Модули презентацийне изменяют данные, вместо этого они выводят результат в отдельный слой, отображаемый поверх оригинальных данных. Прочие модули и инструменты работы с данными по прежнему будут оперировать с нижележащими данными. Чтобы удалить презентацию щелкните правой кнопкой мыши по окну данных и выберите .
Меню → содержит несколько основных операций с презентациями:
Присоединяет другое поле данных как презентацию к текущим данным. Следует отметить, что эта полезная функция иногда может вводить в заблуждение если пытаться получить нечто, основанное на данных, поскольку все расчётные значения получаются из нижележащих данных (а не из презентации, хоть она и выглядит как данные).
Удаляет презентацию из текущего окна данных. Этот вариант является альтернативой меню по правой кнопке мыши в окне данных.
Извлекает презентацию из текущего окна данных в новый канал того же файла. Таким способом можно извлечь данные презентации для дальнейшей обработки. Следует отметить, однако, что извлекаемые данные не содержат информации о реальном масштабе, поскольку презентация нужна для визуализации определённых особенностей, но получаемым данным трудно или невозможно присвоить физический смысл. Следовательно, диапазон значений нового канала всегда будет [0, 1].
→ →
Простой и удобный способ увидеть данные как будто освещёнными с определённого направления. Направление может быть задано пользователем. Также возможно смешивать затенённое и исходное изображения для целей презентации. Разумеется, получающееся в результате изображение не имеет смысла с физической точки зрения.
→ →
Фильтры горизонтальных и вертикальных градиентов Собела и Превитта создают изображения, похожие на затемнение, однако, они выводят данные как результат свёртки данных с относительно стандартизованным ядром. Следовательно, они могут использоваться для дальнейшей обработки презентаций, например. Ядра для горизонтальных фильтров приведены ниже, вертикальные ядра отличаются только отражением относительно главной диагонали.
→ →
Нередко возникает задача визуализации разрывов непрерывности. присутствующих на изображении, в частности, разрыв непрерывности значений (нулевого порядка) и непрерывности производных (первого порядка). Хотя методы обнаружения обоих называют методами «обнаружения края», они в реальности достаточно сильно отличаются, поэтому мы будем называть первые обнаружением ступеней и вторые как обнаружение края (кромки). Методы обнаружения более частных особенностей, т.е. углов, также широко используются, эти методы обычно относятся к нулевому порядку.
Порядок метода обнаружения разрывов непрерывности легко может быть виден на выводимом изображении. поскольку методы обнаружения краёв обычно дают типичные двойные линии на разрывах значений, как показано на следующем рисунке. В то время, как у идеальной ступеньки положения верхней и нижней кромки совпадают, данные реального мира имеют тенденцию содержать две отдельных кромки как показано на рисунке. Кроме того, нахождение двух кромок на ступеньке данных, даже на идеально острой, нередко является врождённой чертой методов обнаружения кромок.
В Gwyddion доступны следующие функции обнаружения ступеньки и кромки (последние являются в некоторой степени экспериментальными, с другой стороны обычно они дают лучшие результаты по сравнению с хорошо известными алгоритмами):
- Канни
Метод обнаружения края Канни - хорошо известный метод обнаружения ступеней и может быть использован чтобы извлекать изображения острых разрывов данных в виде тонких однопиксельных линий.
- Лапласиан гауссианов
Лапласиан представляет собой простую свёртку со следующим ядром (которая является пределом дискретного фильтра лапласиана гауссианов при σ → 0):
- Пересечение нуля
Алгоритм обнаружения края пересечением нуля помечает линии там, где результат фильтра лапласиана гауссианов меняет знак, т.е. пересекает ноль. Полуширина на половинной высоте гауссианов определяет уровень выделяемых деталей. Порог позволяет исключить смену знака со слишком малым абсолютным значением соседних пикселей, убирая мелкий шум. Следует заметить, однако, что для ненулевого порога линии краёв могут перестать быть непрерывными.
- Ступень
Алгоритм обнаружения ступеней обеспечивает хорошее разрешение, т.е. острые линии разрыва, и хороший динамический диапазон при этом будучи относительно нечувствителен к шуму. Принцип достаточно прост: он показывает квадратный корень разницы между квантилями 2/3 и 1/3 от значений данных в круговой окрестности радиусом в 2,5 пикселя с центром в каждом дискретном значении.
- Ср. квадр.
Обнаружение ступеней показывает области с высоким локальным изменением значений. Рассчитывается и показывается среднеквадратичное отклонение от среднего значения в круговой окрестности радиуса 2,5 пикселя с центром в каждом дискретном значении.
- Кромка среднеквадратичного отклонения
Эта функция просто обрабатывает вывод среднеквадратичного отклонения фильтром, подобным лапласиану, чтобы усилить границы областей с большим локальным разбросом значений. Несмотря на имя это по прежнему средство обнаружения ступеней.
- Локальная нелинейность
Средство обнаружения края которое показывает области, сильно не плоские локально. Аппроксимирует плоскостью круговую окрестность радиусом в 2,5 пикселя с центром в каждом отсчёте и затем рассчитывает остаточную сумму квадратов аппроксимации пересчитанную в наклон плоскости, т.е. делённую на 1 + bx2 + by2 где bx и by - коэффициенты плоскости в направлениях include href="eqi-x.xml"/> и y соответственно. Затем отображается квадратный корень.
- Наклон
Показывает угол ϑ наклона локальной плоскости. Технически эта функция относится к детекторам ступени, однако. выделение ступеней на результате вывода не слишком сильное и она больше предназначена для легкого визуального сравнения различных наклонов, представленных на изображении.
Сравнение методов обнаружения ступеней и кромок на нескольких интересных или типичных примерах данных. Канни и пересечение нуля - детекторы ступеней, которые выводят линии края шириной в один пиксель, ступень и наклон - детекторы ступеней с непрерывным выводом, локальная нелинейность - детектор кромки, детектирование кромки легко можно наблюдать на втором и третьем ряду. Следует отметить, что пересечение нуля можно настраивать, параметры подбирались чтобы получить вменяемый результат для каждого примера.
→ →
Метод для показа деталей в областях, где присутствует большое и малое изменение значений одновременно. Это достигается расчётом диапазона локального изменения значений, или разброса, вокруг каждого отсчёта данных и растягивание его таким образом, чтобы сделать этот разброс одинаковым для всех данных.