано в эпизод Создание гистограмм . 

 # создать гистограмму размытого изображения в градациях серого гистограмма, bin_edges = np.histogram (blurred_image, интервалы = 256, диапазон = (0,0, 1,0)) рис, топор = plt.subplots() plt.plot(bin_edges[0:-1], гистограмма) plt.title("Гистограмма оттенков серого") plt.xlabel("значение в оттенках серого") plt.ylabel("пиксели") plt.xlim(0, 1.0)

Так как изображение имеет белый фон, большинство пикселей изображения белые. Это хорошо соответствует тому, что мы видим на гистограмме: есть пик около значения 1.0. Если мы хотим выбрать фигуры, а не фон, мы хотим отключить белые фоновые пиксели, оставив пиксели для фигур включенными. Итак, мы должны выбрать значение t где-то перед большим пиком и выключите пиксели выше этого значения. Выберем t=0,8 .

Для применения порога t , мы можем использовать операторы сравнения numpy для создания маски. Здесь мы хотим включить все пиксели, значения которых меньше порогового значения. поэтому мы используем оператор less < для сравнения blurred_image с порогом t . Оператор возвращает маску, которую мы фиксируем в переменной binary_mask . Он имеет только один канал, и каждое из его значений равно 0 или 1. Двоичная маска, созданная операцией пороговой обработки, может быть показана с помощью plt.imshow , где записи False отображаются как черные пиксели (со значением 0) и записи True отображаются белыми пикселями. (1-значный). 

 # создать маску на основе порога т = 0,8 двоичная_маска = размытое_изображение < t рис, топор = plt.subplots() plt.imshow (бинарная_маска, cmap = "серый")

Вы можете видеть, что области, где фигуры были в исходной области, теперь белые, в то время как остальная часть изображения маски черная.

Что делает порог хорошим?

Как это часто бывает, ответ на этот вопрос — «это зависит». В приведенном выше примере мы могли бы просто отключить все белые фоновые пиксели, выбрав t=1.0 , но это оставило бы нас с некоторым фоновым шумом в изображении маски. С другой стороны, если мы выберем слишком низкое значение порога, мы можем потерять некоторые фигуры, которые слишком яркие. Вы можете поэкспериментировать с порогом, повторно запустив приведенные выше строки кода с разные значения для т . На практике это вопрос знания предметной области и опыт интерпретации пиков на гистограмме, чтобы определить соответствующий порог. Процесс часто включает в себя пробы и ошибки, что является недостатком простого порогового метода. Ниже мы представим автоматическое пороговое значение, который использует количественное, математическое определение для хорошего порога, который позволяет определить значение t автоматически. Стоит отметить, что принцип простой и автоматической пороговой также может использоваться для изображений с диапазоном пикселей, отличным от [0,0, 1,0]. Например, мы могли бы выполнить пороговое значение для значений интенсивности пикселей. в диапазоне [0, 255], как мы уже видели в Представление изображения в эпизоде ​​skimage .

Теперь мы можем применить binary_mask к исходному цветному изображению. узнали в эпизоде ​​ Рисование и побитовые операции . У нас остались только цветные фигуры из оригинала. 

 # используйте бинарную_маску, чтобы выбрать «интересную» часть изображения выбор = изображение.копировать() выбор[~бинарная_маска] = 0 рис, топор = plt.subplots() plt.imshow (выбор)

Больше практики с простым пороговым значением (15 мин)

Теперь твоя очередь тренироваться. Предположим, мы хотим использовать простую пороговую обработку выбрать только цветные фигуры (в данном случае сероватый тоже считается цветом) из изображения data/shapes-02.jpg :

Сначала постройте гистограмму в градациях серого, как в Эпизод гистограммы и изучить распределение значений оттенков серого на изображении. Что вы считаете, что это хорошее значение для порога т ?

Решение

Гистограмма для изображения data/shapes-02.jpg может быть показана с помощью 

 gray_image = iio.imread(uri="data/shapes-02.jpg", mode="L") гистограмма, bin_edges = np.histogram (gray_image, ячейки = 256, диапазон = (0,0, 1,0)) рис, топор = plt.subplots() plt.plot(bin_edges[0:-1], гистограмма) plt.title("Гистограмма уровней серого") plt.xlabel("серое значение") plt.ylabel("количество пикселей") plt.xlim(0, 1.0)

Мы видим большой всплеск около 0,3 и меньший всплеск около 0,7. пик около 0,3 представляет более темный фон, поэтому кажется, что значение близко к t=0,5 будет хорошим выбором.

Затем создайте маску, чтобы включить пиксели выше порога t . и пикселей ниже порога т выкл. Обратите внимание, что в отличие от изображения с белым фоном, который мы использовали выше, здесь пик для цвет фона находится на более низком уровне серого, чем формы. Поэтому измените оператор сравнения меньше < на больше > , чтобы создать соответствующую маску. Затем нанесите маску на изображение и просмотреть пороговое изображение. Если все работает как надо должен, ваш вывод должен отображать только цветные фигуры на черном фон.

Решение

Вот команды для создания и просмотра бинарной маски 

 т = 0,5 двоичная_маска = серое_изображение> t рис, топор = plt.subplots() plt.imshow (бинарная_маска, cmap = "серый")

А вот команды для применения маски и просмотра порогового изображения 

 изображение = iio.imread(uri="data/shapes-02.jpg") выбор = изображение.копировать() выбор[~бинарная_маска] = 0 рис, топор = plt.subplots() plt.imshow (выбор)

Автоматическое определение порога

Недостаток простой техники пороговой обработки заключается в том, что мы должны сделать обоснованное предположение о пороге t , изучив гистограмму. Есть также автоматических пороговых методов , которые могут определить порог автоматически для нас. Одним из таких методов является метод Оцу . Это особенно полезно в ситуациях, когда гистограмма в градациях серого изображения имеет два пика, которые соответствуют фону и интересующим объектам.

Шумоподавление изображения перед пороговым значением

На практике часто бывает необходимо очистить изображение от шума перед пороговое значение, которое может быть выполнено одним из методов из эпизод Размытые изображения .

Рассмотрим изображение data/maize-root-cluster.jpg корневой системы кукурузы, которая мы видели раньше в Представление изображения в эпизоде ​​skimage . 

 изображение = iio.imread(uri="data/maize-root-cluster.jpg") рис, топор = plt.subplots() plt.imshow(изображение)

Мы используем размытие по Гауссу с сигмой 1,0 для устранения шума корневого изображения. Давайте посмотрим на гистограмму в градациях серого изображения без шума. 

 # преобразовать изображение в оттенки серого gray_image = skimage.color.rgb2gray(изображение) # размыть изображение, чтобы убрать шум blurred_image = skimage.filters.gaussian (grey_image, sigma = 1,0) # показать гистограмму размытого изображения гистограмма, bin_edges = np.histogram (blurred_image, интервалы = 256, диапазон = (0,0, 1,0)) рис, топор = plt.subplots() plt.plot(bin_edges[0:-1], гистограмма) plt.title("Гистограмма уровней серого") plt.xlabel("серое значение") plt.ylabel("количество пикселей") plt.xlim(0, 1.0)

Гистограмма имеет значительный пик около 0,2, а второй, меньший пик очень близок к 1,0. Таким образом, это изображение является хорошим кандидатом для пороговой обработки методом Оцу. Математические детали того, как это работает, сложны (см. документация по скимейджу если ты заинтересован), но в результате метод Оцу находит пороговое значение между два пика гистограммы в градациях серого.

Функция skimage.filters.threshold_otsu() может использоваться для определения порог автоматически с помощью метода Оцу. Затем можно использовать операторы сравнения numpy, чтобы применить его, как и раньше. Вот команды Python для определения порога t методом Оцу. 

 # выполнить автоматическое пороговое значение t = skimage.filters.threshold_otsu (размытое_изображение) print("Найден автоматический порог t = {}.".format(t)) 
 Найден автоматический порог t = 0,4172454549881862.

Для этого корневого изображения и размытия по Гауссу с выбранным сигмой 1,0, расчетное пороговое значение равно 0,42. Нет, мы можем создать бинарную маску с оператором сравнения > . Как мы видели ранее, пиксели выше порогового значения будут включены, те, что ниже порога, будут отключены. 

 # создать бинарную маску с порогом, найденным методом Оцу двоичная_маска = размытое_изображение> t рис, топор = plt.subplots() plt. imshow (бинарная_маска, cmap = "серый")

Наконец, мы используем маску для выбора переднего плана: 

 # применить бинарную маску для выбора переднего плана выбор = изображение.копировать() выбор[~бинарная_маска] = 0 рис, топор = plt.subplots() plt.imshow (выбор)

Применение: измерение корневой массы

Теперь обратимся к приложению, в котором мы можем применить пороговое значение и другие методы, которые мы изучили к этому моменту. Рассмотрим эти четыре изображения корневой системы кукурузы, которые вы можете найти в файлах data/trial-016.jpg , data/trial-020.jpg , data/trial-216.jpg , и data/trial-293.jpg .

Предположим, нас интересует количество растительного материала на каждом изображении, и, в частности, как эта сумма меняется от изображения к изображению. Возможно, изображения представляют собой рост растения с течением времени, или, возможно, изображения показывают четыре разных сорта кукурузы одновременно. той же фазе их роста. Вопрос, на который мы хотели бы ответить, звучит так: «Сколько корневой массы на каждом изображении?»

Сначала мы создадим программу Python для измерения этого значения для одного изображения. Наша стратегия будет такой:

  1. Прочитайте изображение, преобразуя его в оттенки серого по мере чтения. Для этого приложение нам не нужно цветное изображение.
  2. Размыть изображение.
  3. Используйте метод определения порога Оцу для создания бинарного изображения, где пиксели, которые были частью растения кукурузы, белые, и все остальное черное.
  4. Сохраните бинарное изображение, чтобы его можно было просмотреть позже.
  5. Подсчитайте белые пиксели в бинарном изображении и разделите на количество пикселей в изображении. Это соотношение будет мерой корневая масса растения на изображении.
  6. Вывести название обработанного изображения и коэффициент массы корня.

Наша цель — выполнить эти шаги и получить числовой результат — мера массы корня на изображении - без вмешательства человека. Реализация шагов в функции Python будет позволяют нам вызывать эту функцию для разных изображений.

Вот функция Python, которая реализует эту стратегию измерения корневой массы. Поскольку функция предназначена для вывода числовых значений без участия человека, он не отображает ни одно из изображений. Почти все команды должны быть знакомы, и на самом деле, он может показаться проще, чем код, над которым мы работали до сих пор, потому что мы не отображаем ни одно из изображений. 

 def Measure_root_mass (имя файла, сигма = 1,0): # читать исходное изображение, конвертируя в оттенки серого на лету изображение = iio.imread (uri = имя файла, режим = «L») # размытие перед порогом blurred_image = skimage.filters.gaussian (изображение, сигма = сигма) # выполнить автоматическую пороговую обработку для создания бинарного изображения t = skimage.filters.threshold_otsu (размытое_изображение) двоичная_маска = размытое_изображение> t # определить коэффициент массы корней rootPixels = np. count_nonzero(binary_mask) w = двоичная_маска.форма[1] ч = двоичная_маска.форма[0] плотность = корневые пиксели / (ш * ч) плотность возврата

Функция начинается с чтения исходного изображения из файла имя файла . Мы используем iio.imread() с необязательным аргументом mode="L" для автоматически преобразовать его в оттенки серого. Затем изображение в градациях серого размывается фильтром Гаусса с значение сигма , которое передается функции. Затем мы определяем порог t методом Оцу и создайте двоичную маску так же, как мы делали это в предыдущем разделе. До этого момента все должно быть знакомо.

Заключительная часть функции определяет соотношение масс корней на изображении. Напомним, что в binary_mask каждый пиксель имеет либо значение ноль (черный/фон) или один (белый/передний план). Мы хотим подсчитать количество белых пикселей, что может быть выполнено с помощью вызова функции numpy np. count_nonzero . Затем мы определяем ширину и высоту изображения с помощью элементы binary_mask.shape (то есть размеры массива numpy, в котором хранится изображение). Наконец, коэффициент плотности рассчитывается путем деления количества белых пикселей на по общему количеству пикселей ш*ч на изображении. Функция возвращает корневую плотность изображения.

Мы можем вызывать эту функцию с любым именем файла и укажите значение сигмы для размытия. Если значение сигмы не указано, будет использоваться значение по умолчанию 1,0. Например, для файла data/trial-016.jpg и значения сигмы 1,5, мы бы назвали эту функцию так: 

 Measure_root_mass (filename="data/trial-016.jpg", sigma=1.5) 
 0,0482436835106383`

Теперь мы можем использовать эту функцию для обработки серии из четырех изображений, показанных выше. В реальной научной ситуации могут быть десятки, сотни, или даже тысячи изображений для обработки. Чтобы избавить нас от утомительного вызова функции для каждого изображения вручную, мы можем написать цикл, который автоматически обрабатывает все файлы. Следующий блок кода предполагает, что файлы расположены в одном каталоге и имена файлов начинаются с пробная версия - префикс и заканчиваются суффиксом .jpg . 

 all_files = glob.glob("data/trial-*.jpg") для имени файла в all_files: плотность = мера_корневой_массы (имя файла = имя файла, сигма = 1,5) # вывод в формате, подходящем для .csv печать (имя файла, плотность, sep=",") 
 data/trial-016.jpg, 0,0482436835106383 данные/проба-020.jpg,0,06346941489361702 данные/проба-216.jpg,0.14073969414893617 данные/проба-293.jpg,0.13607895611702128

Игнорирование других изображений – мозговой штурм (10 мин)

Давайте подробнее рассмотрим бинарные маски, созданные функцией Measure_root_mass .

Возможно, вы заметили в разделе об автоматическом пороговом значении, что изображение с пороговым значением включает в себя области изображения, кроме корень растения: пронумерованные метки и белые кружки на каждом изображении сохраняются при пороговой обработке, потому что их оттенки серого значения выше порога. Таким образом, наши расчетные отношения масс корней включают белые пиксели. этикетки и белого круга, которые не являются частью корня растения. Эти дополнительные пиксели влияют на точность расчета корневой массы!

Как мы можем удалить метки и круги перед вычислением коэффициента, чтобы наши результаты были более точными? Подумайте о некоторых вариантах, учитывая то, что мы уже узнали.

Решение

Один из подходов, который мы могли бы использовать, — попытаться полностью замаскировать область. от каждого изображения, в частности, область, содержащая белый кружок и пронумерованную метку. Если бы у нас были координаты прямоугольной области на изображении который содержал круг и этикетку, мы могли бы легко замаскировать область, используя методы, которые мы изучили в Рисование и побитовые операции эпизод.

Однако при ближайшем рассмотрении бинарных изображений возникают некоторые проблемы с этот подход. Поскольку корни не всегда ограничены определенной областью изображения, и поскольку круги и метки каждый раз находятся в разных местах, нам было бы трудно придумать единственный прямоугольник, который работать для каждого изображения. Мы могли бы создать отдельный маскирующий прямоугольник для каждого изображения, но это не практичный подход если у нас есть сотни или тысячи изображений для обработки.

Другой подход, который мы могли бы использовать, это чтобы применить к изображению два пороговых шага. Посмотрите на гистограмму уровней серого файла data/trial-016.jpg . снова выше: Заметили пик около 1,0? Напомним, что значение оттенков серого 1,0 соответствует белым пикселям: пик соответствует белой метке и кружку. Таким образом, мы могли бы использовать простую бинарную пороговую обработку, чтобы замаскировать белый кружок и этикетка с изображения, а затем мы могли бы использовать метод Оцу, чтобы выбрать пиксели в растительная часть изображения.

Обратите внимание, что большая часть этой дополнительной работы по обработке изображения могла быть избежать на этапе экспериментального проектирования, с некоторым тщательным рассмотрением того, как будут использоваться полученные изображения. Например, все следующие меры могли бы упростить изображения. для обработки, помогая нам предсказать и/или определить, где находится метка на изображении и впоследствии замаскировать его от дальнейшей обработки:

  • Использование этикеток одинакового размера и формы
  • Размещение всех этикеток в одинаковом положении относительно образца
  • Использование небелой этикетки с нечерным шрифтом

Игнорирование большего количества изображений – реализация (30 мин – необязательно, не включено во время)

Реализовать расширенную версию функции Measure_root_mass который применяет простое двоичное пороговое значение для удаления белого круга и маркируйте с изображения перед применением метода Оцу.

Решение

Мы можем применить простую бинарную пороговую обработку с порогом t=0,95 , чтобы удалить метку и кружок с изображения. Мы используем бинарная маска, чтобы обнулить пиксели в размытом изображении (черный). 

 def advanced_root_mass (имя файла, сигма): # читать исходное изображение, конвертируя в оттенки серого на лету изображение = iio.imread (uri = имя файла, режим = «L») # размытие перед порогом blurred_image = skimage.filters.gaussian (изображение, сигма = сигма) # выполнить бинарную пороговую обработку, чтобы замаскировать белую метку и кружок двоичная_маска = размытое_изображение <0,95 # используем маску, чтобы удалить круг и метку с размытого изображения размытое_изображение[~бинарная_маска] = 0 # выполнить автоматическую пороговую обработку для создания бинарного изображения t = skimage.filters.threshold_otsu (размытое_изображение) двоичная_маска = размытое_изображение> t # определить коэффициент массы корней rootPixels = np.count_nonzero(binary_mask) w = двоичная_маска.форма[1] ч = двоичная_маска.форма[0] плотность = корневые пиксели / (ш * ч) плотность возврата all_files = glob. glob("data/trial-*.jpg") для имени файла в all_files: плотность = расширенная_корневая_масса (имя файла = имя файла, сигма = 1,5) # вывод в формате, подходящем для .csv печать (имя файла, плотность, sep=",")

Выходные данные улучшенной программы показывают, что белые круги а этикетки искажали наши коэффициенты массы корней: 

 data/trial-016.jpg, 0,045935837765957444 данные/проба-020.jpg,0,058800033244680854 data/trial-216.jpg,0.13705003324468085 данные/проба-293.jpg,0.13164461436170213

Вот бинарные изображения, созданные дополнительной пороговой обработкой. Обратите внимание, что мы не полностью удалили нежелательные белые пиксели. Очертания еще остались. Однако мы уменьшили количество посторонних пикселей, что должно сделать вывод более точным.

Пороговое изображение колонии бактерий (15 мин)

В каталоге изображений data/ вы найдете изображение с именем colonies-01. tif .

Это одно из изображений, с которым вы будете работать в морфометрический тест в конце семинара.

  1. Постройте и проверьте гистограмму изображения в градациях серого, чтобы определить хорошее пороговое значение для изображения.
  2. Создайте бинарную маску, которая оставляет пиксели в бактериях колонии «включаются» при включении остальных пикселей изображения "выключенный".

Решение

Вот код для создания гистограммы в градациях серого: 

 изображение = iio.imread(uri="data/colonies-01.tif") gray_image = skimage.color.rgb2gray(изображение) blurred_image = skimage.filters.gaussian (grey_image, sigma = 1,0) гистограмма, bin_edges = np.histogram (blurred_image, интервалы = 256, диапазон = (0,0, 1,0)) рис, топор = plt.subplots() plt.plot(bin_edges[0:-1], гистограмма) plt.title("Гистограмма уровней серого") plt.xlabel("серое значение") plt.ylabel("количество пикселей") plt. xlim(0, 1.0)

Пик рядом с единицей соответствует белому фону изображения, а более широкий пик около 0,5 соответствует желто-коричневому питательная среда в чашке. Небольшой пик около нуля — это то, что нам нужно: темные колонии бактерий. Таким образом, разумным выбором может быть оставить включенными пиксели ниже t=0,2 .

Вот код для создания и показа бинарного изображения с помощью < оператор с порогом t=0,2 : 

 т = 0,2 двоичная_маска = размытое_изображение < t рис, топор = plt.subplots() plt.imshow (бинарная_маска, cmap = "серый")

Если немного поэкспериментировать с порогом, можно увидеть, что в особенно размер колонии бактерий у края блюдо в правом верхнем углу зависит от выбора порога.

Ключевые моменты

  • Пороговое значение создает бинарное изображение, в котором все пиксели с интенсивностью выше (или ниже) порогового значения включены, а все остальные пиксели выключены.

  • Двоичные изображения, созданные пороговой обработкой, хранятся в двумерных массивах NumPy, поскольку они имеют только один канал значения цвета. Они логические, поэтому содержат значения 0 (выключено) и 1 (включено).

  • Пороговое значение можно использовать для создания масок, выделяющих только интересные части изображения, или в качестве первого шага перед обнаружением краев или поиском контуров.

Обнаружение путем пороговой обработки · Анализ изображений флуоресцентной микроскопии с помощью ImageJ

Работает на GitBook

Схема главы

  • Процесс обнаружения интересных объектов на изображении называется сегментацией, и результатом часто является бинарное или размеченное изображение

  • Глобальная пороговая установка идентифицирует пиксели со значениями в определенных диапазонах

  • Пороги могут быть рассчитаны из гистограмм изображения

  • Сочетание пороговой обработки с фильтрацией и вычитанием изображения он подходит для широкого спектра изображений

  • Двоичные изображения можно использовать для создания областей интереса или других представлений объектов

Измерения и интересующие области описаны способы проведения измерений с помощью ROI, нарисованные вручную. Это может быть хорошо в простых случаях, когда есть не слишком много вещей для анализа, но предпочтительнее найти способы автоматизировать процесс определения регионов – не только потому, что это вероятно, будет быстрее, но потому что он должен давать более воспроизводимые и менее предвзятые результаты.

Объекты, сегментация, бинарные и помеченные изображения

В литературе по обработке изображений интересными структурами изображений являются часто называемые объекты (или иногда связанных компонентов ) и часто неприятным процессом их обнаружения является сегментация изображения .

Большинство методов, описанных в следующих главах, можно нанизывать вместе, чтобы точно сегментировать изображение. В случае успеха, результатом может быть бинарное изображение , в котором каждый пиксель может иметь только один из два значения, чтобы указать, является ли он частью объекта или нет, или изображение с меткой , в котором все пиксели являются частью одного и того же объекта имеют одинаковое уникальное значение. Обычно сначала концентрируются на создание бинарного изображения, а затем создать помеченное изображение, только если необходимо путем идентификации отдельных кластеров пикселей объекта и присвоение им меток.

Обычный способ создания бинарного изображения — пороговое значение : определение пикселей выше или ниже определенного порогового значения. В ImageJ, команда Image ▸ Adjust ▸ Threshold… позволяет определить как низкие, так и высокие пороговые значения, так что только пиксели, попадающие в указанный диапазон найден. Выбрав подходящие пороги, нажав Применить создает бинарное изображение [1] . Поскольку одинаковые пороги применяются к каждому пикселю всего изображения, это пример глобального порога — это действительно своего рода точка операция, так как вывод для любого пикселя зависит только от пикселя первоначальная стоимость и ничего больше.

Выбор результатов с установленными вручную пороговыми значениями

Загадка глобального порогового значения заключается в том, как определить пороговые значения разумно. Если вы откроете Файл ▸ Открыть образцы ▸ Клетки HeLa и разделите каналы (Изображение ▸ Цвет ▸ Разделить каналы), вы можете использовать пороговое значение …​ интерактивно опробовать различные возможности для каждого канала. Ты должны вскоре заметить опасность в этом: результаты (особенно в красный или зеленый каналы) могут быть очень чувствительны к порогу, который вы выбирать. Низкие пороги имеют тенденцию обнаруживать еще конструкций, а также к сделать их на больше — до точки, в которой структуры сливаются, и затем снова обнаруживается на меньше (Рисунок 1).

Другими словами, иногда можно использовать ручные пороги, чтобы получить больше или меньше любого результата, который вы хотите, что может полностью изменить интерпретация данных. Для выдающегося ученого, обнаружившего это ситуация обескураживает, поэтому ImageJ предлагает ряд автоматизированных методы определения порога в раскрывающемся списке в Порог…​ инструмент. Они описаны на http://imagej.net/Auto_Threshold, часто со ссылками на оригинальные опубликованные документы, на которых они основаны. Фиджи Команда «Изображение» ▸ «Настроить» ▸ «Автоматический порог» предоставляет дополнительные параметры, включая возможность применить все пороги и посмотреть, какой из них кажется, обеспечивает наилучшие результаты.

Определение порогов по гистограммам

Не существует универсально применимой стратегии для определения порога; изображений слишком сильно различаться. Однако по своей природе пороговое значение предполагает, что два класса пикселей на изображении – те, что относятся к интересным объекты, а те, что нет — и пиксели в каждом классе имеют разные значения интенсивности [2] . Всякий раз, когда ценности значимы, но их точное местоположение на изображении либо неизвестно, либо неважно, это информация аккуратно суммируется в гистограмме изображения. Поэтому Методы ImageJ для поиска пороговых значений не работают непосредственно с изображениями. а скорее на их гистограммах – что значительно проще.

Обоснование этого можно увидеть на рисунке 2. Глядя на изображение, два ядра очевидны: они явно имеют более высокие значения, чем фон (A). Однако, глядя на гистограмму только (B) мы могли бы уже сделать вывод, что существует класс фоновые пиксели (высокий пик слева) и класс «другое», четко различимые пиксели (намного более мелкий пик справа). К выбирая порог между этими двумя пиками – где-то около 400 – ядра могут быть четко разделены (C). Выбор порога намного выше или ниже этого дает менее впечатляющие результаты (D).

На рис. 3 показан более сложный пример. в на самом изображении структуры не очень четко определены, и во многих случаях не очевидно, хотим ли мы рассматривать какой-либо конкретный пиксель как «достаточно яркий» для обнаружения или нет (A). Гистограмма также изображает эту неопределенность; происходит более плавный переход между фоновый пик и передний план (B). Результаты применения двух показаны различные автоматизированные пороги (C) и (D). Оба в каком-то смысле оправдано, и решение, которое является наиболее подходящим, потребует более глубокое понимание того, что содержит изображение и что должно быть проанализировано.

Применение глобальных пороговых значений хорошо подходит для простых изображений, для которых порог явно существует, но на практике так бывает редко прямолинейно – и часто никакое пороговое значение, ручное или автоматическое, не дает полезные результаты. Этот раздел предвосхищает следующую главу о фильтрах. показывая, что с некоторой дополнительной обработкой пороговое значение можно исправить даже если изначально кажется, что он работает плохо.

Пороговое определение зашумленных данных

Шум — это одна из проблем, влияющих на пороговые значения, особенно в живых ячейках. визуализация. Верхняя половина рисунка 4 воспроизводит ядра с рис. 2, но с дополнительным шумом для имитации далеких от идеальных условий изображения. Несмотря на то, что ядра на изображении (A) все еще отчетливо видны два класса пикселей, ранее легко отделить в гистограмме теперь слились вместе (B). метод порога треугольника, который раньше работал хорошо, теперь дает менее привлекательные результаты (C), потому что шум вызвал диапазоны фоновые и ядерные пиксели перекрываются. Однако, применяя гауссову фильтр сглаживает изображение, тем самым уменьшая большую часть случайного шума (см. Фильтры), что делает гистограмму значительно более аналогично исходному, (почти) бесшумному изображению, а порог снова вполне успешен (F).

Локальное пороговое значение

Другая распространенная проблема заключается в том, что появляются структуры, которые должны быть обнаружены. поверх фона, который сам по себе имеет разную яркость. Например, в красный канал клеток HeLa нет единого глобального порога способен идентифицировать и разделять все «пятнистые» структуры; любой выбор пропустит многие места, потому что порог достаточно высок чтобы избежать фона, также будет слишком высоко, чтобы поймать все пятна происходящие в более темных областях (рис. 5a–c).

В таких случаях было бы лучше, если бы мы могли определить другие пороги для разных частей изображения: локальный порог . Несколько методов, чтобы сделать это реализованы на Фиджи Изображение ▸ Настроить ▸ Автоматический локальный порог и описано в http://imagej.net/Auto_Local_Threshold. Однако, если эти недостаточны, легко реализовать собственное локальное пороговое значение и получить больший контроль над результатом, если мы подумаем о проблеме с немного другой ракурс. Предположим, у нас есть второе изображение, содержащее значения, равные пороговым значениям, которые вы хотите применить, и которые могут быть разные для каждого пикселя. Если мы просто вычесть это второе изображение с самого начала мы можем затем применить глобальный порог, чтобы определить, что мы хотеть.

Самое сложное это создать второе изображение, но опять приходят фильтры в полезном. Один из вариантов — медианный фильтр , который эффективно перемещается по каждому пикселю изображения, ранжирует соседние пиксели по порядку значения, и выбирает средний — тем самым удаляя все, что намного ярче или намного темнее, чем его окружение (D). Вычитание изображения с медианной фильтрацией из оригинала дает результат к которому можно с пользой применить глобальный порог (E).

Использование NaN

Хотя это и не является неотъемлемой частью идеи и типы изображений имеют значение двумя основными способами.

Первый появляется, когда вы нажимаете Применить в диалоговом окне Threshold…​ для 32-битного изображения. Это представляет параметр Установить фоновые пиксели на NaN , который вместо этого создания бинарного изображения даст изображение, в котором Пиксели переднего плана сохраняют свои исходные значения, а пиксели фона Не число . Это специальное значение, которое может быть сохранено только в изображения с плавающей запятой, которые ImageJ игнорирует при проведении измерений позже. Поэтому он используется для маскирования областей.

Биннинг гистограммы

Второй способ, в котором битовая глубина и типы имеют значение, заключается в том, что гистограммы изображений > 8 бит включают биннингов данных. Например, с 32-битным образом, вероятно, не имеет смысла создавать гистограмма, которая имеет отдельные счетчики для всех возможных значений пикселей: в в дополнение к подсчетам для пикселей с точными значениями 1 и 2, мы бы получили тысячи отсчетов для пикселей с дробями между ними (и большинство эти значения будут равны 0). Вместо этого гистограмма создается разделив общий диапазон данных (максимальные – минимальные значения пикселей) на 256 отдельно бинов с одинаковой шириной, и подсчет количества пикселей значения, попадающие в диапазон каждого бина. Поэтому это как тонкий преобразование в 8-битную точность для вычисления порога, но без фактически изменяя исходные данные. Используется тот же тип преобразования для 16-битных изображений — , если только вы не используете Изображение ▸ Настройка ▸ Команда Автопорог, которая использует полный 16-битный гистограмма с 65536 интервалами.

Хотя эффектами биннинга часто можно пренебречь, если общий диапазон значения пикселей в изображении очень велики, об этом стоит помнить.

Генерация и измерение областей интереса

Когда у нас есть бинарное изображение, следующим шагом будет идентификация объектов внутри это и измерить их. В 2D есть несколько вариантов:

  • Нажмите на объект инструментом Wand , чтобы создать измеримую рентабельность инвестиций из это

  • Редактировать ▸ Выделение ▸ Создать выделение создает одну область интереса, содержащую все пиксели переднего плана. Несвязанные области можно разделить добавление ROI в ROI Manager и выбор Подробнее >> Сплит .

  • Analyze ▸ Analyze Particles…​ обнаруживает и измеряет все области переднего плана как отдельные объекты.

Анализ частиц…​ является наиболее автоматизированным и универсальным вариантом, что позволяет игнорировать области, которые особенно малы или большие, прямые или круглые (с использованием метрики Circularity ). Он также может вывод сводных результатов и добавление ROI для каждого региона в ROI Manager. С Show: Count Masks опция, она создаст помеченное изображение, в котором каждый пиксель имеет уникальное целочисленное значение, указывающее количество объект, частью которого он является, или ноль, если он находится на заднем плане. С подходящая красочная LUT, это может создать полезный и веселый дисплей (Рисунок 6).

Перенаправление измерений

Хотя бинарные изображения могут отображать формы измеряемых объектов, измерения интенсивности пикселей, сделанные на бинарном изображении, не очень полезный. Вы можете использовать описанные выше методы для создания ROI из бинарных файлов. изображения, затем примените их к исходному изображению, чтобы получить смысл измерения. Однако можно избежать этого дополнительного шага, изменение Перенаправить на: вариант под Задать измерения…​ . Этот позволяет измерять ROI или запускать Analyze Particles…​ с одним изображением выбраны и используются для определения регионов, перенаправляя ваш измерения должны быть сделаны на совершенно другом изображении по вашему выбору.

Learn more