Dữ liệu quét thể tích được lưu trữ dưới dạng lăng kính hình chữ nhật gồm các điểm ảnh ba chiều mà mỗi điểm ảnh ba chiều có một giá trị suy giảm. Khối nguồn có độ phân giải cao chứa nhiều voxels cũng như độ sâu màu hơn mức Voyager Project Editor có thể hỗ trợ. Bước cắt xén của Công cụ ROI cho phép bạn chọn vùng không gian quan tâm của bộ phận mà bạn muốn xem ở độ phân giải cao. Theo cách tương tự, bước Tái chuẩn hóa cho phép bạn chọn một tập hợp con các giá trị suy giảm hữu ích nhất cho bạn. Quá trình chuẩn hóa lại hoạt động bằng cách chọn giới hạn dưới và giới hạn trên của các giá trị suy giảm cần quan tâm, đồng thời cắt bớt các giá trị nằm ngoài phạm vi này - làm cho màu sắc bạn nhìn thấy trong dữ liệu trở nên hữu ích hơn. Phần tiếp theo giải thích cách kiểm soát việc cắt này.Documentation Index
Fetch the complete documentation index at: https://support.lumafield.com/llms.txt
Use this file to discover all available pages before exploring further.
Hiểu các tùy chọn tái chuẩn hóa
Có ba tùy chọn trong phần Tái chuẩn hóa của công cụ ROI: Phạm vi mặc định, Phạm vi đã chọn và Phạm vi dữ liệu đầy đủ.- Phạm vi mặc định: Đề cập đến chuẩn hóa mặc định mà Voyager áp dụng cho các tập sau khi chúng được tạo. Sử dụng tùy chọn này để “đặt lại” âm lượng về mức mà Voyager thường hiển thị cho một đối tượng dữ liệu.
- Phạm vi đã chọn: Đề cập đến các giá trị do người dùng chỉ định mà trình ánh xạ phạm vi và trực quan hóa hiển thị. Sử dụng tính năng này để chọn một phạm vi dữ liệu cụ thể của bạn để chuẩn hóa lại.
- Phạm vi dữ liệu đầy đủ: Dữ liệu thô, chưa được cắt bớt. Sử dụng tùy chọn này nếu bạn cho rằng phạm vi mặc định đã cắt bớt dữ liệu quan trọng từ quá trình quét của bạn. Điều này có thể thực hiện được với các bộ dữ liệu đa vật liệu có độ biến thiên cực cao trong đó ứng dụng của bạn yêu cầu độ phân giải của các vật liệu cực kỳ khác nhau trong một lần quét.
Tái chuẩn hóa các phạm vi đã chọn
Quá trình quét bên dưới cho thấy sự phân chia mức suy giảm thấp / mức suy giảm cao tiêu chuẩn. Tái chuẩn hóa cho phép bạn tách vật liệu dày đặc hơn và ít dày đặc hơn thành các đối tượng dữ liệu riêng biệt để phân tích riêng lẻ.