Фотон фото: Модельный ряд Foton 2021 — вся линейка автомобилей Фотон на официальном сайте

Содержание

FOTON — все модели Фотон 2022: характеристики, цены, модификации, видео, дилеры

Все модели FOTON 2022 года: модельный ряд автомобилей Фотон, цены, фото, обои, технические характеристики, модификации и комплектации, отзывы владельцев FOTON, история марки Фотон, обзор моделей FOTON, архив моделей Фотон. Также здесь вы можете найти «горячие» предложения от дилеров марки FOTON.

В нашем каталоге указаны ориентировочные цены на автомобили FOTON. Если Вы хотите приобрести определенную модель Фотон из числа представленных на сайте — обращайтесь к официальным дилерам FOTON в вашем городе или регионе.



От 1 235 000 ₽

Грузовик

Китай

Год: 2009

От 1 739 900 ₽

Внедорожник

Китай

Год: 2015

От 1 549 990 ₽

Пикап

Китай

Год: 2012


Архив моделей марки FOTON


История марки FOTON / Фотон

Китайская компания FOTON (Beiqi Foton Motor Co. Ltd.) является сравнительно молодым автопроизводителем. Она была основана 28 августа 1996 года. Изначально это была государственная компания с холдинговой структурой. В ней присутствуют различные виды собственности, а акции компании котируются на фондовой бирже. Компания Beiqi Foton Motor Co., Ltd. осуществляет свою деятельность в самых разных регионах и секторах экономики. Штаб-квартира Foton находится в местечке Chang Ping, в Пекине. История марки Foton начинается с момента ее регистрации в 1996 году в Пекине под названием Beiqi Foton Motor Co., Ltd. Уже к 1998 году акции компании размещены на фондовой бирже, а еще через год марка удостаивается звания «Король легких грузовиков». К новому тысячелетию, компания Beiqi Foton Motor Co., Ltd. огласила новую стратегию развития, состоящую из нескольких этапов, которая будет реализована с 2001 по 2006 год. Начинается активная разработка и внедрение нескольких новых платформ развития.

В 2001 году компания Beiqi Foton Motor Co., Ltd. создает стратегию, по которой она будет развивать коммерческий автомобильный транспорт.

Еще через год проводятся серьезные инвестиции в бизнес в размере 1 миллиарда юаней. Эти средства были направлены в основном на создание и развитие новой производственной базы для тяжелых грузовиков модельного ряда Auman. В этом же году завершается строительство производственных мощностей для автомобилей коммерческого назначения. Создается и внедряется фирменный стиль и символика марки Foton. В 2004 году выдвигается базовая идея, согласно которой Foton должен взять за образец стратегию управления корпорации General Motors, а кроме того стремиться перенять лучшие стороны оперативного управления производством у компании Toyota. Этот год также является годом старта новой официальной горячей линии сервисной поддержки в центре обработки звонков компании. Отмечается выпуск миллионного автомобиля марки «Фотон». Официально поступает в продажу новая разработка компании: туристический автобус междугородного назначения модели Foton Auv.

В 2005 году китайский телеканал проводит вручение премии «Мой любимый китайский бренд», и компания Foton удостаивается этого почетного звания как лучший производитель коммерческих автомобилей. В начале 2006 года Foton входит в третью фазу своего развития и ставит перед собой новые задачи. Согласно выбранному курсу, компания Foton начинает активно повышать качество своей продукции, а кроме того, в списке первоочередных задач развития появляется стремление снизить стоимость продукции и повысить глобализацию. В 2009-м году Foton основывает в России предприятие Foton Motor Russia. Двумя годами позже компания начинает производство пикапа Tunland. В 2013-м году Foton расширяет свою модельную гамму минивэном View CS2. В 2016-м открываются первые дилерские центры Foton Motor в Москве, объявлен старт официальных продаж пикапа Tunland нового внедорожника Sauvana. Сегодня компания Foton активно развивает свои независимые права на интеллектуальную собственность и независимость своего бренда. Beiqi Foton Motor Co., Ltd. стремится к наращиванию международных связей и популяризации своей продукции во всем мире.


Выпускной альбом

Выпускные альбомы

Выпускные альбомы

Только до 31 марта!

Каждый дополнительный разворот — 100 р.

Каждый дополнительный разворот — 100 р.

Каждый дополнительный разворот — 200 р.

© Кирилл Минин

Страшные трагедии, которые потрясли Сызрань в ушедшем году

Страшные трагедии, которые потрясли Сызрань в ушедшем году


2021 год потряс город чередой трагедий на дорогах. Все началось с автокатастрофы, которая прогремела на всю страну и стала одной из крупнейших в России за последнее время.

Автобус смерти

Крупная автокатастрофа, в которой погибли жители из двух регионов — Самарской и Ульяновской областей. Эту аварию обсуждали на федеральном уровне. 29 января 2021 года на узком участке трассы М-5 под Сызранью переполненный людьми рейсовый автобус «Ситроен» столкнулся с большегрузом из Казахстана. Грузовик выехал на встречную полосу и врезался в маршрутку. Погибли 12 пассажиров автобуса, еще 11 получили травмы.

Лобовое столкновение у Октябрьска

9 октября на автодороге М-5 у съезда в Октябрьск лоб в лоб столкнулись «Солярис» и «Субару». Страшный удар смял оба автомобиля. Водитель и два пассажира «Соляриса» скончались на месте. Еще два человека получили травмы.


Гибель молодых людей

15 октября на дороге «Сызрань-Шигоны» у села Кушниково столкнулись ВАЗ-2111 и грузовик «Фотон». Легковушку пришлось вскрывать, чтобы достать тела. В аварии погибли три человека из отечественного авто — девушки 18 и 20 лет и 29-летний мужчина.


Гибнут молодые

Еще одна трагедия с молодыми людьми произошла 22 июля на рачейской дороге в Сызранском районе. Там столкнулись УАЗ и ВАЗ-2106 с компанией молодых людей в салоне. В результате погибли 18-летний водитель и 17-летний пассажир, ещё два пассажира «шестерки» получили травмы. Среди раненных оказалась и известная спортсменка, ей чудом удалось выжить.


Трагедия на рачейской дороге

В конце 2021 года случилась еще одна трагедия. 25 декабря на 11 километре дороги Сызрань — Старая Рачейка при столкновении «Приоры» и «Ниссана» погибли две женщины. Еще один человек получил травмы.


Всего с начала прошлого года на дорогах Самарской области в авариях погибли 302 человека, 3 356 человек пострадали. За это время зарегистрировано 2 690 ДТП.

фото: ГУ МВД по Самарской области

21:44, 3 Января 2022 года, понедельник / 4112 / ПРОИСШЕСТВИЯ

НОВОСТИ ПАРТНЕРОВ



Фотон против фото — в чем разница?

Существительное

( en имя существительное )
  • (частица) Квант света и другой электромагнитной энергии, рассматриваемый как дискретная частица, имеющая нулевую массу покоя, отсутствие электрического заряда и неопределенно долгое время жизни. Это калибровочный бозон.
  • * {{quote-magazine, год = 2013, месяц = ​​июль-август, автор = Фенелла Сондерс
  • , title = Крошечные линзы видят большую картину
    , журнал = ( American Scientist ) , пассаж = Однократная оптика глаза млекопитающих дает некоторые очевидные визуальные преимущества.Такие линзы могут принимать фотонов и фотонов из широкого диапазона углов, увеличивая светочувствительность. У них также высокое пространственное разрешение, позволяющее детализировать входящие изображения.}}

    Производные термины
    * фотоника

    См. Также
    * фонон * плазмон —-

    Английский

    Существительное

    ( en имя существительное )
  • Фотография.
  • * {{quote-magazine, год = 2013, месяц = ​​июль-август, автор = Кэтрин Клэбби
  • , magazine = ( Американский ученый ), title =
    В центре внимания
    , пассаж = Не так давно было сложно делать фотографии крошечных существ, каждая часть которых была бы в фокусе.Это потому, что линзы, которые превосходно увеличивают крошечные объекты, создают небольшую глубину резкости. Это изменило метод обработки фото , называемый наложением фокуса.}}

    Глагол

    (, глагол )
  • Сделать фотографию.
  • * [1956] изд. 1992, Полные тексты песен Коула Портера [http://print.google.com/print?hl=en&id=5kjheskJwVAC&pg=PA465&lpg=PA465&sig=_CY8N5ZLStxnOIlf_CNHh10EP]
    Как весело быть сфотографировали вместе, / Какая удача для перерыва, так удачного. / Ой, что за жаворонок / Позировать в парке / Под юным полумесяцем луны.
  • * 1998, Ханс Шмидт, Maverick Marine [http://print.google.com/print?hl=en&id=vQ7DKhq0ZckC&pg=PA192&lpg=PA192&sig=hrMAoHDI9vAnq4RQwgFro_ ]
    Он даже сфотографировал себя , помогал держать один из пожарных шлангов.
  • * 2000, Салман Рушди, Земля под ее ногами [http: // print.google.com/print?hl=en&id=2nFEV20sE1AC&pg=PA219&lpg=PA219&sig=8MxWTUwSXHcfah6pEaAnVLYaiL4]
  • Всегда фото выходит. Что все эти выходы, как не репетиции для себя?

    См. Также

    * Фото- * светочувствительный * фотосинтез, фотосинтез * фотогеничный * фотоэлемент * фотофиниш * возможность фото * снимок —-

    Запутанные фотоны образуют парадокс

    Квантовое изображение выделяет объекты светом, который не взаимодействует с ними.

    У вас есть полный доступ к этой статье через ваше учреждение.

    Карбордовый вырез кошки, изображенный фотонами, которые никогда не проходили через вырез. Предоставлено: Габриэла Баррето Лемос

    Физики изобрели способ делать снимки, используя свет, который не взаимодействует с фотографируемым объектом.

    Эта форма визуализации использует пары фотонов, близнецов, которые «запутаны» таким образом, что квантовое состояние одного неразрывно связано с другим. В то время как один фотон может пройти через объект фотографии и затем потеряться, другой фотон попадает в детектор, но, тем не менее, «знает» о жизни своего близнеца и может использоваться для создания изображения.

    Обычно вы должны собирать частицы, которые исходят от объекта, чтобы отобразить его, говорит Антон Цайлингер, физик из Австрийской академии наук в Вене, который руководил работой.«Теперь, впервые, вам не нужно этого делать».

    Одно из преимуществ метода состоит в том, что два фотона не обязательно должны иметь одинаковую энергию, говорит Цайлингер, а это означает, что свет, который касается объекта, может быть другого цвета, чем обнаруживаемый свет. Например, квантовый имидж-сканер может исследовать хрупкие биологические образцы, посылая через них фотоны низкой энергии, создавая изображение с помощью фотонов видимого диапазона и обычной камеры. Работа опубликована в номере Nature от 28 августа 1 .

    Подкаст о природе

    Ваш браузер не поддерживает аудио элементы.

    Элизабет Гибни беседует с Габриэлой Баррето Лемос, ведущим исследователем в области квантовой визуализации.

    Цайлингер и его коллеги основали эту технику на идее, впервые изложенной в 1991 году, согласно которой фотон может путешествовать двумя путями. Каждый из них содержит кристалл, который превращает частицу в пару запутанных фотонов 2,3 . Но только один путь содержит объект, который нужно отобразить.

    Согласно законам квантовой физики, если никто не определяет, какой путь прошел фотон, частица фактически прошла оба маршрута, и пара фотонов создается сразу на каждом пути, говорит Габриэла Баррето Лемос, физик из Австрийской академии. наук и соавтор последней статьи.

    По первому пути один фотон в паре проходит через объект, который нужно отобразить, а другой — нет. Фотон, прошедший через объект, затем рекомбинируется со своим другим «возможным я», которое прошло по второму пути, а не через объект, и выбрасывается.Оставшийся фотон из второго пути также воссоединяется с самим собой из первого пути и направляется в камеру, где он используется для построения изображения, несмотря на то, что он никогда не взаимодействовал с объектом.

    Исследователи изобразили вырез в виде кошки шириной в несколько миллиметров, а также другие формы, выгравированные на кремнии. Команда исследовала вырез кошки, используя длину волны света, которую, как они знали, не может обнаружить их камера. «Это важно, это доказательство того, что это работает», — говорит Цайлингер.

    Кошка была выбрана в честь мысленного эксперимента, предложенного в 1935 году австрийским физиком Эрвином Шредингером, в котором гипотетический кот в коробке одновременно жив и мертв, до тех пор, пока никто не знает, есть ли яд в ней. коробка была выпущена. Точно так же Баррето Лемос говорит, что в последнем эксперименте, пока нечего сказать, по какому пути прошел фотон, один из фотонов в создаваемой впоследствии паре прошел и не прошел через объект.

    Предыдущие эксперименты пытались сделать нечто подобное в процессе, известном как создание фантомных изображений. Но последний метод проще, говорит Мэри Жаквилин Ромеро, физик из Университета Глазго, Великобритания. При визуализации призраков, даже если с объектом взаимодействует только один фотон, для восстановления изображения необходимо собрать оба фотона, тогда как в работе Венской группы необходимо обнаружить только один фотон. Поскольку для создания изображения фантомного изображения нужны оба фотона, некоторые физики задаются вопросом, действительно ли эффект квантовый или его можно объяснить с помощью классической физики 4 — аргумент, который, по словам Цайлингера, было бы трудно сделать с помощью этого эксперимента.

    Роберт Бойд, физик из Рочестерского университета в Нью-Йорке, говорит, что эксперимент настолько интригующий, что он хотел бы сначала подумать о нем. «Это величайший комплимент, который может сделать ученый», — говорит он.

    Ссылки

    1. 1

      Barreto Lemos, G. et al. Природа 512 , 409-412 (2014).

      ADS Статья Google Scholar

    2. 2

      Zou, X.Y., Wang, L.J., Mandel, L. Phys. Rev. Lett. 67 , 318–321 (1991).

      ADS CAS Статья Google Scholar

    3. 3

      Wang, L.J., Zou, X. Y. & Mandel, L. Phys. Ред. А 44 , 4614–4622 (1991).

      ADS CAS Статья Google Scholar

    4. 4

      Shih, Y. Quantum Inf Process 11 995–1001 (2012)

      Артикул Google Scholar

    Скачать ссылки

    Об этой статье

    Цитировать эту статью

    Gibney, E.Запутанные фотоны создают картину из парадокса. Природа (2014). https://doi.org/10.1038/nature.2014.15781

    Ссылка для скачивания

    Поделиться этой статьей

    Все, с кем вы поделитесь следующей ссылкой, смогут прочитать это содержание:

    Получить ссылку для совместного использования

    Извините, ссылка для совместного использования в настоящее время недоступно для этой статьи.

    Предоставлено инициативой по обмену контентом Springer Nature SharedIt

    Поведение фотонов и камеры

    Что такое фотон? Вы можете свести себя с ума, пытаясь вообразить это. На самом деле никто не знает.

    Фотоны

    Не может быть понимания камер без понимания фотонов.
    Современное представление о том, что может быть фотон, было развито Альбертом Эйнштейном в 1905-1917 годах. Название «фотон» происходит от греческого слова, обозначающего свет, и было придумано в 1926 году физиком-химиком Гилбертом Н. Льюисом 1 , когда физики изо всех сил пытались справиться с этой скользкой рыбой. Фотон представляет собой электромагнитный «волновой пакет» и может вести себя как волна или частица в зависимости от эксперимента.Будет справедливо сказать, что никто по-настоящему не понимает фотоны, тем не менее, мы можем моделировать их поведение и использовать их так, как если бы мы это делали.

    Для целей этого раздела фотон — это частица света. Фотоны — это дискретные частицы (т.е. у вас не может быть и половины фотона), и они являются воплощением энергии в электромагнитной форме. Их энергия точно квантована (благодаря квантовой теории), и эта энергия определяет цвет света. Высшие энергии — синие, нижние — красные, а зеленый — посередине.Световая энергия выходит за пределы видимого спектра, но нам не нужно здесь останавливаться.

    • Фотоны видимого света очень малы: зеленый фотон имеет длину волны 555 нм. Если бы в пакете было 20 волн, он был бы примерно 1/100 миллиметра в поперечнике. Не то чтобы вы должны пытаться визуализировать их, они не следуют реальности, как мы ее знаем.
    • Они движутся ОЧЕНЬ быстро: 300 000 км / с, максимальная скорость, возможная для физических объектов (законы физики распространяются быстрее).
    • Они содержат ОЧЕНЬ небольшое количество энергии. Их энергия пропорциональна их частоте согласно формуле Планка. Зеленые фотоны имеют энергию 3,58 × 10 -19 Дж.
    • Их много: это тоже хорошо, так как они несут так мало энергии. Квадратный метр верхних слоев атмосферы Земли получает около 1300 Вт (см. Сноску 2 ) солнечного излучения, когда солнце находится прямо над ним (не все это достигает земли). Это 3,6х10 21 фотонов в секунду!

    Фотонный поток

    Теперь давайте свяжем это с камерами и установим некоторые критерии в отношении потока фотонов для ряда реальных фотографических ситуаций, включающих различные шаги пикселей и условия освещения.

    Максимальный поток фотонов на пиксель (выдержка 1/60 с)

    Звездный свет Тропики
    Полная
    Луна
    Гостиная
    Комната
    Шторм
    Темный
    Европейский
    Офис
    Пасмурно на открытом воздухе Яркий
    День
    Оттенок
    Полный
    Солнце
    Освещенность (люкс) см. Сноску 3 0,0001 1 50 100 500 1 000 900 30 15 000 80 000
    Энергия излучения (Вт / м²) 2.0×10 -7 2,0х10 -3 0,10 0,20 1,0 2,0 30 160
    Мощность на мкм² (Вт) 2,0х10 -19 2,0х10 -15 1. 0x10 -13 2,0х10 -13 1.0×10 -12 2,0х10 -12 3.0×10 -11 1,6х10 -10
    Энергия на мкм² за 1/60 сек (Дж) 3,3х10 -21 3,3х10 -17 1,7х10 -15 3,3х10 -15 1,7х10 -14 3,3х10 -14 5.0×10 -13 2,7х10 -12
    Фотонов на мкм² за 1/60 с 9.3х10 -3 93 4,700 9 300 900 30 47 000 93 000 1,4х10 6 7,4х10 6
    Фотонов на пиксель — 70 мкм² Шаг пикселя 0,65 6 500 330 000 650 000 3.3х10 6 6.5×10 6 9,8х10 7 5,2х10 8
    Фотонов на пиксель — 35 мкм² Шаг пикселя 0,33 3 300 160 000 330 000 1,6х10 6 3,3х10 6 4,9×10 7 2,6×10 8
    Фотонов на пиксель — 8 мкм² шаг пикселя 0. 074 740 37 000 74 000 370 000 740 000 1,1х10 ​​ 7 6.0×10 7
    Фотонов на пиксель — шаг пикселя 3 мкм² 0,028 280 14 000 28 000 140 000 280 000 4,2х10 6 2,2х10 7


    Достаточно фотонов для фотографии?

    Из этой таблицы мы видим, что да, полное солнце означает НАМНОГО больше фотонов, чем ночная гостиная, и да, датчик с шагом пикселя 70 мкм, используемый в Canon 5D mk1, получает намного больше фотонов, чем пиксели вашего типичного современный дерьмовый компакт с шагом 3 мкм (в 20 раз больше), вот и все, как и ожидалось.Но посмотрите на реальные цифры: SLR, снимающий в формате RAW, хранит 14 бит динамического диапазона, то есть 16000 различных уровней. Очевидно, что уровни должны увеличиваться как минимум с шагом в 1 фотон, поэтому вы можете подумать, что нам просто нужно 16 000 фотонов на пиксель в ярких точках, чтобы получить идеально чистое изображение. (Или мы бы сделали это, если бы человеческий глаз демонстрировал линейное восприятие. Подробнее об этом позже). Смеющийся! Даже в гостиной у нас гораздо больше, чем нам нужно. Что касается маленького компакта: в нем всего лишь 12-битный АЦП 4 , поэтому максимальный динамический диапазон составляет 4000 уровней.Снова смеюсь! Из него легко получается барная стойка для гостиной. «ФАНТАСТИКА!» ты говоришь. Все эти камеры сделают идеальные снимки прямо в вашей тусклой загородной гостиной. … Не так ли?

    К сожалению, нет! Свет просто так не работает. Но помните об этих контрольных цифрах, они будут важны позже. А пока сделайте себе кофе и пристегнитесь, потому что то, что будет дальше, довольно сложно.

    Распределение Пуассона

    Как правило, фотоны, падающие на поверхность, прибывают случайным образом, как люди, звонящие в колл-центр.Хотя среднее число , приходящее в секунду, является постоянным, фактическое число в любую заданную секунду значительно варьируется. Эта форма поведения моделируется распределением Пуассона, и это большая проблема конструкции сенсора и налагает одно из критических ограничений на разрешение изображения и миниатюризацию камеры.

    Коротко о распределении Пуассона

    На этом графике показано квантовое поведение света при низкой интенсивности. Это имитация того, что видит один пиксель, когда он сфокусирован на белом объекте при слабом освещении.Среднее количество фотонов — это мера интенсивности света, это среднее (или ожидаемое) количество фотонов, падающих на пиксель при данной экспозиции.

    График «Вероятность подсчета фотонов» использует распределение Пуассона, чтобы дать вероятность того, что пиксель получит количество фотонов для данного математического ожидания (среднего). Синие полосы — это вероятности, когда ожидается 1 фотон, бордовый — когда 2 и кремовый — когда 4. Обратите внимание, как распределение Пуассона приближается к стандартному распределению, когда ожидаемое количество попаданий достигает 4 и выше.

    Пуассоновский шум

    Чтобы получить точное изображение объекта, каждый пиксель должен иметь правильный цвет и интенсивность. Для этого в каждый фотосайт должно быть нанесено ожидаемых фотонов. Вот проблема: глядя на график, мы видим, что, когда ожидается всего 1 фотон, есть только 36% -ный шанс получить этот результат, есть равные шансы ничего не получить и почти равные шансы получить больше, чем 1. Если 0 фотонов соответствует черному цвету, 1 — серому, 2 — ½ тону, 3 — тону и 4 — белому, то ваше изображение, которое должно быть однородным ¼ серым, будет состоять из случайных точек, 36% черного, 36% тона, 18% ½ тона, 6% тона и 4% белого.Случайный беспорядок! Я значительно уменьшил динамический диапазон в этом примере, чтобы подчеркнуть суть. В реальном мире, в ваших тенях, пятнышек не будет максимальным, но они все равно будут выделяться. Также помните, что ваши пиксели не являются монохроматическими, они состоят из 4 отдельных фотосайтов (по 1 для красного и синего и 2 для зеленого), и каждый из них подвержен распределению Пуассона, поэтому вы получаете случайные цвета, а также случайную интенсивность. в твоих шумовых пятнах.

    Наихудшие крапинки появляются, когда фактическое количество фотонов очень далеко от ожидаемого.Худший случай возникает, когда вы ожидаете только 1 фотон. По мере увеличения интенсивности света количество ожидаемых фотонов увеличивается, и хотя все еще есть вариации в том, сколько каждый фотосайт получает, вариация на относительно меньше на . К тому времени, когда вы дойдете до ожидаемых 4 фотонов на экспозицию, есть 90% шанс получить от 1 до 7 фотонов. Это звучит больше, чем в предыдущем примере, но относительно меньше, потому что вы расширили определение пикселей.Если 2-6 фотонов соответствуют тону серого и 0-2 фотона черному, то 6-10 соответствуют ½ тона, 10-14 тону и 14+ белому. Из графика вы можете видеть, что теперь у вас будет примерно 17% черного, 65% тона, 17% ½ тона, 1% тона и почти ничего белого. У вас все еще есть крапинки, но это большое улучшение.

    Шум изображения с реальной камеры в нижнем, нижнем, среднем и среднем диапазонах. D60 ISO1600 4xMag.

    Коэффициент Пуассона

    Распределение Пуассона ведет себя во многом как гауссово (или нормальное) распределение, когда среднее значение превышает 20.Если мы разделим ожидаемое количество попаданий на ширину основной части колокола (то есть на удвоенное стандартное отклонение), то мы получим меру ожидаемого относительных вариаций яркости пикселей. Эта мера очень похожа на «Q Factor» инженеров-электронщиков. На самом деле так близко, что я применил этот термин здесь, хотя это не совсем то же самое.

    Фактор Пуассона для больших отсчетов

    На этом графике показано, как увеличивается коэффициент добротности по мере увеличения интенсивности света.Более высокое значение Q означает меньшее относительное изменение яркости пикселей и, следовательно, более точное изображение. Например, Q = 2 достигается при среднем потоке фотонов 20. Это означает, что 68% пикселей получат от 15 до 25 совпадений (одно стандартное отклонение с каждой стороны от среднего), 13,6% между 10 и 15, 13,6 % от 25 до 30 (с учетом следующих стандартных отклонений) и только 0,3% за пределами этого диапазона. У нас есть 99,7% уверенности, что когда мы ожидаем 20 фотонов, мы получим от 10 до 30.

    Пуассоновское наложение

    Проблема больших относительных вариаций при малом количестве фотонов быстро решается увеличением среднего потока фотонов, но, когда дело доходит до камер, возникает еще одна проблема — Poisson Aliasing .Псевдонимы — это когда одно значение интерпретируется как другое. В этом случае, когда часть изображения, которая должна иметь определенную интенсивность, записывается как что-то еще.

    Это правда, что Poisson Noise (также известный как Shot Noise), описанные выше, и Poisson Aliasing , обсуждаемые здесь, на самом деле одно и то же, но то, как они проявляются в фотографических изображениях, и способы борьбы с ними совершенно разные, поэтому Я решил различать их. Для целей этой диссертации я буду называть экстремальное хаотическое поведение при очень низких счетах фотонов Poisson Noise , а более плавное и коварное поведение во всем остальном динамическом диапазоне — Poisson Aliasing . Это две стороны одной медали — распределения Пуассона.

    Пуассоновское наложение

    Из этого графика видно, как вероятности Пуассона от одного среднего сильно перекрывают соседние средние. Чтобы получить правильное изображение, датчик должен записывать средний уровень для данного пикселя, но датчик не знает, что это среднее, он знает только, сколько фотонов он получил. Как видно из графика, не существует единого среднего значения для любого заданного количества фотонов.Например, количество фотонов 18 может означать истинное среднее значение 16, 17, 18, 19, 20 и других. Вероятности того, что истинное среднее значение равно 16, 17, 18, 19, 20, довольно близки, поэтому мы действительно не можем ожидать, что изображение, полученное путем простого подсчета фотонов на пиксель, будет точным.

    Единственный способ обойти эту проблему — сгруппировать счетчики фотонов в разделы, где разделение центрируется вокруг заданного среднего значения с границами, установленными на заданных доверительных пределах от среднего. Эти доверительные пределы обычно выражаются в стандартных отклонениях, так что, например, если границы установлены на уровне ± 1 SD, то у нас есть 68% уверенность в том, что если количество пикселей попадает в этот раздел, оно принадлежит центральному среднему.Более поздние графики показывают, как это работает.

    Проблема на светлом конце

    Давайте возьмем идеализированную камеру с динамическим диапазоном 16 бит на цвет и рассмотрим, что происходит, когда она делает снимок идеального объекта, который демонстрирует соответствующий динамический диапазон 16 бит. Горячие пиксели (те, которые записывают самые яркие части изображения) будут записывать в 2 16 раз больше попаданий, чем холодные пиксели (те, которые записывают черный). Нам нужен достаточный коэффициент добротности, чтобы в большинстве случаев, когда мы ожидаем зарегистрировать наивысшее значение, мы не регистрировали второе по величине.

    Если мы хотим, чтобы каждый пиксель был на 68% правильным, мы должны размещать границы пикселей с шагом в два раза больше SD. Если мы хотим, чтобы каждый пиксель был правильным на 99,7%, тогда они должны быть с 4-кратным приращением. Распределение Пуассона обладает уникальным свойством: его среднее значение равно квадрату его стандартного отклонения. Это приводит к тому, что для установки максимального количества пикселей мы должны умножить требуемый динамический диапазон на ширину раздела в SD и получить результат в квадрате .

    Для 16-битного динамического диапазона и 4 SD ширины нам нужно 2 36 фотонов, попадающих в самый яркий пиксель.Это примерно 6,9х10 10 фотонов! Что ж, ни одна камера в приведенном выше списке даже близко не улавливает такое количество фотонов на пиксель. Если мы забудем о «почти определенном» уровне дискриминации и просто будем стрелять без промедления, мы получим цифру 1,7х10 10 фотонов, о которой все равно не может быть и речи. Это хорошая причина не использовать 16-битное разрешение. Система этого не примет.

    Сегодняшние SLR требуют только 14-битного разрешения, но если мы разрешим разделение уровней на 2 SD, то можно ожидать (16,384 x 2) 2 = 1. 1×10 9 фотонов в горячих пикселях. Опять же, даже 35-миллиметровый датчик на полном солнце не даст вам этого. Следовательно, мы видим, что заявить о разрешении в 14 бит нереально, но из-за современной маркетинговой практики такое поведение стало стандартной практикой для всех производителей.

    Обычно мы можем ожидать, что RAW обеспечит максимум 2 стопа с каждой стороны 8-битного JPG на канал. Это 12 бит, так что давайте посмотрим, что произойдет при таком разрешении.

    12 бит на канал, разрешение по интенсивности

    Разрешение

    12 бит — это 4096 различных уровней.Если мы будем разделять уровни на 2 SD, мы можем ожидать (4096 x 2) 2 = 6,7×10 7 фотонов в горячих пикселях. Стандартная зеркальная фотокамера (датчик APS-C) улавливает такое количество фотонов на пиксель в яркой тени или качественная компактная камера на полном солнце. По крайней мере, там мы находимся в пределах видимости от бейсбольного стадиона. Стандартное отклонение на горячем конце составляет 8192 фотона, поэтому наши перегородки в этом случае будут вдвое больше, или 16 384 фотона в ширину. Это означает, что когда мы должны получать 6,7×10 7 фотонов, мы можем иметь это значение до 8192 фотонов ниже или больше, и при этом классифицироваться как самый горячий уровень, то есть уровень 4096.

    Я вставил эти параметры в электронную таблицу и построил следующие графики, чтобы проиллюстрировать эту точку зрения. (Между прочим, для этих вычислений распределения Пуассона с большим средним мне пришлось использовать распределение Гаусса. Не многие программы расчета будут выполнять 1 миллион факториала, это просто слишком много.)

    Дискриминация линейного разделения в стандартных отклонениях для 12-битного динамического диапазона

    Здесь мы видим, насколько хорошо каждый динамический уровень отличается от своих соседей.Обратите внимание, что, как и ожидалось, проблема в горячем конце, хотя в среднем диапазоне все еще наблюдается небольшой переход. Проблемный хотэнд разделен на квазииндивидуальные колокола для каждого динамического уровня, хотя колокола не полностью разделены, и 32% полученных фотонов все еще попадают на соседние уровни. Однако это довольно небольшой эффект, и я сомневаюсь, что его можно увидеть в реальном мире. Если бы максимальное количество фотонов было значительно уменьшено, мы бы увидели бы гораздо более мелкие колокольчики, перекрывающие друг друга гораздо сильнее на верхнем конце, и потеря дискриминации была бы заметна.

    Это разумный результат, но он не будет работать в помещении с SLR, тем более с компактным. И это не соответствует поведению человеческого глаза. Пора переходить к следующему этапу нашего пути.

    Если вы хотите проверить мои расчеты или поиграться с параметрами для себя, то «будь моим гостем»! Вот таблица.

    Кстати. В этот момент вы можете спросить: «Что все эти разговоры о проблемах с ярким концом? Я знаю по своей камере, что большая часть шума находится в тени.«Что ж, да, когда вы посмотрите на готовое изображение, выглядит как , а выглядит как , чтобы противоречить этому анализу, но я уверяю вас, что это не так! Истинное объяснение этого эффекта довольно сложно, и я буду иметь дело с ним и дальше, когда я пройду больше.

    Границы | Обработка данных двухфотонных изображений кальция в реальном времени, включая коррекцию артефактов бокового движения

    Введение

    Двухфотонная визуализация кальция широко используется для визуализации активности нейронов у бодрствующих животных.Нейроны насыщены кальций-чувствительным красителем или, что более часто, экспрессируются генетически кодируемым индикатором кальция, так что их флуоресцентный сигнал отражает пиковую активность нейронов. Однако нервная активность — не единственная причина изменения сигнала флуоресценции. Записанный фильм часто влечет за собой некоторые артефакты, такие как артефакты движения, вызванные движениями тела бодрствующих животных, и базовые изменения, часто наблюдаемые при непрерывной съемке. Чтобы лучше определить нервную активность по сигналу флуоресценции, очень важно исправить эти артефакты.Из артефактов движения можно исправить с помощью вычислений боковое движение. Таким образом, коррекция бокового движения стала решающим шагом в обработке изображений кальция от бодрствующих животных. После удаления артефакта движения определяются интересующие области (ROI) и вычисляется средняя интенсивность флуоресценции пикселей в каждой ROI. Отношение переходной флуоресценции кальция к предполагаемому исходному уровню рассчитывается, чтобы сделать вывод о пиковой активности клетки. Этот процесс определения соотношения также может сделать вывод менее чувствительным к постепенному смещению ROI, если он не исправлен с помощью коррекции бокового движения.В экспериментах с обратной связью в реальном времени все этапы обработки изображения должны выполняться для каждого кадра с минимальной задержкой, а параметры нельзя настраивать итеративно, оценивая результат. Если параметры зависят от условий визуализации, они должны быть настроены и установлены в начале эксперимента, а неудачный выбор правильных параметров приведет к аннулированию эксперимента. Следовательно, быстрый интегрированный конвейер для удаления этих артефактов с небольшим количеством параметров является предпосылкой для экспериментов с замкнутым циклом в реальном времени.

    TurboReg (Thévenaz et al., 1998) широко используется для исправления артефактов бокового движения. Он использует подход пирамиды и сначала строит пирамиду изображений из серий уменьшенных изображений. Преобразование с конечным разрешением получается путем оптимизации с использованием преобразования, оцененного с уменьшенным изображением в качестве начального значения, и этот шаг повторяется рекурсивно несколько раз. Предостережение при уменьшении масштаба изображения заключается в том, что, когда изображение слишком сильно уменьшено, процесс может удалить мелкие пространственные особенности, важные для коррекции движения.

    Двухфотонные микроскопы обычно используют возбуждающий свет для сканирования по образцу, и движение во время сканирования может не только сдвигать, но и искажать изображение, потому что каждый пиксель или линия сканируются в разное время. Сообщается, что несколько методов, основанных на скрытой марковской модели (Dombeck et al., 2007) и оптическом потоке (Greenberg and Kerr, 2009), исправляют искажения, возникающие в приложениях с низкой скоростью сканирования.

    TurboReg может исправлять артефакты движения с преобразованием до четырех ориентиров, но может быть полезно выровнять более четырех ориентиров при отображении большего поля зрения.Недавно сообщалось, что NoRMCorre (Pnevmatikakis and Giovannucci, 2017) оценивает нежесткое преобразование для такого приложения. Этот метод разбивает поле изображения на перекрывающиеся участки, оценивает перемещение каждого участка и увеличивает дискретизацию дислокации, чтобы получить перемещение в каждом пикселе. Этот метод требует, чтобы каждый патч содержал достаточно пространственного сигнала, чтобы обеспечить покадровое выравнивание, и может быть неприменим, если маркировка разреженная или слабая. Если некоторые участки не содержат достаточно пространственных объектов, выравнивание участка может быть нестабильным и влияет на регистрацию соседних пикселей.Scanbox, программное обеспечение для обработки изображений на основе Matlab, включает функцию автоматической стабилизации путем выравнивания нескольких выбранных вручную подобластей в реальном времени (Ringach), но детали реализации и анализ производительности не публиковались.

    Эти предыдущие методы коррекции движения, как правило, настолько медленные, что могут стать аналитическим узким местом. Таким образом, были предприняты усилия для повышения скорости коррекции движения. Например, moco — это алгоритм быстрой коррекции движения, основанный на дискретном преобразовании Фурье и повышающей дискретизации с учетом кеш-памяти, обеспечивающий более быструю коррекцию движения, чем TurboReg (Dubbs et al., 2016). Подобно TurboReg, moco минимизирует расстояние L2 между шаблоном изображения и скорректированным изображением, нормализованным по площади перекрытия, от всех возможных попиксельных сдвигов. Он был написан на Java как подключаемый модуль ImageJ и, как сообщается, имеет производительность, близкую к производительности в реальном времени при анализе post hoc . В то время как moco может только оценивать трансляцию изображений, нежесткое преобразование может не потребоваться при высокой скорости сканирования, которая стала более распространенной для резонансных сканеров, потому что она может сделать внутрикадровое искажение незначительным. Фактически, алгоритмы коррекции движения, основанные на перемещении, широко использовались в анализе post hoc , хотя это может быть проблематично при более высоком масштабировании, на которое могут повлиять небольшие смещения внутри кадра. В этом исследовании мы сосредоточились на жесткой коррекции перевода.

    Регистрация на основе дискретного преобразования Фурье исправляет артефакты движения с точностью до пикселя. Когда каждая область интереса содержит только небольшое количество пикселей, регистрация субпикселей может потенциально повысить точность оценки кальциевого сигнала.Регистрация изображения с повышенной дискретизацией — это подход к достижению субпиксельной точности, но он увеличивает объем вычислений для регистрации. Был введен эффективный метод для расчета только коэффициентов корреляции с повышенной дискретизацией вокруг оптимального попиксельного сдвига (Guizar-Sicairos et al., 2008). Это можно сделать без полного вычисления обратного дискретного преобразования Фурье для изображений, подвергнутых повышающей дискретизации, что снижает требования к памяти и время вычислений. Однако сообщалось, что общая точность регистрации была ниже по сравнению с moco или TurboReg при применении к изображениям из двухфотонной кальциевой визуализации (Dubbs et al., 2016).

    Обсуждаемые выше алгоритмы представляют собой алгоритмы регистрации на основе интенсивности. В качестве альтернативы для исправления артефактов движения можно использовать регистрацию на основе признаков (Aghayee et al., 2017). Это может быть полезно, когда особенности легко распознаются в каждом кадре, но может не работать, когда отношение сигнал / шум низкое. На момент исследования реализация была недоступна (пустой репозиторий, доступ 8.07.2018), и в этом исследовании мы сосредоточились на регистрации на основе интенсивности.

    Недавние исследования начали использовать двухфотонную визуализацию кальция в экспериментах с обратной связью в реальном времени (Clancy et al., 2014; Hira et al., 2014; Prsa et al., 2017; Mitani et al., 2018). Они требуют быстрой обработки изображений в реальном времени, а коррекция бокового движения не реализована и игнорируется в большинстве этих исследований из-за технических трудностей. Однако визуализация бодрствующих животных обязательно включает артефакты движения, что привело ко многим исследованиям с post hoc анализом с использованием TurboReg и других алгоритмов регистрации изображений. Mitani et al. (2018) был первым, кто, насколько нам известно, сообщил об обработке изображений кальция в реальном времени с учетом коррекции бокового движения.В этом методе использовался метод восхождения на холм, чтобы уменьшить вычисление коэффициента корреляции между шаблоном и смещенными изображениями. Здесь мы сообщаем подробности и анализ производительности реализации коррекции быстрого движения, включая некоторые улучшения, внесенные нами с момента первоначального исследования. Помимо обработки изображений в реальном времени, этот метод также можно использовать для более быстрой обработки post hoc .

    После коррекции движения обычно идентифицируются области интереса и вычисляется относительное изменение средней интенсивности флуоресценции всех пикселей в каждой области интереса на основе оценки базовой линии средней интенсивности флуоресценции. Для оценки исходного уровня широко используются метод процентилей и метод устойчивого среднего, но каждый из них имеет недостатки.

    Метод

    Percentile оценивает базовый уровень, беря определенный процентиль временного ряда интенсивности флуоресценции. При визуализации кальция кальциевый сигнал имеет тенденцию к симметричному шуму и редкой положительной активности. Следовательно, процентиль, представляющий истинный базовый уровень, зависит от уровня активности. При отсутствии активности базовый уровень должен быть медианным распределением, тогда как он соответствует более низкому процентилю с большей активностью.Кроме того, когда указанный процентиль не соответствует истинной базовой линии, величина ошибки зависит от уровня шума. При более высоком уровне шума оценка будет дальше от истинной базовой линии.

    Другой популярный метод оценки исходных условий — это надежное среднее. Этот метод вычисляет среднее значение сигнала, исключая выбросы, которые, как предполагается, в основном связаны с активностью кальция. Выбросы обычно определяются как значения, отличающиеся от среднего больше, чем установленный порог, например, 2 стандартного отклонения. Предположение для этого метода состоит в том, что среднее значение близко к истинному базовому уровню, что не является случаем, когда уровень активности высок и может привести к плохой оценке исходного уровня.

    Чтобы преодолеть эти проблемы общих методов, мы оценили базовый уровень, используя оценку плотности ядра. Оценка плотности ядра — это метод оценки плотности ядра из ограниченного числа выборок в предположении, что функция плотности ядра является гладкой. Плотность ядра — это распределение вероятностей, из которого создается каждый образец.После оценки пик плотности ядра приближается к центру базовой линии. Это только предполагает, что пики базового распределения находятся в центре с симметричным шумом, и пик выше, чем плотность ядра при значениях флуоресценции во время кальциевых событий. Получение пика плотности ядра непрерывного распределения сравнимо с взятием режима дискретного распределения. Поэтому мы предположили, что существует небольшая систематическая ошибка из-за повышенной активности и повышенного шума. Кроме того, этот метод не предполагает конкретного распределения шума и имеет меньше параметров, чем два других метода.Здесь мы рассмотрели три базовых алгоритма оценки.

    Материалы и методы

    Экспериментальные методы

    Животные

    Все процедуры соответствовали протоколам, утвержденным Комитетом по уходу и использованию животных UCSD, и руководящим принципам Национального института здоровья США. Всех животных помещали в одноразовые пластиковые клетки со стандартной подстилкой в ​​комнате с обратным световым циклом (12 ч / 12 ч). Обычно эксперименты проводились в темное время суток.Скрещивание между CaMK2a-tTA [JAX 003010] и tetO-GCaMP6s [JAX 024742] использовали для визуализации клеточного тела. Все животные имели фон C57bl / 6.

    Хирургия

    Хирургические процедуры были выполнены, как описано ранее (Mitani et al. , 2018). Взрослых мышей (самцы и самки старше 6 недель) анестезировали изофлураном и вводили подкожно байтрил (10 мг / кг), дексаметазон (2 мг / кг) и бупренорфин (0,1 мг / кг) для предотвращения инфекции, воспаления и дискомфорта. . К черепу приклеивали нестандартную головную пластину.Краниотомия (~ 3 мм) выполнялась над правой каудальной областью передней конечности (300 мкм спереди и 1500 мкм латеральнее от брегмы). Смесь AAV1.Syn.Flex.GCaMP6f (конечное разведение 1: 5000–10000) и AAV1.CMV.PI.Cre (конечное разведение 1: 2), разведенных в физиологическом растворе, вводили 20–30 нл в 3–5 участков (∼ Глубиной 250 мкм, ∼500 мкм друг от друга) для визуализации дендритов. Эксперименты проводились не менее чем через 7 дней после операции.

    Изображения

    Получение изображений проводили с помощью коммерческого двухфотонного микроскопа (Bscope, Thorlabs) с использованием объектива 16x (NIKON) с возбуждением на длине волны 925 нм (Ti-Sa лазер, Ньюпорт).Изображения были получены с помощью ScanImage 4 (Vidrio Technologies). Визуализацию проводили у бодрствующих животных. Изображения (512 × 512 пикселей) были получены при ∼28 Гц.

    Вычислительные методы

    Коррекция движения (общая)

    Сначала шаблонное изображение было сгенерировано из 1000 кадров изображения, полученных до экспериментов. Используя метод сопоставления шаблонов OpenCV (поясняется позже), первые 500 изображений были выровнены по среднему значению последних 500 изображений, последние 500 изображений были выровнены по среднему значению из 500 исправленных изображений и среднему значению всех 1000 исправленных изображений. использовались в качестве шаблона.

    Максимальный абсолютный сдвиг (м) в каждом направлении был установлен равным 1/4 ширины (w) и высоты (h) изображения. С каждого края изображения шаблона было обрезано m пикселей, чтобы занять центральную часть [(w-2m) × (h-2m) пикселей]. Чтобы исправить артефакт движения каждого изображения, цель состоит в том, чтобы найти место на изображении, которое лучше всего соответствует этой центральной части шаблона и максимизирует коэффициент корреляции, который используется в качестве метрики сходства (обзор в Zitová and Flusser, 2003).

    Коррекция движения (метод восхождения на холм)

    Вместо глобального максимума, локальный максимум может быть достигнут итеративно с помощью техники восхождения на холм (обсуждается у Лукаса и Канаде, 1981).Пусть (x, y) будет текущей позицией, где сдвиг максимизирует коэффициент корреляции среди всех сдвигов, протестированных до этой точки. Коэффициенты корреляции для сдвигов (x + 1, y), (x-1, y), (x, y + 1) и (x, y-1) вычисляются, и если есть какой-либо сдвиг, который увеличивает корреляцию коэффициент, текущая позиция обновляется на 1 пиксель, чтобы максимизировать коэффициент корреляции. Этот шаг повторяется до тех пор, пока текущее положение не достигнет локального максимума. Чтобы оценить вычислительную сложность, мы используем здесь большую нотацию O, чтобы указать, как требования ко времени выполнения растут по мере увеличения размера входных данных.Когда алгоритм требует времени O (n) для ввода размера n, это означает, что время вычислений линейно или меньше зависит от n. Предполагая, что путь несколько прямой, вышеупомянутый метод подъема на холм требует O (m) шагов для схождения, и каждый шаг занимает O (wh) времени. Следовательно, вычислительная сложность алгоритма в предположении составляет O (mwh).

    Сложность может быть дополнительно уменьшена с помощью пирамидального подхода (Adelson et al., 1984). Выравнивание изображений, уменьшенных на 2, занимает 1/8 времени, и соответствующий сдвиг в исходном изображении должен дать хорошую оценку.Это может не дать точного максимума, но разница должна быть небольшой, если уменьшенные изображения имеют достаточно функций для коррекции движения. Использование этого сдвига в качестве начального сдвига ограничивает количество ожидаемых шагов до достижения конечной цели. При достаточно глубокой пирамиде изображений вычислительная сложность приближается к O (wh). Однако он требует, чтобы пространственные особенности для выравнивания были доступны на всех уменьшенных изображениях, а практически слишком глубокая пирамида делает алгоритм нестабильным (Dubbs et al. , 2016).

    Коррекция движения (метод плотного поиска)

    Чтобы достичь глобального максимума, необходимо вычислить коэффициенты корреляции для всех возможных сдвигов. В простейшей реализации вычислительные затраты на вычисление коэффициента корреляции пропорциональны количеству пикселей, которое составляет O (wh), и есть O (m 2 ) сдвигов потенциала. Таким образом, вычислительная сложность наивного алгоритма составляет O (m 2 wh). Это может быть слишком медленно для применения к изображению с исходным разрешением, но время быстро сокращается по мере дальнейшего уменьшения масштаба изображения, поскольку оно пропорционально квадрату количества пикселей (обратите внимание, что m пропорционально w и h) .Мы применили этот метод для оценки оптимального смещения для самого уменьшенного изображения пирамиды изображений в сочетании с методом подъема на холм в каждом масштабе, как описано выше.

    Коррекция движения (метод сопоставления с шаблоном OpenCV)

    Цель такая же, как и у метода восхождения на холм, но с помощью функции matchTemplate OpenCV она вычисляет коэффициент корреляции для каждого возможного сдвига, чтобы достичь глобального максимума. Функция внутренне использует дискретное преобразование Фурье.Теорема корреляции утверждает, что коэффициенты корреляции могут быть эффективно вычислены из преобразований Фурье изображений с использованием быстрого преобразования Фурье (Brown, 1992). Чтобы увеличить скорость вычислений, изображение может быть сначала уменьшено, а затем сдвиг может быть умножен на исходное разрешение, даже если это уменьшит разрешение коррекции движения, если не применяется регистрация субпикселей.

    Коррекция движения (регистрация субпикселей)

    Во многих экспериментах по визуализации кальция области интереса невелики (~ 10 пикселей в ширину), и регистрация субпикселей может повысить точность оценки активности кальция.Регистрация субпикселей выполнялась с помощью оптимизации (Thévenaz et al., 1998) или повышающей дискретизации (Guizar-Sicairos et al., 2008), но у каждого из них есть проблемы со скоростью или точностью (Dubbs et al., 2016). Здесь мы использовали подход параболической подгонки (Debella-Gilo and Kääb, 2011), который быстрее и больше подходит для приложений в реальном времени. Регистрация субпикселей была достигнута путем нахождения пика тепловой карты коэффициента корреляции с точностью до субпикселей с использованием параболической аппроксимации. В методе восхождения на холм он использует пользовательскую реализацию на C ++ с использованием 5 точек на тепловой карте (пик и соседние точки в 4 направлениях).По оси x или y коэффициент корреляции точки пика и двух соседних точек соответствует параболической кривой, а пик параболической кривой использовался в качестве субпиксельной оценки положения пика в этой оси. ось. В методе OpenCV использовалась такая же реализация алгоритма Уильяма Ардена (minMaxLocSubPix).

    Измерение эффективности методов коррекции движения

    Цель наших методов — максимизировать коэффициент корреляции между двумя изображениями с боковыми смещениями.Алгоритмы коррекции движения путем максимизации некоторой метрики сходства для боковых смещений широко используются, например, TurboReg (Thévenaz et al., 1998) и moco (Dubbs et al. , 2016), причем moco особенно близок к нашим методам (moco минимизирует расстояние L2 , а максимальное увеличение коэффициента корреляции эквивалентно минимизации расстояния L2 после нормализации).

    Чтобы оценить точность алгоритмов, мы исследовали, как на коррекцию влияет добавление случайных сдвигов (до 16 пикселей для нейронного ансамблевого изображения и до 8 пикселей для отображения дендритов по осям x и y ) .Для каждого кадра мы повторно применяли случайные сдвиги перед коррекцией движения 100 раз, и мы исследовали чистый сдвиг, который является суммой начального случайного сдвига и оцененного сдвига. Если алгоритм может корректировать начальные случайные сдвиги вместе с артефактами движения, чистые трансляции должны быть согласованными для различных случайных сдвигов. Если они не согласованы, это означает, что алгоритму не удалось выровнять изображения. Здесь кадры с ошибками коррекции движения определяются следующим образом: среди 100 случайных сдвигов есть по крайней мере пять чистых перемещений, которые отличаются от медианы 100 чистых перемещений более чем на 10 пикселей. Это было применено к изображениям на рисунках 1, 3 с алгоритмами и параметрами, рассмотренными на рисунках. Тест хи-квадрат использовался для сравнения частоты кадров с ошибками коррекции движения между различными методами.

    Рисунок 1. Сравнение скорости и стабильности с различными алгоритмами и параметрами для нейро-ансамблевой визуализации. Расчетные сдвиги (синий: ось Y , зеленый: ось X ) с различными алгоритмами и параметрами для визуализации тела клетки (512 × 512 пикселей, 1000 кадров).Плотный поиск был самым медленным даже на глубине 2, а меньшая глубина не учитывалась). Максимальный сдвиг для коррекции был установлен на 128 пикселей во всех условиях.

    Кроме того, скорость алгоритма, примененного к фильму 512 × 512 × 1000, была измерена с использованием следующих конфигураций:

    Оборудование: Intel Core i7 4790, 16 ГБ DDR3.

    Программное обеспечение: Windows 10, Matlab R2014a, OpenCV 3.2.0, Visual Studio 2013.

    Базовая оценка

    Три метода оценки исходного уровня, метод процентилей, метод устойчивого среднего и метод оценки ядерной плотности были исследованы в двух последовательных окнах из 2000 кадров с явной активностью кальция и без нее.Мы использовали разницу оценок между двумя окнами как показатель чувствительности метода к уровням активности. Сначала кадры были разделены на 100 бинов по 20 последовательных кадров. Для уменьшения масштаба 20 кадров были усреднены. Для понижающей дискретизации был выбран первый кадр в каждом бине, и 19 кадров были исключены. Понижение масштаба уменьшает покадровый шум за счет усреднения, а понижающая дискретизация имитирует, когда сигнал имеет больше покадрового шума. Из этих 100 значений метод процентилей использует 20-й процентиль в качестве базовой оценки.Для метода надежного среднего надежное среднее вычислялось путем исключения кадров с абсолютным стандартным отклонением больше 2. Этот шаг повторялся до сходимости с использованием вновь оцененных надежного среднего и стандартного отклонения на каждом этапе. Метод оценки плотности ядра использует пик оценки ядра, вычисленный функцией ksde density в Matlab (R2014a). Вкратце, это делается путем свертки гауссова ядра ширины, оптимизированного для выборок. Диапазон оценок в четырех условиях (первое и второе окно, уменьшение масштаба и уменьшение частоты дискретизации) сравнивался с помощью трех методов.

    В экспериментах в реальном времени каждые 20 кадров базовая линия каждой выбранной области интереса обновлялась следующим образом. Предыдущие 2000 кадров использовались для оценки исходного уровня. 2000 кадров сначала были разделены на 100 интервалов по 20 последовательных кадров, и была рассчитана средняя флуоресценция каждого интервала. Базовая линия была оценена как значение на пике оцененного распределения ядерной плотности из 100 средних значений. Скрипт для обработки интенсивности кальция в каждом кадре и оценки базового уровня доступен по адресу https: // github.com / amitani / baseline_kde.

    Результаты

    Коррекция движения

    Время, затрачиваемое на коррекцию движения, должно быть коротким, особенно в приложении для анализа в реальном времени. Хотя прямое сравнение времени вычислений, о котором сообщалось ранее, затруднительно, отчасти из-за того, что детали конфигурации часто не сообщаются, NoRMCorre, как сообщалось, исправил фильм размером 512 × 512 × 2000 за 40 с (жесткое преобразование) и 117 с (нежесткое преобразование). ) (Пневматикакис, Джованнуччи, 2017).Сообщалось, что moco исправляет видео размером 512 × 512 × 2000 за 90 секунд, тогда как TurboReg (Thévenaz et al., 1998) занимает 170 секунд (быстро) и 298 секунд (медленно), как сообщалось в том же исследовании (Dubbs et al., 2016). При 30 кадрах в секунду захвата изображения требуется 66 секунд для захвата 2000 кадров. Только жесткое преобразование с помощью NoRMCorre выполняется немного быстрее, но для обработки кадра по-прежнему требуется больше половины времени сбора данных. Учитывая накладные расходы на другие этапы, например, передачу изображения между процессами и оценку базовой линии, необходимо сократить время обработки для анализа в реальном времени.

    Мы сравнили три реализации коррекции движения на основе максимизации коэффициента корреляции. Наши методы похожи на moco, но вместо использования полного перекрытия мы взяли центральную часть изображения шаблона и попытались максимизировать коэффициент корреляции с соответствующей частью целевого изображения. Сначала мы опробовали метод восхождения на холм, чтобы найти локальный максимум. Для увеличения скорости использовался подход пирамиды. В этом подходе начальный сдвиг для подъема на холм определяется выравниванием уменьшенного изображения.Теоретически это становится быстрее с более глубокой пирамидой изображения, но не было значительного увеличения скорости, когда сдвиг был небольшим (рис. 1, левый столбец). Это связано с тем, что начальный сдвиг по умолчанию (без сдвига) достаточно близок к окончательному сдвигу.

    Недостаток метода подъема на холм состоит в том, что он не работает хорошо, когда истинная заключительная смена далека от начальной смены. По мере того, как путь становится длиннее, требуется больше вычислений, что делает его медленнее. Более того, если на пути есть другой локальный максимум, алгоритм может сходиться к локальному максимуму, а не к истинному окончательному сдвигу. Это может быть проблематичным в длительных экспериментах, когда медленный дрейф не был должным образом отрегулирован во время эксперимента. Чтобы смоделировать ситуацию, когда изображения далеки от шаблона, мы искусственно сдвинули каждый кадр изображения на 32 пикселя по осям X и Y перед коррекцией движения (рисунок 2). Без пирамиды изображений алгоритм почти никогда не сводился к истинному окончательному сдвигу; вместо этого он прыгал между локальными максимумами, о чем свидетельствуют внезапные скачки скорректированного расстояния (рис. 2, вверху слева). Пирамида изображений с четырьмя слоями требовалась для алгоритма, чтобы сходиться к тому же окончательному смещению, оцененному без дополнительного смещения (рис. 2, левый столбец).Однако глубокая пирамида изображений может привести к нестабильным результатам (см. Обсуждения), и это решение может быть неприменимо в других ситуациях.

    Рис. 2. Сравнение скорости и устойчивости с различными алгоритмами и параметрами с искусственно добавленными фиксированными сдвигами для нейронного ансамбля. То же, что и на рисунке 1, с фиксированными сдвигами (32 пикселя по оси X и Y ), искусственно добавленным перед коррекцией движения.

    Чтобы преодолеть это, мы выполнили плотный поиск, чтобы выровнять наиболее уменьшенное изображение пирамиды изображений, вычислив коэффициенты корреляции для всех возможных сдвигов, чтобы найти глобальный максимум (рисунок 2, средний столбец).С пирамидой изображения, уменьшающей изображение дважды, этот алгоритм может сходиться к тому же окончательному сдвигу, который был первоначально оценен, без дополнительного сдвига, отличного от алгоритма восхождения на холм. Однако это было реализовано путем наивного исчерпывающего перебора, замедляющего скорость с мелкой пирамидой изображений или без нее.

    В качестве альтернативы мы использовали функцию matchTemplate в OpenCV для поиска всех возможных сдвигов для достижения глобального максимума. Когда для сокращения времени вычислений использовалось масштабирование, предполагаемый сдвиг был преобразован для исходного разрешения изображения с помощью параболической аппроксимации (подъем на холм не использовался). Этого было достаточно быстро, чтобы применить к уменьшенному в 2 раза изображению, и он был более точным, чем метод восхождения на холм с аналогичной скоростью.

    Мы дополнительно исследовали производительность алгоритмов с разреженно размеченными данными изображения дендритов (рис. 3). Эти данные более сложны для коррекции движения, потому что артефакт движения сильнее при более высоком увеличении, а сигнал имеет тенденцию быть слабее в дендритах. Результаты показывают, что выравнивание становится нестабильным, когда изображение слишком сильно уменьшено (рисунок 3, нижний ряд), а метод восхождения на холм нестабилен без пирамиды изображений или с пирамидой неглубоких изображений (рисунок 3, левый столбец).Чтобы имитировать более серьезные артефакты движения, мы добавили случайный сдвиг до 8 пикселей в каждом направлении в каждом кадре (рис. 4). Результаты дополнительно демонстрируют скорость и стабильность метода сопоставления шаблонов OpenCV в более суровых условиях. Интересно, что оценка становится более шумной с методом сопоставления шаблонов OpenCV, когда применяется к более уменьшенным изображениям. Это связано с тем, что на оценку влияет то, как пиксели разделяются на участки для уменьшения масштаба. Обратите внимание, что этот эффект незначителен, когда изображение масштабируется только до 2 раз.

    Рисунок 3. Сравнение скорости и стабильности с различными алгоритмами и параметрами для построения изображения дендритов. То же, что на рисунке 1, применительно к визуализации дендритов.

    Рисунок 4. Сравнение скорости и стабильности с различными алгоритмами и параметрами с искусственно добавленными случайными сдвигами для построения изображения дендритов. То же, что на рисунке 1, применительно к визуализации дендритов со случайными сдвигами (до 8 пикселей в каждом направлении), добавленными искусственно перед коррекцией движения.Для визуализации эти искусственно добавленные сдвиги были вычтены перед нанесением на график скорректированных расстояний.

    Чтобы предоставить один пример набора количественных оценок точности показанных алгоритмов, мы исследовали количество кадров с ошибками коррекции движения (методы). Для нейронной ансамблевой визуализации (из рисунка 1) используется метод восхождения с пирамидой изображений из 4 слоев, методы плотного поиска с пирамидами изображений из 2, 3 и 4 слоев и методы OpenCV с коэффициентами уменьшения 1, 2, 4. , 8 и 16 не имели кадров с ошибками коррекции движения.Напротив, методы восхождения с 0, 1, 2 и 3 слоями пирамид изображений имели 1000 ( p <0,0001, критерий хи-квадрат, сравнение с методами без ошибок; то же самое применимо и далее), 881 ( p <0,0001), 266 ( p <0,0001) и 4 ( p = 0,0453) кадров соответственно. Для получения изображений дендритов (из рисунка 3) методы плотного поиска с 2 и 3 слоями пирамид изображений и методы OpenCV с коэффициентами масштабирования 1, 2, 4 и 8 не имели кадров с ошибками коррекции движения.Методы восхождения на холмы с 0, 1, 2, 3 и 4 слоями пирамид изображений имели 829 ( p <0,0001), 728 ( p <0,0001), 423 ( p <0,0001), 173 ( p <0,0001) и 74 ( p <0,0001) кадра с ошибками коррекции движения соответственно, а метод плотного поиска с пирамидой изображений из 4 слоев и метод OpenCV с коэффициентом масштабирования 16 имели 78 ( p <0,0001) и 32 ( p <0,0001) кадра с ошибками коррекции движения соответственно. Эти результаты подтверждают, что при больших сдвигах методы подъема на холм не могут найти глобальный максимум, сходясь к локальному максимуму, и что коррекция движения становится нестабильной, если изображения слишком уменьшены.

    Среди алгоритмов и параметров, рассмотренных в текущем исследовании, мы пришли к выводу, что применение метода OpenCV к дважды уменьшенному изображению лучше всего уравновешивает скорость и точность в наших экспериментах. Это была самая быстрая комбинация, которая не вызывала ошибок коррекции движения, даже когда коэффициент масштабирования был увеличен вдвое или в четыре раза.На рисунке 5 показано улучшение сигналов флуоресценции от коррекции движения.

    Рисунок 5. Влияние коррекции движения на сигнал флуоресценции кальция. Расчетные сдвиги (синий: ось Y , зеленый: ось X ) (верхний ряд) , сигнал флуоресценции кальция (средний ряд) и усредненные изображения (нижний ряд) изображений тела клетки (слева столбец) и изображение дендритов (правый столбец) . Сигнал флуоресценции кальция оценивался без коррекции движения (синие линии) и с коррекцией движения (красные линии).Синие треугольники указывают, когда коррекция движения улучшает сигналы. Области интереса для сигналов флуоресценции кальция обведены красным на средних изображениях. Для коррекции движения использовался метод OpenCV с дважды уменьшенными изображениями.

    Базовая оценка

    Мы сравнили исходную оценку на двух последовательных окнах по 2000 кадров с явной активностью кальция и без нее. Мы использовали разницу оценок между двумя окнами как показатель чувствительности метода к уровням активности.Кроме того, чтобы имитировать повышенный шум, мы сравнили понижающую дискретизацию и усреднение бинов (рис. 6). Эти результаты показывают, что оценки методом ядерной оценки плотности были наиболее надежными в различных условиях, даже при повышенной активности и повышенном уровне шума.

    Рисунок 6. Сравнение методов оценки процентиля, устойчивого среднего и ядерной плотности для базовой оценки. (A) Анализ окна из 2000 кадров с небольшой активностью кальция.Синяя линия показывает необработанный сигнал, а красная линия показывает сигнал после биннинга и усреднения каждые 20 кадров, который использовался для базовой оценки (вверху). Гистограмма интенсивности сигнала. Красная линия указывает оценку плотности ядра. Треугольник с пунктирной линией обозначает 20-й процентиль, сплошная линия обозначает пик оценки плотности ядра, ромб с пунктирной линией обозначает устойчивое среднее (исключая значения не в пределах 2 SD от среднего) (Среднее). Кумулятивная функция плотности распределения интенсивности (синяя линия) (внизу). (B) То же, что и (A) на следующих 2000 кадрах до (A) . Это окно содержит высокий уровень активности кальция. (C, D) То же, что (A, B) с понижающей дискретизацией. Красная линия показывает сигнал, субдискретизированный на 20 (исключая 19 кадров из 20 кадров), который в дальнейшем используется для оценки базовой линии (вверху). Обратите внимание, что только метод оценки плотности ядра выявил согласованные базовые значения в усредненных и субдискретизированных данных.

    Реализация обработки изображений в реальном времени для экспериментов с замкнутым циклом

    Мы разработали конвейер обработки изображений в реальном времени для двухфотонной визуализации кальция для экспериментов с замкнутым контуром, который включает коррекцию бокового движения со сравнимой точностью с популярными методами post hoc , а также улучшенный метод оценки базовой линии.В конвейере каждое изображение сначала копируется в файл с отображением в память во время получения настраиваемым плагином для ScanImage 4. Пользовательское приложение Qt GUI считывает каждое изображение из файла с отображением памяти, исправляет артефакт движения с помощью OpenCV метод сопоставления с шаблоном и сохраняет исправленное изображение в другом файле с отображением в память. Другой экземпляр Matlab считывает скорректированное изображение из файла с отображением в память, вычисляет среднюю интенсивность пикселей для каждой области интереса, оценивает базовый уровень и вычисляет ΔF / F. Эта информация об относительном изменении флуоресценции в дальнейшем используется в эксперименте с замкнутым контуром.

    Обсуждение

    Здесь мы обсудили нашу реализацию алгоритмов коррекции быстрого движения и оценки базовой линии для обработки изображений в реальном времени при двухфотонной кальциевой визуализации. Насколько нам известно, это первый сообщенный конвейер обработки изображений в реальном времени, не относящийся к конкретной платформе формирования изображений, для экспериментов с замкнутым циклом с коррекцией артефактов движения. Исходный код реализации размещен в общедоступных репозиториях на GitHub.Мы включили плагин для ScanImage, и он также будет работать с другими платформами обработки изображений на основе Matlab с минимальными изменениями. Более ранняя версия реализации использовалась в предыдущем исследовании для экспериментов с обратной связью в реальном времени (Mitani et al., 2018).

    Наша реализация коррекции движения значительно быстрее, чем сообщалось ранее, при сохранении точности за счет глобального максимума коэффициента корреляции. Используя обычный персональный компьютер, наш метод сопоставления шаблонов OpenCV с уменьшением масштаба в два раза обработал фильм размером 512 × 512 × 1000 менее чем за 3 секунды, в то время как moco (Dubbs et al., 2016) и NoRMCorre (Pnevmatikakis and Giovannucci, 2017) (жесткий), как сообщается, для обработки фильма размером 512 × 512 × 2000 требуется 40 и 90 с соответственно.

    Изображения часто уменьшаются, чтобы уменьшить вычислительные затраты на коррекцию движения, например, метод пирамиды изображений в TurboReg (Thévenaz et al., 1998), но этот процесс может стирать мелкие пространственные особенности, необходимые для коррекции движения. В подтверждение этого в предыдущем исследовании сообщалось, что метод пирамиды изображений, уменьшающий изображение в 3 и 4 раза, дает серьезные ошибки (Dubbs et al., 2016). Мы наблюдали такие ошибки при построении изображений дендритов с помощью глубокой пирамиды изображений. С другой стороны, из-за итеративного процесса оптимизации метод подъема на холм с неглубокой пирамидой изображений сходился к локальному максимуму и терпел неудачу при большом сдвиге. Это означает, что количество слоев пирамиды изображений должно быть правильно отрегулировано для каждого экспериментального условия. Однако настройка параметров часто включает попытки и ошибки, что не подходит для экспериментов в реальном времени. Напротив, наша реализация на основе OpenCV достаточно быстра, чтобы найти глобальный максимум в реальном времени без значительного уменьшения масштаба.

    Наши методы и moco оценивают перевод всего изображения. Однако неоднородный артефакт может возникнуть из-за деформации ткани и искажения из-за конечной скорости сканирования (Pnevmatikakis and Giovannucci, 2017). Деформация более проблематична при большем поле изображения, а искажение более проблематично, когда движения при сканировании кадра соответствуют большему количеству пикселей. В таких случаях может быть полезна нежесткая коррекция. NoRMCorre — это метод нежесткой регистрации, основанный на кусочно-жестком алгоритме, который включает регистрацию исправлений на основе перевода (Pnevmatikakis and Giovannucci, 2017). Хотя NoRMCorre недостаточно быстр для обработки изображений 512 × 512 с частотой 28 Гц, объединение нашего метода с их кусочно-жестким алгоритмом может привести к более быстрой нежесткой коррекции движения, применимой к обработке в реальном времени.

    Базовая оценка кальциевого сигнала — еще один важный этап визуализации кальция. Среди методов процентилей, метода устойчивого среднего и метода ядерной плотности мы показали, что наш метод ядерной плотности дает наиболее согласованную оценку среди различных уровней шума и активности. Кроме того, потенциальное ограничение, характерное для метода процентилей, может возникнуть, когда есть тенденция к увеличению или уменьшению базовой линии.Обычно процентиль ниже медианы используется в качестве оценочного исходного уровня. В этом случае наблюдается дрожание во времени, вызванное изменяющейся тенденцией базовой линии. Когда базовый уровень увеличивается, увеличение оценки происходит позже. С другой стороны, когда базовая линия уменьшается, уменьшение оценки происходит раньше. Например, давайте рассмотрим ситуацию с оценкой базовой линии из 100 значений без шума и активности. В этом случае 20-й процентиль значений интенсивности находится в 20-м интервале, когда базовая линия постоянно увеличивается, и в 80-м интервале, когда базовая линия постоянно уменьшается.Это создает временную разницу, эквивалентную 60 ячейкам. В зависимости от тенденции к увеличению или уменьшению базовой линии, существует различная степень задержки в оценке базовой линии. Этот недостаток лишен надежного метода среднего и метода плотности ядра.

    Метод плотности ядра

    имеет только два параметра, длину окна и размер каждого бина, которые можно регулировать в зависимости от отношения сигнал / шум, продолжительности активности и того, как быстро и как часто колеблется базовая линия.Группирование и усреднение обычно выполняются на этапах предварительной обработки и в других методах, в то время как другие методы имеют дополнительные параметры, например, значение процентиля для метода процентилей и порог отсечки для метода устойчивого среднего. Меньшее количество параметров особенно полезно в экспериментах с обратной связью, когда повторный запуск анализа с обновленными параметрами невозможен.

    Наша реализация коррекции быстрого движения и базовой оценки обеспечивает конвейер обработки изображений в реальном времени, а небольшое количество настраиваемых параметров упрощает использование и оценку для каждого приложения.Конвейер также можно использовать для быстрого анализа post hoc . Действительно, многие из недавних публикаций нашей лаборатории использовали эту или предыдущие версии метода для анализа post hoc (Chu et al., 2016, 2017; Hwang et al., 2017; Peters et al., 2017; Li et al., ., 2018; Mitani et al., 2018), демонстрируя применимость этого метода к различным областям мозга, различным методам экспрессии и различным конфигурациям визуализации.

    Авторские взносы

    AM и TK разработали проект и написали статью.AM проводил эксперименты и разработку программного обеспечения. Все авторы внесли свой вклад в доработку рукописи, прочитали и одобрили представленную версию.

    Финансирование

    Эта работа была поддержана грантами NIH (R01 NS0A, R01 EY025349, R01 DC014690, U01 NS094342 и P30EY022589), Pew Charitable Trusts, David & Lucile Packard Foundation, McKnight Foundation, New York Stem Cell Foundation, Kavli Institute for Brain & Mind и NSF (1734940) в TK. AM был поддержан Фондом Накадзима.

    Заявление о конфликте интересов

    Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

    Благодарности

    Мы благодарим К. О’Нила, Л. Холла, Т. Лавленда и О. Арройо за техническую помощь, Р. Хаттори и Н. Г. Хедрика за их данные, проект GENIE в исследовательском кампусе Джанелия для GCaMP6f и членов Комияма lab для комментариев и обсуждений.

    Сноски

    1. https://scanbox.org/2014/12/09/using-auto-stabilization/
    2. https://github.com/saghayee/Tracking-based-registration
    3. https://github. com/amitani/mex_tools/tree/master/mexBilinearRegistrator
    4. https://github.com/amitani/mex_tools/tree/master/mexBilinearRegistrator
    5. https://github.com/amitani/mex_tools/tree/master/cvMotionCorrect
    6. https: // docs.opencv.org/3.2.0/de/da9/tutorial_template_matching.html
    7. https://opencv.org/
    8. http://answers.opencv.org/question/29665/getting-subpixel-with-matchtemplate/
    9. https://github.com/amitani/mex_tools
    10. https://github.com/amitani/onlineMotionCorrection
    11. https://github.com/amitani/baseline_kde

    Список литературы

    Адельсон, Э. Х., Андерсон, К. Х., Берген, Дж.Р., Берт П. и Огден Дж. (1984). Пирамидальные методы обработки изображений. RCA Eng. 29, 33–41.

    Google Scholar

    Aghayee, S., Winkowski, D.E., Bowen, Z., Marshall, E.E., Harrington, M.J., Kanold, P.O., et al. (2017). Отслеживание частиц облегчает коррекцию движения в режиме реального времени при двухфотонном или двухфотонном изображении нейронной активности. Фронт. Нейронные схемы 11:56. DOI: 10.3389 / fncir.2017.00056

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Чу, М.В., Ли, В. Л., Комияма, Т. (2016). Уравновешивание устойчивости и эффективности представления запаха во время обучения. Нейрон 92, 174–186. DOI: 10.1016 / j.neuron.2016.09.004

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Чу, М. В., Ли, В. Л., и Комияма, Т. (2017). Отсутствие разделения паттернов в сенсорных входах в обонятельную луковицу во время перцептивного обучения. eNeuro 4, ENEURO.287–17. DOI: 10.1523 / ENEURO.0287-17.2017

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Клэнси, К.Б., Коралек А. С., Коста Р. М., Фельдман Д. Э. и Кармена Дж. М. (2014). Произвольная модуляция оптически записанных сигналов кальция во время обучения нейропротезам. Нац. Neurosci. 17, 807–809. DOI: 10.1038 / nn.3712

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Дебелла-Гило, М., и Кэаб, А. (2011). Согласование изображений с субпиксельной точностью для измерения смещений поверхностей при перемещениях масс с использованием нормализованной взаимной корреляции. Remote Sens.Environ. 115, 130–142. DOI: 10.1016 / j.rse.2010.08.012

    CrossRef Полный текст | Google Scholar

    Домбек, Д. А., Хаббаз, А. Н., Коллман, Ф., Адельман, Т. Л., и Танк, Д. В. (2007). Визуализация крупномасштабной нейронной активности с клеточным разрешением у бодрствующих мобильных мышей. Neuron 56, 43–57. DOI: 10.1016 / j.neuron.2007.08.003

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Гринберг, Д. С., Керр, Дж. Н. (2009). Автоматическая коррекция артефактов быстрого движения для двухфотонной визуализации бодрствующих животных. J. Neurosci. Методы 176, 1–15. DOI: 10. 1016 / j.jneumeth.2008.08.020

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Guizar-Sicairos, M., Thurman, S. T., and Fienup, J. R. (2008). Эффективные алгоритмы регистрации субпиксельных изображений. Опт. Lett. 33, 156–158. DOI: 10.1364 / OL.33.000156

    CrossRef Полный текст | Google Scholar

    Хира Р., Окубо Ф., Масамизу Ю., Окура М., Накай Дж., Окада Т. и др. (2014). Зависящая от вознаграждения двунаправленная модуляция кортикальных микросхем во время оптического оперантного кондиционирования одного нейрона. Нац. Commun. 5: 5551. DOI: 10.1038 / ncomms6551

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Хван Э. Дж., Дален Дж. Э., Мукундан М. и Комияма Т. (2017). Систематическая ошибка выбора действия в задней теменной коре. Нац. Commun. 8: 1242. DOI: 10.1038 / s41467-017-01356-z

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Ли, В. Л., Чу, М. В., Ву, А. , Судзуки, Ю., Имаёши, И., и Комияма, Т.(2018). Нейроны, рожденные взрослыми, способствуют разделению паттернов обонятельных луковиц во время выполнения задания. eLife 7: e33006. DOI: 10.7554 / eLife.33006

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Лукас, Б. Д., и Канаде, Т. (1981). «Методика итеративной регистрации изображений с приложением к стереозрению (IJCAI)», в материалах Proceedings of the 1981 DARPA Image Understanding Workshop , (Вашингтон, округ Колумбия).

    Google Scholar

    Митани, А., Донг, М., и Комияма, Т. (2018). Интерфейс мозг-компьютер с тормозящими нейронами раскрывает стратегии, специфичные для подтипов. Curr. Биол. 28, 77–83.e4. DOI: 10.1016 / j.cub.2017.11.035

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Петерс, А. Дж., Ли, Дж., Хедрик, Н. Г., О’Нил, К., и Комияма, Т. (2017). Реорганизация кортикоспинального выхода во время моторного обучения. Нац. Neurosci. 20, 1133–1141. DOI: 10.1038 / nn.4596

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Пневматикакис, Э.А., Джованнуччи А. (2017). NoRMCorre: онлайн-алгоритм для кусочно-жесткой коррекции движения данных визуализации кальция. J. Neurosci. Методы 291, 83–94. DOI: 10.1016 / j.jneumeth.2017.07.031

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Prsa, M., Galiñanes, G.L., и Huber, D. (2017). Быстрая интеграция искусственной сенсорной обратной связи во время оперантного кондиционирования нейронов моторной коры. Нейрон 93, 929–939.e6. DOI: 10.1016 / j.neuron.2017.01.023

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Zitová, B., and Flusser, J. (2003). Способы регистрации изображения: опрос. Изображение Vis. Comput. 21, 977–1000. DOI: 10.1016 / S0262-8856 (03) 00137-9

    CrossRef Полный текст | Google Scholar

    Что такое фотон? Определение, свойства, факты

    Представьте себе луч желтого солнечного света, сияющий через окно. Согласно квантовой физике, этот луч состоит из миллиардов крошечных световых пакетов, называемых фотонами, движущихся по воздуху. Но что такое фотон?

    Фотоны — это материал, из которого состоит свет. Предоставлено: JFC.

    Определение

    Фотон — наименьшее дискретное количество или квант электромагнитного излучения. Это основная единица всего света.

    Фотоны всегда находятся в движении и в вакууме движутся с постоянной скоростью ко всем наблюдателям 2,998 x 10 8 м / с.Это обычно называется скоростью света и обозначается буквой c.

    Согласно теории квантов света Эйнштейна, фотоны имеют энергию, равную их частоте колебаний, умноженной на постоянную Планка. Эйнштейн доказал, что свет — это поток фотонов, энергия этих фотонов — это высота их частоты колебаний, а интенсивность света соответствует количеству фотонов. По сути, он объяснил, как поток фотонов может действовать как волна и как частица.

    Свойства фотона

    Основные свойства фотонов:

    • Они имеют нулевую массу и энергию покоя. Они существуют только как движущиеся частицы.
    • Несмотря на отсутствие массы покоя, это элементарные частицы.
    • У них нет электрического заряда.
    • Они стабильны.
    • Это частицы со спином 1, что делает их бозонами.
    • Они несут энергию и импульс, зависящие от частоты.
    • Они могут взаимодействовать с другими частицами, такими как электроны, например с эффектом Комптона.
    • Они могут быть разрушены или созданы многими естественными процессами, например, при поглощении или испускании радиации.
    • В пустом пространстве они движутся со скоростью света.

    История

    Природа света — рассматриваете ли вы его как частицу или волну — была одним из величайших научных споров. На протяжении веков философы и ученые спорили по вопросу, который едва решился столетие назад.

    Ученики ветви индуистской философии VI века до н.э., называемой Вайшешика, обладали удивительной физической интуицией в отношении света. Как и древние греки, они верили, что мир основан на «атомах» земли, воздуха, огня и воды. Считалось, что сам свет состоит из очень быстро движущихся атомов, называемых теджас. Это удивительно похоже на нашу современную теорию света и составляющих его фотонов — термин, введенный тысячами лет спустя в 1926 году химиком Гилбертом Льюисом и физиком-оптиком Фритиофом Вольферсом.

    Позже, около 300 г. до н.э., древнегреческий физик Евклид совершил огромный прорыв, когда предположил, что свет распространяется по прямым линиям.Евклид также описал законы отражения, а столетие спустя Птолемей дополнил их сочинениями о преломлении. Однако только в 1021 году законы преломления были официально установлены в основополагающей работе Ибн аль-Хайсама Китаб аль-Маназир или Книга оптики .

    Ренессанс откроет новую эру научных исследований природы света. Следует отметить вторжение Рене Декарта в эссе 1637 года под названием La dioptrique, , где он утверждал, что свет состоит из импульсов, которые мгновенно распространяются при контакте с «шарами» в среде. Позднее в Traité de la lumière , опубликованном в 1690 году, Христиан Гюйгенс рассматривал свет как сжимаемые волны в упругой среде, как волны звукового давления. Гюйгенс показал, как создавать отраженные, преломленные и экранированные световые волны, а также объяснил двойное лучепреломление.

    К этому времени ученые разделились на два укрепившихся лагеря. Одна сторона считала свет волной, а другая рассматривала свет как частицы или тельца. Великим поборником так называемых «корпускуляристов» был никто иной, как Исаак Ньютон, которого многие считали величайшим ученым всех времен.Ньютон совершенно не любил волновую теорию, поскольку это означало, что свет мог уходить слишком далеко в тень.

    На протяжении большей части 18 века корпускулярная теория доминировала в спорах о природе света. Но затем, в мае 1801 года, Томас Янг представил миру свой знаменитый эксперимент с двумя щелями, в котором он продемонстрировал интерференцию световых волн.

    Эксперимент Юнга с щелью показывает, как каждая щель действует как источник сферических волн, которые «интерферируют» при движении слева направо, как показано выше. Предоставлено: факультет физики Луисвильского университета.

    В первой версии эксперимента Янг фактически использовал не две прорези, а одну тонкую карту. Физик просто накрыл окно листом бумаги с крошечной дырочкой, через которую проходил тонкий луч света. С картой в руке Янг стал свидетелем того, как луч раскололся надвое. Свет, проходящий с одной стороны карты, мешал свету с другой стороны карты, создавая полосы, которые можно было наблюдать на противоположной стене.Позже Янг использовал эти данные для расчета длин волн света разных цветов и очень близко подошел к современным значениям. Демонстрация предоставит твердое свидетельство того, что свет — это волна, а не частица.

    Между тем, на этот раз во Франции корпускуляристское движение набирало обороты после того, как недавние события приписали поляризацию света некоторой асимметрии между световыми корпускулами. Они потерпели большое поражение от Огюстена Френеля, который в 1821 году показал, что поляризацию можно объяснить, если бы свет был поперечной волной без продольных колебаний. Ранее Френель также предложил точную волновую теорию дифракции.

    К этому моменту у последователей Ньютона было мало стабильной почвы для продолжения дебатов. Казалось, свет — это волна, вот и все. Проблема заключалась в том, что легендарный эфир — таинственная среда, необходимая для поддержания электромагнитных полей и выполнения законов распространения Френеля — отсутствовал, несмотря на все усилия всех, чтобы его найти. На самом деле, никто никогда этого не делал.

    Огромный прорыв произошел в 1861 году, когда Джеймс Клерк Максвелл собрал экспериментальные и теоретические знания об электричестве и магнетизме в 20 уравнениях.Максвелл предсказал «электромагнитную волну», которая может самоподдерживаться даже в вакууме при отсутствии обычных токов. Это означает, что для распространения света не требуется эфир! Более того, он предсказал, что скорость этой волны составит 310 740 000 м / с -1 — это всего несколько процентов от точного значения скорости света.

    «Согласованность результатов, кажется, показывает, что свет и магнетизм — это воздействия одного и того же вещества, а свет — это электромагнитное возмущение, распространяющееся через поле в соответствии с электромагнитными законами», — писал Максвелл в 1865 году.

    С этого дня концепция света впервые была объединена с концепциями электричества и магнетизма.

    14 декабря 1900 года Макс Планк продемонстрировал, что тепловое излучение испускается и поглощается дискретными пакетами энергии — квантами. Позже Альберт Эйнштейн показал в 1905 году, что это применимо и к свету. Эйнштейн использовал термин Lichtquant , или квант света. Теперь, на заре 20-го века, новая революция в физике снова будет зависеть от природы света.На этот раз дело не в том, является ли свет сумеречной или волной. И то, и другое или нет.

    Современная теория света и фотонов

    Эйнштейн считал, что свет — это частица (фотон), а поток фотонов — это волна. Немецкий физик был убежден, что свет имеет природу частиц после открытия им фотоэлектрического эффекта, при котором электроны вылетают из поверхности металла, подвергнутой воздействию света. Если бы свет был волной, этого не могло бы быть. Другой загадочный вопрос заключается в том, как фотоэлектроны размножаются при воздействии яркого света. Эйнштейн объяснил фотоэлектрический эффект, сказав, что «свет сам по себе есть частица», за что позже он получил Нобелевскую премию по физике.

    Суть теории квантов света Эйнштейна состоит в том, что энергия света связана с частотой его колебаний. Он утверждал, что энергия фотонов равна «постоянной, умноженной на частоту колебаний Планка», и эта энергия фотона является высотой частоты колебаний, в то время как интенсивность света соответствует количеству фотонов.Различные свойства света, который представляет собой тип электромагнитной волны, обусловлены поведением чрезвычайно маленьких частиц, называемых фотонами, которые невидимы невооруженным глазом.

    Эйнштейн предположил, что, когда электроны в веществе сталкиваются с фотонами, первый забирает энергию последнего и вылетает, и что чем выше частота колебаний ударяющих фотонов, тем больше энергия электронов, которые вылетят. У некоторых из вас есть работающее доказательство этой идеи в собственном доме — это солнечные батареи! Короче говоря, он говорил, что свет — это поток фотонов, энергия этих фотонов — это высота их частоты колебаний, а интенсивность света связана с количеством фотонов.

    Эйнштейн смог доказать свою теорию, получив постоянную Планка из своих экспериментов с фотоэлектрическим эффектом. Его расчеты дали значение постоянной Планка 6,6260755 x 10 -34 , что в точности и было получено Максом Планком в 1900 году в ходе своих исследований электромагнитных волн. Это однозначно указывает на тесную взаимосвязь между свойствами и частотой колебаний света как волны и свойствами и импульсом света как частицы.Позже, в течение 1920-х годов, австрийский физик Эрвин Шредингер развил эти идеи в своем уравнении для квантовой волновой функции, описывающем, как выглядит волна.

    Спустя более ста лет с тех пор, как Эйнштейн показал двойную природу света, швейцарские физики из Федеральной политехнической школы Лозанны впервые сделали снимок этого двойного поведения. Команда под руководством Фабрицио Карбоне в 2015 году провела умный эксперимент, в котором лазер использовался для стрельбы по нанопроволоке, заставляя электроны вибрировать. Свет движется по этому крошечному проводу в двух возможных направлениях, как автомобили на шоссе. Когда волны, идущие в противоположных направлениях, встречаются, они образуют новую волну, которая выглядит так, как будто она стоит на месте. Здесь эта стоячая волна становится источником света для эксперимента, излучаемого вокруг нанопроволоки. Они запустили новый пучок электронов, чтобы отобразить стоячую световую волну, которая действует как отпечаток волновой природы света. Результат можно увидеть ниже.

    Первая фотография света как частицы и волны.Кредит: EPFL.

    Как выглядит фотон

    Вы когда-нибудь задумывались, какую форму имеет фотон? Ученые размышляли над этим вопросом десятилетиями, и, наконец, в 2016 году польские физики создали первую в истории голограмму одиночной легкой частицы. Команда Варшавского университета создала голограмму, одновременно направив два световых луча на светоделитель, сделанный из кристалла кальцита. Светоделитель похож на перекресток светофора, поэтому каждый фотон может либо пройти прямо, либо сделать поворот. Когда фотон сам по себе, каждый путь равновероятен, но чем больше фотонов задействовано, тем больше они взаимодействуют, и шансы меняются. Если вам известна волновая функция одного из фотонов, можно определить форму второго по положению вспышек, появляющихся на детекторе. Полученное изображение немного похоже на мальтийский крест, точно так же, как волновая функция, предсказанная из уравнения Шредингера.

    Голограмма одиночного фотона, восстановленная из необработанных измерений, видимых в левой части, в сравнении с теоретически предсказанной формой фотона в правой части.Предоставлено: FUW

    Факты о фотонах

    .
    • Не только свет состоит из фотонов, но и вся электромагнитная энергия (т.е. микроволны, радиоволны, рентгеновские лучи) состоит из фотонов.
    • Первоначальная концепция фотона была разработана Альбертом Эйнштейном. Однако именно ученый Гилберт Н. Льюис первым использовал слово «фотон» для его описания.
    • Теория, которая утверждает, что свет ведет себя и как волна, и как частица, называется теорией дуальности волна-частица.
    • Фотоны всегда электрически нейтральны.У них нет электрического заряда.
    • Фотоны не распадаются сами по себе.

    Photon для Mac и Windows — уникальный редактор цветокоррекции

    Я понимаю, что такое цветокоррекция и LUT (таблицы поиска цвета) и как они могут улучшить фотографию или видео.Но новое приложение для Mac и Windows имеет довольно революционный интерфейс, который помогает вам визуализировать значения ваших изображений и позволяет изменять их по своему усмотрению.

    Программное обеспечение называется Photon. Он может работать как плагин для DaVinci Resolve или как автономный редактор для неподвижных изображений.

    Grading в Photon работает без слоев и узлов. Вместо этого вы непосредственно формируете трехмерную цветовую модель. Но не обязательно быть 3D-художником, чтобы стать действительно хорошим колористом. Просто «нарисуйте» прямо на изображении предварительного просмотра, и Photon преобразует ваши штрихи в живую трехмерную виртуализацию цветовой модели, которую вы строите.Поначалу это очень странно, но чем больше вы работаете с ним, тем до удивления становится все более полезным.

    Вы можете работать с цветами глобально, на основе оттенка, на основе насыщенности или создавать свои собственные настраиваемые диапазоны с помощью элементов управления 3D HSL или DRB. DRB — это диаметр, радиус и яркость. Алгоритм встроен в программу. Photon позволяет создавать 3D-маски с исключительно высококачественным разделением краев и нейтральностью серой оси. DRB работает с пространственными измерениями цветового пространства, не ограничиваясь квалификацией цвета, как традиционные манипуляторы.

    После завершения ваши LUT-таблицы можно экспортировать в такие приложения, как Photoshop, Premiere, After Effects, DaVinci Resolve, Final Cut Pro X, Luminar, Affinity и другие.

    Я попробовал цветокоррекцию на нескольких пейзажных фотографиях, и результаты были хорошими — я думаю, лучше, чем использование предоставленных инструментов в моих приложениях для редактирования, таких как Lightroom Classic, Photoshop и Luminar AI. Вы можете получить аналогичные результаты со всеми этими приложениями, но как только вы освоите его, Photon станет быстрее, и кажется, что результаты лучше.Мне понравилась способность Photon нацеливаться на определенный оттенок и изменять его без изменения остальной цветовой палитры, но, конечно, вы можете вносить изменения более глобально, тонкие или неуловимые.

    Временная шкала истории позволяет вам вернуться к предыдущим итерациям, что я нашел полезными в нескольких случаях, когда я слишком далеко заходил в причудливых изменениях. В качестве теста я экспортировал свои недавно созданные LUT, а затем импортировал один в Luminar AI. Было непросто придумать, как их вовлечь.Я думаю, что Skylum хочет, чтобы вы приобрели их LUT, или «Внешний вид», как они их называют.

    В любом случае, я нашел пункт меню импорта в редакторе настроения, и щелчком мыши, о чудо, моя LUT использовалась для изображения, над которым я работал.

    Многие мои тесты проводились на фотографиях с дрона, поэтому я создал LUT в Photon с одним изображением, а затем попробовал его на нескольких изображениях, сделанных при одинаковых условиях освещения. Результаты мне понравились, но ничто не мешало мне внести дополнительные коррективы в Luminar AI.

    Вот изображение до интерфейса Photon:

    И после того, как я поправил цвет.

    Различия невелики, но я к этому и стремился. Я экспортировал LUT и загрузил его в Luminar AI, и он правильно внес изменения в исходный файл.

    Хорошие новости

    Photon — очень хорошее приложение для настройки цвета на микро- или макроуровне. Графика, позволяющая увидеть вашу цветовую палитру, уникальна и полезна. Это не значит, что вы не можете добиться этого другими способами в хорошем фоторедакторе. Я считаю, что Photon — это более быстрый и наглядный способ редактирования. Вы можете нажать на кнопку и увидеть свой оригинал, и, как я уже сказал, вы можете вернуться назад через свою историю.

    Не очень хорошие новости

    Хотя мне очень понравилось приложение и идеи, стоящие за ним, я не доволен вариантами покупки. Есть три способа получить Photon, который доступен как для компьютеров Windows, так и для Mac. Один из них — бесплатная пробная версия. Вы можете получить представление о том, насколько приложение может быть полезно для вас. Как и во многих подобных бесплатных пробных версиях, вы не можете экспортировать свои LUT и сохранять изображения.

    Второй способ — купить Базовую версию приложения. Это 71 доллар, но у него нет плагина для DaVinci Resolve, и он не позволяет вам оценивать живое видео из Resolve. Я не видеоредактор, так что для меня это не имеет значения.

    Тогда есть версия Pro. Это 144 доллара и работает с DaVinci Resolve. Но вот что самое интересное. Через год использования приложения лицензии истекают автоматически, и их необходимо продлить в магазине приложений Color.io.

    По истечении срока лицензии вы больше не сможете экспортировать свою работу или получать новые обновления.Конечно, все, что вы экспортируете из Photon в течение срока действия лицензии, навсегда принадлежит вам. Проекты Resolve, использующие плагин OFX, по-прежнему будут отображать все оценки Photon, созданные в течение срока действия вашей лицензии, но вы больше не сможете отображать новые корректировки.

    Я не думаю, что это приемлемая практика. Конечно, Photon — не единственное программное обеспечение, которое следует этой философии. Похоже, вы сможете использовать приложение и экспортировать свою работу, и я понимаю, что в него не следует добавлять новые функции или исправления ОС, если у вас нет действующей лицензии.Это ближе к стандартной практике. Но убить приложение и сделать его бесполезным после покупки, но не продлить, похоже на шантаж. Да, признаю, другие придерживаются аналогичной практики, но я считаю это одиозным.

    Подведение итогов

    Photon очень умен и делает то, что рекламирует. Люди, создавшие его, по-новому взглянули на то, как должен работать графический интерфейс, и сделали некоторые стоящие переделки. Он показывает умное и оригинальное мышление. Тем не менее, мне очень не нравится, что приложение становится бесполезным после невозобновления.Если бы не это, я был бы в восторге от Photon. Надеюсь, они меняют свое мнение об этом.

    Установка ISO-образа для Photon OS 3.0 · Документация по VMware Photon OS 3.0

    После загрузки ISO-образа Photon OS в папку по вашему выбору, выполните следующие шаги.

  • Загрузите ISO-образ

    Загрузите ISO-образ в хранилище данных, подключенное к хосту, на котором вы создадите виртуальную машину Photon OS.

  • Создать новую ВМ

    Войдите в свою среду vSphere.В окне виртуальных машин выберите Create / Register VM .

    На экране «Выбор типа создания» выберите Создать новую виртуальную машину .

    Выбрать Далее .

  • Настройка параметров ВМ

    Укажите имя виртуальной машины.

    Укажите гостевую операционную систему.

  • Выберите целевое хранилище данных

    Выберите хранилище данных, в котором вы хотите сохранить виртуальную машину.

    Щелкните Далее .

  • Настройка параметров ВМ

    Настройте параметры виртуальной машины.

    Для привода CD / DVD 1 щелкните раскрывающийся список и выберите Файл ISO хранилища данных .

    В браузере хранилища данных выберите ISO, который вы хотите импортировать.

    Измените другие настройки, если применимо.

    • Рекомендуемые параметры виртуального оборудования для вашей виртуальной машины Photon в значительной степени зависят от загрузки контейнера, который вы собираетесь запускать в ОС Photon — для большего количества контейнеров или более интенсивных контейнеров вам потребуется настроить эти параметры для загрузки вашего приложения. VMware предлагает 2 виртуальных ЦП, память 1024 МБ, жесткий диск 20 ГБ. Любые нежелательные устройства следует удалить. Обязательно смонтируйте ISO-образ Photon OS на приводе CD / DVD и установите флажок «Подключаться при включении».
    • Если вы хотите настроить безопасную загрузку для созданной вами виртуальной машины Photon OS, выберите вкладку «Параметры виртуальной машины», разверните «Параметры загрузки» и выберите EFI в раскрывающемся списке микропрограмм. Загрузка EFI гарантирует, что содержимое ISO подписано VMware и что весь стек находится в безопасности.

      Выбрать Далее .

  • Проверить настройки ВМ

    Программа установки отображает сводку выбранных вами настроек.

    Нажмите Готово . vSphere создает виртуальную машину.

  • Включите ВМ

    Выберите виртуальную машину и включите ее.

    Когда вы увидите меню загрузки Photon Installer, нажмите Enter на клавиатуре, чтобы начать установку.

  • Принять лицензионное соглашение

    Прочтите лицензионное соглашение и нажмите клавишу Enter, чтобы принять его.

  • Настроить раздел

    Программа установки обнаруживает один диск, который должен быть объемом 16 ГБ, настроенным как часть создания виртуальной машины. Выберите Auto , чтобы программа установки автоматически назначила раздел, или выберите Custom , если вы хотите настроить отдельные разделы, а затем нажмите клавишу Enter.

    Примечание: Если вы выберете Custom, установщик отобразит следующий экран.

    Для каждого настраиваемого раздела выберите Создать новый и укажите следующую информацию:

    Размер — Предварительно назначенный размер этого раздела в МБ.

    Тип — один из следующих вариантов:

    • ext3 — файловая система ext3
    • ext4 — файловая система ext4
    • swap — раздел подкачки

      Mountpoint — точка монтирования для этого раздела.

      Выберите OK и нажмите клавишу Enter. Когда вы закончите определение пользовательских разделов, выберите Next и нажмите клавишу Enter.

      Программа установки предложит вам подтвердить, что вы хотите стереть весь диск.

      Выберите Да и нажмите клавишу Enter.

  • Выберите вариант установки

    После разбиения диска на разделы программа установки предложит вам выбрать вариант установки.

    Каждый вариант установки предоставляет различную среду выполнения в зависимости от ваших требований.

    Опция Описание
    Минимальный фотон Photon Minimum — это очень облегченная версия среды выполнения хоста контейнера, которая лучше всего подходит для устройств с ограниченными возможностями вычислений и памяти. Имеется достаточная упаковка и функциональность, позволяющая выполнять наиболее распространенные операции по изменению существующих контейнеров, а также высокопроизводительная и полнофункциональная среда выполнения.
    Photon Developer Photon Developer включает несколько дополнительных пакетов для улучшения разработки и упаковки контейнерных приложений и / или настройки системы. Используйте Photon Developer для разработки и упаковки приложения, которое будет запускаться как контейнер, а также для создания самого контейнера. Для целей тестирования и проверки Photon Developer включает все компоненты, необходимые для запуска контейнеров.
    Край фотона Photon Edge включает пакеты, относящиеся к периферийному шлюзу.

    Примечание: Выбранный вами параметр определяет ресурсы диска и памяти, необходимые для вашей установки.

    Выберите нужный вариант и нажмите клавишу Enter.

  • Появится экран конфигурации сети , выберите один из четырех вариантов для настройки сети.

    1. Выберите Настроить сеть автоматически и выберите Далее , чтобы настроить сеть автоматически.
    2. Чтобы настроить сеть автоматически с использованием имени хоста DHCP, выберите Настроить сеть автоматически с именем хоста DHCP и выберите Далее . Введите имя хоста DHCP и выберите Далее .
    3. Чтобы настроить сеть вручную, выберите Настроить сеть вручную . В появившемся окне введите IP-адрес, маску сети, шлюз и сервер имен и выберите OK .

    4. Если ваш сетевой интерфейс напрямую подключен к порту магистрали VLAN, выберите ДА на экране «Настройка сети».Введите идентификатор VLAN и выберите Next . .

  • Выберите ядро ​​Linux

    Выберите ядро ​​Linux для установки.

  • Укажите имя хоста

    Программа установки запросит у вас имя хоста и предложит случайно сгенерированное уникальное имя хоста, которое вы можете изменить, если хотите.

    Нажмите клавишу Enter.

  • Укажите системный пароль root

    Программа установки предложит вам ввести системный пароль root.

    Примечание: Photon OS не позволяет использовать часто используемые слова из словаря в качестве пароля root.

    Введите пароль и нажмите клавишу Enter.

    Программа установки предложит вам подтвердить пароль root, введя его второй раз.

    Примечание: Если у вас возникли проблемы с непреднамеренным повторением символов в удаленной консоли, следуйте инструкциям VMware KB 196 (http://kb.vmware.com/kb/196) для настройки, применяемой к виртуальной машине.

    Нажмите кнопку Enter . Установщик приступит к установке программного обеспечения.

  • Добавить комментарий

    Ваш адрес email не будет опубликован.