mia-2dmyoserial-nonrigid - آنلاین در ابر

برنامه:

نام

mia-2dmyoserial-nonrigid - یک ثبت سریال از مجموعه ای از تصاویر دو بعدی را اجرا کنید.

خلاصه

mia-2dmyoserial-non rigid -i -o [گزینه ها]

شرح

mia-2dmyoserial-non rigid این برنامه ثبت جبران حرکت غیر صلب را اجرا می کند
یک سری تصاویر پرفیوژن ثبت نام به صورت سریال اجرا می شود، فقط این است
تصاویر به ترتیب زمانی ثبت می شوند و تبدیل های به دست آمده اعمال می شوند
انباشته شده برای رسیدن به ثبت نام کامل. به عنوان مثال نگاه کنید به Wollny, G., Ledesma-Carbayo, MJ,
کلمن، پی، سانتوس، ای.
جبران MRI پرفیوژن میوکارد ". Proc 30th Annual International IEEE EMBS
همایش، ص 3389-3392. ونکوور، آگوست 2008، doi:10.1109/IEMBS.2008.4649933،

OPTIONS

فایل-IO
-i --in-file=(ورودی، مورد نیاز); رشته
مجموعه داده های پرفیوژن ورودی

-o --out-file=(خروجی، مورد نیاز); رشته
مجموعه داده های پرفیوژن خروجی

-R --registered=reg
پایه نام فایل برای فایل های ثبت شده

ثبت
-O --optimizer=gsl:opt=gd,step=0.1
بهینه ساز برای حداقل کردن استفاده می شود
پلاگین های پشتیبانی شده PLUGINS:minimizer/singleccost را ببینید

-l --mg-levels=3
سطوح چند رزولوشن سطوح چند تفکیک پذیر

-f --transForm=spline:rate=16,penalty=[divcurl:weight=0.01]
نوع تبدیل نوع تبدیل برای افزونه های پشتیبانی شده را ببینید
پلاگین ها:2dimage/transform

-r --ref=-1
قاب مرجع (-1 == استفاده از تصویر در وسط) قاب مرجع (-1 == استفاده
تصویر در وسط)

-k --skip=0
از ثبت این تصاویر در ابتدای سریال صرفنظر کنید
ثبت این تصاویر در ابتدای سریال

کمک & اطلاعات
-V --verbose=اخطار
پرحرفی خروجی، چاپ پیام های سطح معین و اولویت های بالاتر.
اولویت های پشتیبانی شده که از پایین ترین سطح شروع می شوند عبارتند از:
اطلاعات - پیام های سطح پایین
رد - ردیابی فراخوانی تابع
شکست خوردن - گزارش شکست تست
هشدار - هشدارها
خطا - گزارش خطاها
اشکال زدایی کردن - خروجی اشکال زدایی
پیام - پیام های عادی
کشنده - فقط خطاهای مرگبار را گزارش دهید

--کپی رایت
چاپ اطلاعات حق چاپ

-h -- کمک
چاپ این راهنما

-؟ --استفاده
یک راهنما کوتاه چاپ کنید

- نسخه
شماره نسخه را چاپ کنید و خارج شوید

پردازش
--threads=-1
حداکثر تعداد نخ هایی که برای پردازش استفاده می شود، این تعداد باید کمتر باشد
یا برابر با تعداد هسته های پردازشگر منطقی در دستگاه است. (-1:
تخمین خودکار).حداکثر تعداد رشته ها برای استفاده برای پردازش،این
تعداد باید کمتر یا برابر با تعداد هسته های پردازشگر منطقی موجود باشد
ماشین. (-1: برآورد خودکار).

پلاگین ها: 1d/splinebc

آینه شرایط مرزی درون یابی Spline که روی مرز منعکس می شود

(بدون پارامتر)

تکرار شرایط مرزی درون یابی Spline که مقدار را در مرز تکرار می کند

(بدون پارامتر)

صفر شرایط مرزی درون یابی Spline که صفر را برای مقادیر خارج فرض می کند

(بدون پارامتر)

پلاگین ها: 1d/splinekernel

bspline ایجاد هسته B-spline، پارامترهای پشتیبانی شده عبارتند از:

d = 3; int در [0، 5]
درجه اسپلاین.

اوموم ایجاد هسته OMoms-spline، پارامترهای پشتیبانی شده عبارتند از:

d = 3; int در [3، 3]
درجه اسپلاین.

پلاگین ها: 2dimage / هزینه

lncc همبستگی متقاطع نرمال شده محلی با پشتیبانی از پوشش، پارامترهای پشتیبانی شده
هستند:

w = 5; Uint در [1, 256]
نصف عرض پنجره برای ارزیابی صلیب موضعی استفاده می شود
همبستگی.

LSD اندازه گیری فاصله حداقل مربعات

(بدون پارامتر)

mi اطلاعات متقابل مبتنی بر parzen Spline، پارامترهای پشتیبانی شده عبارتند از:

برش = 0; شناور در [0، 40]
درصد پیکسل هایی برای برش در شدت های بالا و پایین برای حذف
موارد پرت

برنز = 64; Uint در [1, 256]
تعداد سطل های هیستوگرام مورد استفاده برای تصویر متحرک.

mkernel = [bspline:d=3]; کارخانه
هسته Spline برای تصویر متحرک parzen hinstogram. برای پلاگین های پشتیبانی شده
PLUGINS:1d/splinekernel را ببینید

رابین ها = 64; Uint در [1, 256]
تعداد سطل های هیستوگرام استفاده شده برای تصویر مرجع.

rkernel = [bspline:d=0]; کارخانه
هسته Spline برای تصویر مرجع parzen hinstogram. برای پلاگین پشتیبانی شده-
به PLUGINS:1d/splinekernel مراجعه کنید

ncc همبستگی متقابل نرمال شده

(بدون پارامتر)

ngf این تابع شباهت تصویر را بر اساس گرادیان نرمال شده ارزیابی می کند
زمینه های. هسته های ارزیابی مختلفی در دسترس هستند، پارامترهای پشتیبانی شده عبارتند از:

ارزیابی = ds; دیکته
زیرنوع پلاگین مقادیر پشتیبانی شده عبارتند از:
sq - مربع تفاوت
ds - مربع تفاوت مقیاس شده
نقطه - هسته محصول اسکالر
صلیب - هسته محصول متقابل

SSD هزینه تصویر دو بعدی: مجموع مجذور تفاوت ها، پارامترهای پشتیبانی شده عبارتند از:

autothresh = 0; شناور در [0، 1000]
از پوشش خودکار تصویر متحرک فقط با گرفتن مقادیر شدت استفاده کنید
به حسابی که بزرگتر از آستانه داده شده است.

هنجار = 0; بوول
تنظیم کنید که آیا متریک باید با تعداد پیکسل های تصویر عادی شود یا خیر.

ssd-automask
هزینه تصویر سه بعدی: مجموع اختلافات مجذور، با پوشش خودکار بر اساس داده شده
آستانه ها، پارامترهای پشتیبانی شده عبارتند از:

rthresh = 0; دو برابر
مقدار شدت آستانه برای تصویر مرجع.

کوبیدن = 0; دو برابر
مقدار شدت آستانه برای تصویر منبع.

پلاگین ها: 2dimage/fullcost

تصویر تابع هزینه تشابه تصویر تعمیم یافته که با وضوح چندگانه نیز مدیریت می کند
در حال پردازش. معیار تشابه واقعی با پارامتر اضافی داده می شود.
پارامترهای پشتیبانی شده عبارتند از:

هزینه = ssd; کارخانه
هسته تابع هزینه. برای افزونه های پشتیبانی شده PLUGINS:2dimage/cost را ببینید

اشکال زدایی کردن = 0; بوول
نتایج میانی را برای اشکال زدایی ذخیره کنید.

کد عکس =(ورودی، رشته)
تصویر مرجع.

" =(ورودی، رشته)
تصویر مطالعه

وزن = 1; شناور
وزن تابع هزینه

برچسب
تابع هزینه تشابه که برچسب‌های دو تصویر را ترسیم می‌کند و برچسب‌ها را کنترل می‌کند.
با حفظ پردازش با وضوح چندگانه، پارامترهای پشتیبانی شده عبارتند از:

اشکال زدایی کردن = 0; int در [0، 1]
فاصله تبدیل شده به تصویر سه بعدی را بنویسید.

maxlabel = 256; int در [2، 32000]
حداکثر تعداد برچسب برای در نظر گرفتن

کد عکس =(ورودی، رشته)
تصویر مرجع.

" =(ورودی، رشته)
تصویر مطالعه

وزن = 1; شناور
وزن تابع هزینه

تصویر نقاب دار
تابع هزینه تشابه تصویر پوشانده شده تعمیم یافته که چندین
پردازش وضوح ماسک های ارائه شده باید به صورت متراکم در مناطق پر شوند
پردازش چند رزولوشن زیرا در غیر این صورت ممکن است اطلاعات ماسک از بین برود
هنگام کاهش مقیاس تصویر ماسک مرجع و ماسک تبدیل شده از
تصویر مطالعه با AND باینری ترکیب می شود. معیار تشابه واقعی داده شده است
پارامتر اضافی es، پارامترهای پشتیبانی شده عبارتند از:

هزینه = ssd; کارخانه
هسته تابع هزینه. برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 2dimage/maskedcost

کد عکس =(ورودی، رشته)
تصویر مرجع.

رفر ماسک =(ورودی، رشته)
ماسک تصویر مرجع (باینری).

" =(ورودی، رشته)
تصویر مطالعه

src-mask =(ورودی، رشته)
ماسک تصویر مطالعه (باینری).

وزن = 1; شناور
وزن تابع هزینه

پلاگین ها: 2dimage/io

bmp پشتیبانی از ورودی/خروجی تصویر 2 بعدی BMP

پسوندهای فایل شناسایی شده: .BMP، .bmp

انواع عناصر پشتیبانی شده:
داده های باینری، بدون علامت 8 بیتی، بدون علامت 16 بیتی

مخزن داده IO مجازی به و از مخزن داده داخلی

پسوندهای فایل شناسایی شده: .@

دیکام IO تصویر دو بعدی برای DICOM

پسوندهای فایل شناسایی شده: .DCM، .dcm

انواع عناصر پشتیبانی شده:
امضا 16 بیت بدون امضا 16 بیت

exr یک پلاگین io 2dimage برای تصاویر OpenEXR

پسوندهای فایل شناسایی شده: EXR، .exr

انواع عناصر پشتیبانی شده:
بدون علامت 32 بیتی، ممیز شناور 32 بیتی

JPG یک پلاگین io 2dimage برای تصاویر با مقیاس خاکستری jpeg

پسوندهای فایل شناسایی شده: .JPEG، .JPG، .jpeg، .jpg

انواع عناصر پشتیبانی شده:
بدون امضا 8 بیتی

PNG یک پلاگین io 2dimage برای تصاویر png

پسوندهای فایل شناسایی شده: .PNG، .png

انواع عناصر پشتیبانی شده:
داده های باینری، بدون علامت 8 بیتی، بدون علامت 16 بیتی

خام پشتیبانی از خروجی تصویر 2 بعدی RAW

پسوندهای فایل شناسایی شده: .RAW، .raw

انواع عناصر پشتیبانی شده:
داده های باینری، 8 بیتی بدون علامت، 8 بیتی بدون علامت، 16 بیتی امضا شده، 16 بیتی بدون علامت،
امضا شده 32 بیت، بدون علامت 32 بیت، ممیز شناور 32 بیت، ممیز شناور 64
ذره

حصبه پشتیبانی از ورودی/خروجی تصویر 2 بعدی TIFF

پسوندهای فایل شناسایی شده: .TIF، .TIFF، .tif، .tiff

انواع عناصر پشتیبانی شده:
داده های باینری، بدون علامت 8 بیت، بدون علامت 16 بیت، بدون علامت 32 بیت

چشم انداز یک افزونه 2dimage io برای تصاویر ویستا

پسوندهای فایل شناسایی شده: .V، .VISTA، .v، .vista

انواع عناصر پشتیبانی شده:
داده های باینری، 8 بیتی بدون علامت، 8 بیتی بدون علامت، 16 بیتی امضا شده، 16 بیتی بدون علامت،
امضا شده 32 بیت، بدون علامت 32 بیت، ممیز شناور 32 بیت، ممیز شناور 64
ذره

پلاگین ها: 2Dimage/Maskedcost

lncc همبستگی متقاطع نرمال شده محلی با پشتیبانی از پوشش، پارامترهای پشتیبانی شده
هستند:

w = 5; Uint در [1, 256]
نصف عرض پنجره برای ارزیابی صلیب موضعی استفاده می شود
همبستگی.

mi اطلاعات متقابل مبتنی بر parzen Spline با پوشش، پارامترهای پشتیبانی شده عبارتند از:

برش = 0; شناور در [0، 40]
درصد پیکسل هایی برای برش در شدت های بالا و پایین برای حذف
موارد پرت

برنز = 64; Uint در [1, 256]
تعداد سطل های هیستوگرام مورد استفاده برای تصویر متحرک.

mkernel = [bspline:d=3]; کارخانه
هسته Spline برای تصویر متحرک parzen hinstogram. برای پلاگین های پشتیبانی شده
PLUGINS:1d/splinekernel را ببینید

رابین ها = 64; Uint در [1, 256]
تعداد سطل های هیستوگرام استفاده شده برای تصویر مرجع.

rkernel = [bspline:d=0]; کارخانه
هسته Spline برای تصویر مرجع parzen hinstogram. برای پلاگین پشتیبانی شده-
به PLUGINS:1d/splinekernel مراجعه کنید

ncc همبستگی متقاطع نرمال شده با پشتیبانی پوشش.

(بدون پارامتر)

SSD مجموع اختلافات مجذور با پوشش.

(بدون پارامتر)

پلاگین ها: 2Dimage/Transform

اشتیاق تبدیل Affine (شش درجه آزادی)، پارامترهای پشتیبانی شده عبارتند از:

بی مرزی = آینه؛ کارخانه
شرایط مرزی درونیابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinebc

imgkernel = [bspline:d=3]; کارخانه
هسته درون یابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinekernel

سفت و محکم تبدیلات صلب (یعنی چرخش و ترجمه، سه درجه از
آزادی).، پارامترهای پشتیبانی شده عبارتند از:

بی مرزی = آینه؛ کارخانه
شرایط مرزی درونیابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinebc

imgkernel = [bspline:d=3]; کارخانه
هسته درون یابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinekernel

مرکز پوسیدگی = [[0,0،2،XNUMX]]; XNUMXdfvector
مرکز چرخش نسبی، یعنی <0.5,0.5،XNUMX> مربوط به مرکز است
پشتیبانی از مستطیل

چرخش تبدیلات چرخشی (یعنی چرخش حول یک مرکز معین، یک درجه از
آزادی).، پارامترهای پشتیبانی شده عبارتند از:

بی مرزی = آینه؛ کارخانه
شرایط مرزی درونیابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinebc

imgkernel = [bspline:d=3]; کارخانه
هسته درون یابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinekernel

مرکز پوسیدگی = [[0,0،2،XNUMX]]; XNUMXdfvector
مرکز چرخش نسبی، یعنی <0.5,0.5،XNUMX> مربوط به مرکز است
پشتیبانی از مستطیل

نوار باریک تبدیل فرم آزاد که با مجموعه ای از ضرایب B-spline قابل توصیف است
و یک هسته B-spline زیرین، پارامترهای پشتیبانی شده عبارتند از:

محو کردن = [[0,0،2،XNUMX]]; XNUMXdfvector
نرخ ضریب ناهمسانگرد در پیکسل، مقادیر غیر مثبت خواهد بود
بازنویسی شده توسط مقدار 'نرخ'..

بی مرزی = آینه؛ کارخانه
شرایط مرزی درونیابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinebc

imgkernel = [bspline:d=3]; کارخانه
هسته درون یابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinekernel

هسته = [bspline:d=3]; کارخانه
هسته spline transformation.. برای افزونه های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinekernel

مجازات = کارخانه
مدت مجازات تحول. برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 2dtransform/splinepenalty

نرخ = 10; شناور در [1، inf)
نرخ ضریب همسانگرد بر حسب پیکسل

ترجمه کردن فقط ترجمه (دو درجه آزادی)، پارامترهای پشتیبانی شده عبارتند از:

بی مرزی = آینه؛ کارخانه
شرایط مرزی درونیابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinebc

imgkernel = [bspline:d=3]; کارخانه
هسته درون یابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinekernel

vf این افزونه تبدیلی را پیاده سازی می کند که برای هر کدام یک ترجمه تعریف می کند
نقطه شبکه تعریف کننده دامنه تبدیل.، پشتیبانی می شود
پارامترها عبارتند از:

بی مرزی = آینه؛ کارخانه
شرایط مرزی درونیابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinebc

imgkernel = [bspline:d=3]; کارخانه
هسته درون یابی تصویر برای پلاگین های پشتیبانی شده را ببینید
پلاگین ها: 1d/splinekernel

پلاگین ها: 2dtransform/splinepenalty

divcurl جریمه divcurl در تبدیل، پارامترهای پشتیبانی شده عبارتند از:

حلقه = 1; شناور در [0، inf)
وزن پنالتی روی حلقه

DIV = 1; شناور در [0، inf)
وزن جریمه در واگرایی

هنجار = 0; بوول
اگر پنالتی باید با توجه به تصویر عادی شود، روی 1 تنظیم کنید
اندازه.

وزن = 1; شناور در (0، inf)
وزن انرژی پنالتی

پلاگین ها: حداقل/تک هزینه

gdas نزول گرادیان با تصحیح خودکار اندازه گام، پارامترهای پشتیبانی شده عبارتند از:

ftolr = 0; دو برابر در [0، inf)
اگر تغییر نسبی معیار در زیر است متوقف شود..

حداکثر مرحله = 2; دوبرابر (0، inf)
حداکثر اندازه گام مطلق.

ماکسیتر = 200; واحد در [1، inf)
معیار توقف: حداکثر تعداد تکرار.

دقیقه گام = 0.1; دوبرابر (0، inf)
حداقل اندازه گام مطلق

xtola = 0.01; دو برابر در [0، inf)
اگر هنجار inf تغییر اعمال شده روی x کمتر از این مقدار باشد، توقف کنید.

gdsq نزول گرادیان با تخمین گام درجه دوم، پارامترهای پشتیبانی شده عبارتند از:

ftolr = 0; دو برابر در [0، inf)
اگر تغییر نسبی معیار در زیر است متوقف شود..

gtola = 0; دو برابر در [0، inf)
اگر inf-norm گرادیان زیر این مقدار باشد، توقف کنید.

ماکسیتر = 100; واحد در [1، inf)
معیار توقف: حداکثر تعداد تکرار.

مقیاس = 2; دوبرابر (1، inf)
مقیاس بندی اندازه گام ثابت برگشتی.

گام = 0.1; دوبرابر (0، inf)
اندازه مرحله اولیه

xtola = 0; دو برابر در [0، inf)
اگر inf-norm x-update کمتر از این مقدار باشد، متوقف شود.

gsl پلاگین بهینه ساز مبتنی بر بهینه سازهای چندمین کتابخانه علمی گنو
(GSL) https://www.gnu.org/software/gsl/، پارامترهای پشتیبانی شده عبارتند از:

اپس = 0.01; دوبرابر (0، inf)
بهینه سازهای مبتنی بر گرادیان: هنگامی که |grad| متوقف می شود < eps, simplex: توقف وقتی
سایز ساده < eps..

تکرار = 100; واحد در [1، inf)
حداکثر تعداد تکرار

انتخاب کردن = gd; دیکته
بهینه ساز خاصی که باید استفاده شود.. مقادیر پشتیبانی شده عبارتند از:
bfgs - برودن-فلچر-گلدفارب-شان
bfgs2 - Broyden-Fletcher-Goldfarb-Shann (کارآمدترین نسخه)
cg-fr - الگوریتم گرادیان مزدوج فلچر-ریوز
gd - نزول گرادیان.
ساده - الگوریتم ساده نلدر و مید
cg-pr - الگوریتم گرادیان مزدوج Polak-Ribiere

گام = 0.001; دوبرابر (0، inf)
اندازه مرحله اولیه

به من = 0.1; دوبرابر (0، inf)
برخی از پارامترهای تحمل

nlopt الگوریتم های کوچک کننده با استفاده از کتابخانه NLOPT، برای توضیح
بهینه ساز لطفا ببینیدhttp://ab-
initio.mit.edu/wiki/index.php/NLopt_Algorithms'، پارامترهای پشتیبانی شده عبارتند از:

فتولا = 0; دو برابر در [0، inf)
معیار توقف: تغییر مطلق مقدار هدف در زیر است
این مقدار

ftolr = 0; دو برابر در [0، inf)
معیار توقف: تغییر نسبی مقدار هدف در زیر است
این مقدار

بالاتر = inf; دو برابر
مرز بالاتر (برابر همه پارامترها برابر است).

انتخاب محلی = هیچکدام دیکته
الگوریتم کمینه سازی محلی که ممکن است برای اصلی مورد نیاز باشد
الگوریتم کمینه سازی.. مقادیر پشتیبانی شده عبارتند از:
gn-orig-direct-l - تقسیم مستطیل ها (اجرای اصلی،
مغرضانه محلی)
gn-direct-l-noscal - مستطیل های تقسیم شده (بدون مقیاس، به صورت محلی بایاس)
gn-isres - استراتژی تکامل رتبه‌بندی تصادفی بهبود یافته
ld-tnewton - نیوتن کوتاه شده
gn-direct-l-rand - تقسیم مستطیل ها (به صورت محلی، تصادفی)
ln-newuoa - بهینه سازی بدون محدودیت بدون مشتق توسط Iteratively
تقریب درجه دوم ساخته شده
gn-direct-l-rand-noscale - تقسیم مستطیل ها (بدون مقیاس، به صورت محلی
مغرضانه، تصادفی)
gn-orig-direct - تقسیم مستطیل ها (اجرای اصلی)
ld-tnewton-precond - نیوتن کوتاه شده از پیش شرطی شده
ld-tnewton-ریستارت - نیوتن کوتاه با راه اندازی مجدد با شیب تند
gn-direct - تقسیم مستطیل ها
ln-neldermead - الگوریتم نلدر مید سیمپلکس
ln-cobyla - بهینه سازی محدود با تقریب خطی
gn-crs2-lm - جستجوی تصادفی کنترل شده با جهش محلی
ld-var2 - متغیر حافظه محدود Shifted-Metric، رتبه 2
ld-var1 - متغیر حافظه محدود Shifted-Metric، رتبه 1
ld-mma - روش جابجایی مجانب
ld-lbfgs-nocedal - هیچ یک
ld-lbfgs - BFGS کم ذخیره سازی
gn-direct-l - مستطیل‌های تقسیم‌کننده (محیط‌گرا)
هیچ - الگوریتم را مشخص نکنید
ln-bobyqa - بهینه سازی محدود محدود بدون مشتق
ln-sbplx - نوع سابپلکس نلدر مید
ln-newuoa-bound - بهینه سازی محدود محدود بدون مشتق توسط
تقریب درجه دوم به صورت تکراری ساخته شده است
ln-praxis - بهینه سازی محلی بدون گرادیان از طریق محور اصلی
روش
gn-direct-noscal - تقسیم مستطیل ها (بدون مقیاس)
ld-tnewton-precond-restart - نیوتن کوتاه شده از پیش شرطی شده با
راه اندازی مجدد با شیب تند

کاهش = -inf; دو برابر
مرز پایین تر (برابر همه پارامترها برابر است).

ماکسیتر = 100; int در [1، inf)
معیار توقف: حداکثر تعداد تکرار.

انتخاب کردن = ld-lbfgs; دیکته
الگوریتم کمینه سازی اصلی مقادیر پشتیبانی شده عبارتند از:
gn-orig-direct-l - تقسیم مستطیل ها (اجرای اصلی،
مغرضانه محلی)
g-mlsl-lds - چند سطحی تک پیوندی (توالی با اختلاف کم،
نیاز به بهینه سازی و مرزهای مبتنی بر گرادیان محلی)
gn-direct-l-noscal - مستطیل های تقسیم شده (بدون مقیاس، به صورت محلی بایاس)
gn-isres - استراتژی تکامل رتبه‌بندی تصادفی بهبود یافته
ld-tnewton - نیوتن کوتاه شده
gn-direct-l-rand - تقسیم مستطیل ها (به صورت محلی، تصادفی)
ln-newuoa - بهینه سازی بدون محدودیت بدون مشتق توسط Iteratively
تقریب درجه دوم ساخته شده
gn-direct-l-rand-noscale - تقسیم مستطیل ها (بدون مقیاس، به صورت محلی
مغرضانه، تصادفی)
gn-orig-direct - تقسیم مستطیل ها (اجرای اصلی)
ld-tnewton-precond - نیوتن کوتاه شده از پیش شرطی شده
ld-tnewton-ریستارت - نیوتن کوتاه با راه اندازی مجدد با شیب تند
gn-direct - تقسیم مستطیل ها
auglag-eq - الگوریتم لاگرانژی تقویت شده با محدودیت های برابری
فقط
ln-neldermead - الگوریتم نلدر مید سیمپلکس
ln-cobyla - بهینه سازی محدود با تقریب خطی
gn-crs2-lm - جستجوی تصادفی کنترل شده با جهش محلی
ld-var2 - متغیر حافظه محدود Shifted-Metric، رتبه 2
ld-var1 - متغیر حافظه محدود Shifted-Metric، رتبه 1
ld-mma - روش جابجایی مجانب
ld-lbfgs-nocedal - هیچ یک
g-mlsl - چند سطحی Single-Linkage (نیاز به بهینه سازی محلی و
محدوده)
ld-lbfgs - BFGS کم ذخیره سازی
gn-direct-l - مستطیل‌های تقسیم‌کننده (محیط‌گرا)
ln-bobyqa - بهینه سازی محدود محدود بدون مشتق
ln-sbplx - نوع سابپلکس نلدر مید
ln-newuoa-bound - بهینه سازی محدود محدود بدون مشتق توسط
تقریب درجه دوم به صورت تکراری ساخته شده است
اوگلگ - الگوریتم لاگرانژی تقویت شده
ln-praxis - بهینه سازی محلی بدون گرادیان از طریق محور اصلی
روش
gn-direct-noscal - تقسیم مستطیل ها (بدون مقیاس)
ld-tnewton-precond-restart - نیوتن کوتاه شده از پیش شرطی شده با
راه اندازی مجدد با شیب تند
ld-slsqp - برنامه نویسی درجه دوم حداقل مربعات متوالی

گام = 0; دو برابر در [0، inf)
اندازه گام اولیه برای روش های بدون گرادیان.

متوقف کردن = -inf; دو برابر
معیار توقف: مقدار تابع کمتر از این مقدار است.

xtola = 0; دو برابر در [0، inf)
معیار توقف: تغییر مطلق تمام مقادیر x زیر این است
ارزش.

xtolr = 0; دو برابر در [0، inf)
معیار توقف: تغییر نسبی تمام مقادیر x زیر این است
ارزش.

مثال

سری پرفیوژن ارائه شده در "segment.set" را در تصویر مرجع 30 ثبت کنید. از دو بگذرید
تصاویر در ابتدا و با استفاده از اطلاعات متقابل به عنوان تابع هزینه، و جریمه
تبدیل توسط divcurl با وزن 5. نتیجه را در "registered.set" ذخیره کنید.

mia-2dmyoserial-nonligid -i segment.set -o registered.set -k 2 -r 30 image:cost=mi -f
spline:rate=5,penalty=[divcurl:weight=5]

نویسنده(های)

گرت وولنی

کپی رایت

این نرم افزار دارای حق چاپ (c) 1999-2015 لایپزیگ، آلمان و مادرید، اسپانیا است. می آید
بدون ضمانت مطلق و شما می توانید آن را تحت شرایط گنو توزیع کنید
GENERAL PUBLIC LICENSE نسخه 3 (یا جدیدتر). برای اطلاعات بیشتر برنامه را با
گزینه "--کپی رایت".

با استفاده از خدمات onworks.net از mia-2dmyoserial-nonrigid به صورت آنلاین استفاده کنید