Автомобиль FOTON Aumark: Фото #01 из 11, размер изображения

Автомобиль FOTON Aumark: Фото #01 из 11, размер изображения — 400 на 299 px

Лучшие автомобили, новости и обзоры со всего мира. Будь в курсе!	E-Mail Пароль Регистрация
A B C D E F G H I J K L M N O P R S T U V W Y Z

Размер 400 x 299 px Файл foton-aumark-01. jpg Тип файла image/jpeg Кол-во просмотров 16374 просмотров Рейтинг изображения 8 из 10 Популярные автомобили Mazda Luce В 1966 году была выставлена модель популярной автомобильной японской компании — Mazda Luce (Мазда Люси). Этот автомобиль отличился совершенно новым дизайном, который стал привлекать людей со всего мира. подробнее … Alpina B12 Данная модель была разработана на основе модели БМВ седьмой серии. Впервые ее выпустили в 1995 году. подробнее … FAW Bora Китайский автоконцерн расширил сотрудничество с немецкими автопроизводителями и в 2001 году на азиатском авторынке появляется FAW Bora, который разработан и построен на, базе VV Golf IV. Так или иначе, но в этот раз китайцы не полностью скопировали европейский аналог, а только частично. подробнее … Lamborghini Jalpa В 1982 после плодотворной работы компании Ломбарджини мир наконец-то увидел Lamborghini Jalpa. Всего было распродано 419 экземпляров. подробнее … Saab 9-5 I Легковое авто Saab 9-5 I шведского производителя Saab, вышедшее в 1997 году, – плод совместной работы Saab и Opel, поэтому в его базовой основе платформа Опель Вектра. Вначале приобрести Сааб 9-5 I можно было только в кузове седан. подробнее …

Поcледние новости Штраф за опасные маневры поднимут в 10 раз Самый быстрый Cee’d Seat покидает российский рынок Bentley Continental GT3 выпустят ограниченным количеством

© 2012 Все права под надежной защитой.

НАШ БЛОГ

Brilliance, Zotye, Lifan и легковой Foton свернули бизнес в России

За 2021 год на российском авторынке фактически сошли на нет продажи китайских автокомпаний Brilliance, Zotye, Lifan и легкового подразделения Foton — остатки автомобилей их дилеры распродают с солидным дисконтом. Не удержался в России и американский Chrysler, у которого в последнее время оставался в линейке лишь один минивэн Pacifica. Подробнее об автокомпаниях и моделях, ушедших с российского рынка, в материале «Газеты.Ru».

В 2021 году ряд китайских марок резко свернули свое присутствие на российском рынке — прекратились продажи внедорожника и пикапа Foton, дилеры анонсировали финальную распродажу ряда моделей Lifan, а объемы реализации автомобилей Zotye и Brilliance в последние месяцы исчисляются единицами, оставшиеся машины продаются с большими скидками. Также в этом году в нашу страну прекратили поставлять единственную модель Chrysler — прайс-лист на минивэн Pacifica исчез с официального сайта марки, о чем ранее сообщала «Газета.Ru».

close

100%

Проблемные «китайцы»

Так, в августе стало известно о завершении российских продаж легковой линейки китайского бренда Foton. Согласно статистике Ассоциации европейского бизнеса (АЕБ), за 7 месяцев 2021 года в России продано всего 32 автомобиля этой марки, при этом в июле – только один автомобиль. В России китайский бренд предлагал внедорожники Sauvana и пикапы Tunland.

По сведениям портала «Китайские автомобили», легковой линейки у Foton на российском рынке больше не будет, стоки машин распроданы, а заказы на новые поставки у дилеров не принимаются.

close

100%

Российские дилеры Lifan продолжают распродавать складские запасы, но на домашнем рынке эта автокомпания обанкротилась. Производство Lifan на заводе в Чунцине остановлено в ноябре прошлого года в рамках процедуры финансовой несостоятельности китайского автопроизводителя. По данным АЕБ, за 7 месяцев автосалоны Lifan реализовали в России всего 483 автомобиля, что на 35% ниже, чем в аналогичном периоде прошлого года. Дилеры предлагают клиентам оставшиеся автомобили под лозунгом «финальная распродажа».

Аналогичные финансовые проблемы у материнских компаний китайских брендов Zotye и Brilliance (обе банкроты). По данным АЕБ, с начала года в России они продали 41 и 89 автомобилей соответственно.

Не пришлись ко двору

Помимо автокомпаний целиком российский рынок покинули и некоторые отдельные модели иностранных брендов. Так с конвейера завода Haval в Тульской области снят с производства рамный внедорожник Haval H5.

close

100%

C 2006 года этот автомобиль продавался в России под брендом Great Wall и выступал в той же рыночной нише, что и отечественный УАЗ Patriot. Российский рынок покинул также кроссовер JAC S5 – на дилерских сайтах сообщается, что модель больше не выпускается. В последнее время эти автомобили поставлялись в нашу страну со сборочного завода в Казахстане.

Кроссовер Geely Emgrand X7, ранее предлагавшийся в четырех комплектациях, с мая доступен лишь в единственной версии Flagman. По данным портала «Китайские автомобили», его продажи завершатся в этом году, а сборочное производство в белорусском Борисове сосредоточилось на более современных моделях, включая Coolray и Atlas.

Без люкса и спорта

Ушла и культовая Toyota Supra, по данным аналитического агентства «Автостат», на нынешний год производитель не выделил для нашей страны квоту на эту модель, а всего за два года в России был продан 21 экземпляр.

close

100%

Весной российский рынок покинул компактный седан Jaguar XE, сейчас в портфель британского бренд входят три кроссовера (включая электрический I-Pace), спорткупе F-Type и более крупный седан XF. И в целом продажи Jaguar в нашей стране невелики – за семь месяцев реализовано всего 305 машин. Внедорожники Land Rover на порядок популярнее.

close

100%

Вопрос о рентабельности официального присутствия автомобильного бренда в России возникает тогда, когда объем продаж падает ниже 1-1,5 тыс. автомобилей в год, объясняет независимый консультант по автопрому Сергей Бургазлиев.

«Нужно, чтобы представительство хотя бы само себя окупало – затраты на логистику, на персонал, на маркетинг — объясняет Бургазлиев в разговоре с «Газетой.Ru» —

Думаю, что некоторое время представительства люксовых брендов, показывающих небольшие продажи, еще подержатся – в том числе за счет большого парка, требующего поставок запчастей».

Неуспех ряда китайских компаний в России он объясняет малыми инвестициями в наш рынок, несовершенством самого продукта или проблемами материнских компаний. Среди китайских марок расширять свое присутствие в России продолжат Haval, Geely и Chery, прогнозирует эксперт.

«У Lifan наблюдаются глобальные проблемы, и российский рынок для него не был приоритетным. В отличие от него, тот же Haval вложил в строительство завода в России значительные средства. Chery отличается тем, что крайне оперативно реагирует на запросы российского рынка. Скажем, на внесение изменений в спецификацию модели и начало поставок доработанной машины уходит всего 3-3,5 месяца» – заключает Бургазлиев.

фотографии работ, фото автомобиля до и после ремонта

Бренды — фотографии работ, фото автомобиля до и после ремонта

+7 (495) 003-5162

+7 (967) 282-83-05

ПН-ПТ 10:00-20:00

СБ-ВС по записи

Онлайн расчет

Услуги


Работы


Отзывы

AC

Acura

Alfa Romeo

Alpina

Alpine

Artega

Ascari

Asia

Aston Martin

Audi

Aurus

Austin

Autobianchi

BAIC

Bajaj

Baojun

BAW

Bentley

BMW

Borgward

Brilliance

Bugatti

Buick

BYD

Cadillac

Caterham

Chana

Changan

Changfeng

Changhe

Chery

CheryExeed

Chevrolet

Chrysler

CHTC

Citroen

Cowin

Dacia

Dadi

Daewoo

Daihatsu

Dartz Motors

Datsun

Detroit Electric

DFM

Dodge

DS

Eagle

Facel Vega

FAW

Ferrari

Fiat

Fisker

Foday

Ford

Foton

FSO

GAC

Geely

Genesis

Giugiaro

GMC

Great Wall

GTA Motor

Gumpert

Hafei

Haima

Haval

Hawtai

Hennessey

Holden

Honda

Hongqi

Hummer

Hyundai

Icona

Infiniti

Innocenti

Iran Khodro

Isuzu

JAC

Jaguar

Jeep

Jensen

Jonway

Kaiser

Kawei

KIA

Koenigsegg

Lada

Lamborghini

Lancia

Land Rover

Landwind

LDV

Lexus

LIFAN

Lincoln

Lotus

Luxgen

Mahindra

Marcos

Marussia

Maruti

Maserati

Mastretta

Matra

Maxus

Maybach

Mazda

Mazzanti

McLaren

Mega

Mercedes-Benz

Mercury

MG

MINI

Mitsubishi

Mitsuoka

Monteverdi

Morgan

Nio

Nissan

Noble

Oldsmobile

Opel

Pagani

Panoz

Perodua

Peugeot

PGO

Plymouth

Polestar

Pontiac

Porsche

Proton

Pyeonghwa

Qoros

Ram

Ravon

Renault

Roewe

Rolls-Royce

Rover

Saab

Samsung

Saturn

Scion

Seat

Simca

Skoda

Smart

Soueast

Spyker

SsangYong

Subaru

Suzuki

SWM

Talbot

Tata

Tatra

Tesla

Toyota

Traum

Triumph

TVR

Vauxhall

Venucia

Volkswagen

Volvo

Vortex

Wey

Wiesmann

XinKai

Yamaha

Yema

Zastava

Zenvo

Zinoro

Zotye

ZX

Названы победители Премии «Золотой Фотон»-2022 » Вcероссийский отраслевой интернет-журнал «Строительство.

RU»

Из 15 победителей в этом сезоне больше половины компаний участвовало в Премии впервые.

20 сентября в торжественной обстановке клубного пространства Noôdome состоялась церемония награждения победителей 5-й Евразийской Премии «Золотой Фотон».

 

Церемония награждения победителей Премии «Золотой Фотон» в этом году прошла в рамках Международной выставки освещения, автоматизации зданий, электротехники и систем безопасности Interlight Russia /Intelligent Building Russia, которая является стратегическим партнером Премии. В мероприятии приняли участие представители электротехнического бизнеса, госструктур, а также топ-менеджеры отраслевых организаций.

Ведущими торжественного мероприятия выступили генеральный директор Ассоциации Производителей Светодиодов и систем на их основе (АПСС) Ольга Грекова, которая входит в Оргкомитета Премии, а также Евгений Ойстачер, основатель и владелец EKF – одной из ведущих компаний отрасли.

  

«Всего за пять лет Премия «Золотой Фотон» успела стать главной деловой площадкой для бизнеса, госструктур, отраслевых организаций и признанных экспертов светотехнической отрасли. Событие собирает самых продвинутых и передовых, доказывая, что отрасль жива и развивается силами настоящих профессионалов. Именно их проекты отмечены экспертами в жюри, признаны самим сообществом. Мы поздравляем победителей, которые на деле показали, что все новые решения, самые прогрессивные инновации, идут в ногу с опытом и знаниями», – прокомментировал Сергей Боровков, генеральный директор компании «Лайтинг Бизнес Консалтинг» – учредителя Премии.

 

Наград удостоены 15 компаний-участников, из них четыре победителя получили награды в номинации «Продукт года» (ООО «МГК Световые Технологии», ООО ТПК «Вартон», OOO «МДМ-Лайт», ООО «Ледвизор»), шесть участников награждены в категории «Проект года» (OOO «МДМ-Лайт», ООО «Компания Артлайт», ООО «РСК Групп», ООО «Интилед», студия светового дизайна YARKO и ООО «Аргус»).

 

«Много лет мы присматривались к «Золотому Фотону». А в этом году, на фоне сокращения медиаинвентаря, приняли решение об участии. Причем, запрос исходил от сотрудников компании, ведь нам есть, что показать! В этом смысле Премия интересна не только с точки зрения продвижения компании, но и в качестве площадки, где конкретные команды и специалисты получают отраслевое признание. Никто не ожидал, что, участвуя впервые, мы победим из трех заявок во всех трех! Теперь наша команда заряжена на успех, однозначно участвуем дальше в новых сезонах», – рассказал Евгений Литвинчук, директор по маркетингу «МДМ-Лайт» — компании, которая впервые участвовала и стала победителем сразу за трех номинациях: «Административно-офисное освещение», «Освещение учебных заведений» и «Интерьерное освещение».

В категории «Достижение года» победу в номинации «Прорыв года» разделили два участника: ООО «БЛЭК РЭЙС» (за применение световой демаркации по технологии слайд-мэппинг) и ООО «Трион» (за производство первых российских цифровых источников питания для светодиодного освещения).

 

«В предыдущие годы мы наблюдали, как Премия растет, а еще ждали, когда же у нас появится амбициозный продукт. Точнее – готовились к этому. И, открывая производство в этом году, уже понимали, что у нас теперь есть такой повод. На каждом этапе подачи заявки организаторы оказывали нам всестороннюю поддержку в виде консультаций. Для нас все прошло очень комфортно. И вот случился «Прорыв года» — мы хотели быть уникальными и у нас все получилось! «Золотой Фотон» — независимая премия и прекрасная возможность для участников показать свои сильные стороны. Здесь одинаково оценивают, как корифеев и признанных мастеров рынка, так и новичков. Статуэтки получают за заслуги и те, и другие. Мы в этом убедились», — поделилась впечатлениями Татьяна Тришина – коммерческий директор компании «Трион», победившей в номинации «Прорыв года» с производством первых российских цифровых источников питания для светодиодного освещения.

 

Во время церемонии Премия «Золотой Фотон» вручена и трем победителям в номинации «Медиа года». В частности, награды удостоена компания BRIGHT BURO – за просветительскую работу на своем youtube-канале «Главный по свету», а также ООО «Азбука Света», которая получила статуэтку за видео-ликбез «Что такое индекс цветопередачи CRI и почему доверять ему нельзя». Один из ведущих отраслевых журналов «Электротехнический рынок» тоже отмечен Премией – за качественную публицистику «Биодинамическое освещение без применения облачных сервисов» (автор Алексей Васильев, № 3, 2022 год).

Еще четыре компании удостоены «Специального приза» от жюри: ООО «Азбука Света», студия светового дизайна YARKO, ФГБУК «Российский национальный музей музыки» и ООО «Компания Артлайт».

«Мы увидели, насколько за год изменился «Золотой Фотон», нам удалось тщательнее проработать критерии отбора заявок, задействовав опыт международных площадок. Поэтому в новом сезоне Премия стала более ёмкой и динамичной, показателен качественный рост уровня проектов участников. Благодаря чему мы, члены жюри, с одной стороны, получили, конечно, большое удовольствие, но с другой – и сложность выбора», – поделилась член Оргкомитета, светодизайнер, эксперт в области архитектурного освещения и медиаинсталляций Наталья Копцева.

Прямо во время праздничной церемонии участники голосовали за победителей в категории «Признание отрасли». Так, большинством голосом лидером в номинации «Персона года» стал генеральный директор компании «РуСИД» Дмитрий Аникин. А в номинации «Вклад в развитие отрасли», в частности, за заслуги в области науки и образования, голоса отданы в пользу ассистента кафедры «Светотехника» НИУ «МЭИ», кандидата технических наук Татьяна Мешковой.

Все присутствующие на торжестве единодушно отмечали, что финал Премии тоже впечатляет. «Это не просто церемония награждения, а настоящий нетворкинг, где можно найти себе новых партнеров и подрядчиков. При этом победа в Премии – это своего рода «бенчмарк» в том, что заслуги компании оценили специалисты как внутри отрасли, так и коллеги из смежных отраслей», – подчеркнул член жюри, руководитель центра автоматизации «СберМаркетинг» Сергей Щербинин.

«Мы очень рады представлять выставку «Интерлайт» как стратегического партнера Премии «Золотой Фотон», благодаря чему компании имеют возможность продемонстрировать свои проекты и разработки не только в кулуарной обстановке, но и в рамках самой выставки. Растущее каждый год число номинантов «Золотого Фотона» и меняющаяся структура номинаций, которых тоже становится больше – в этом году добавились акценты на продукты и светодизайн – все вместе свидетельствует о развитии как самой Премии, так и отрасли в целом.», – отметила коммерческий директор компании «Гефера» – партнера Премии Анна Гончарова.

Как работает ваша камера · objc.io

Нажмите! Твоя камера только что превратила фотоны в биты. Вы сделали снимок на свой iPhone.

Допустим, вы находитесь снаружи и оглядываетесь вокруг. Солнце, находящееся на расстоянии 150 миллионов километров, испускает фотоны. Они путешествуют от солнца до нашей уютной планеты примерно за восемь минут. Некоторые из этих фотонов попадают на предметы вокруг вас, отражаются и попадают на сетчатку ваших глаз, и это запускает ваш мозг для создания изображения, визуального представления вашего окружения.

Фотография — это запечатление этого изображения. Он был изобретен около 200 лет назад. А еще раньше, тысячи и тысячи лет, люди пытались запечатлеть увиденное, рисуя.

Большинство из нас носит с собой камеру почти каждую минуту дня; сегодняшние смартфоны являются одними из наиболее часто используемых камер. До эпохи цифровой фотографии фотография записывала свет на бумагу или пленку. Сегодня фотография превращает свет в биты и байты.

В этой статье мы расскажем о том, как это происходит — как работает камера смартфона.

Скорость затвора, ISO, Диафрагма

Прежде чем мы погрузимся в магию превращения фотонов в файл JPEG, мы рассмотрим некоторые общие концепции того, как фотография оживает. Эти концепции так же верны сегодня, как и во времена пленочной фотографии. Не так давно почти все фотографии делались на пленку. Биохимический процесс, на который влияет свет, захватывает изображение, а сегодня мы используем цифровой датчик изображения. Но поскольку все остальное, связанное с фотосъемкой, основано на тех же принципах, многое из того, что было верно для пленочной фотографии с помощью громоздких пленочных камер, по-прежнему применимо, когда мы снимаем изображения на iPhone.

Количество Света

Процесс захвата одного изображения иногда называют экспозицией. Экспозиция также относится к количеству света на единицу площади. Это количество света должно находиться в определенном диапазоне. Если мы не захватим достаточно света, изображение будет недоэкспонированным — изображение утонет в собственных шумах датчика изображения или пленки. Если мы захватим слишком много света, изображение будет переэкспонировано — датчик изображения/пленка слишком насыщены и больше не могут различать разное количество света, а это означает, что все области будут иметь одинаковую экспозицию.

При съемке фотографии мы должны настроить камеру таким образом, чтобы количество света было достаточно сильным, но не слишком сильным. Вот образцы одной и той же сцены, недоэкспонированные и переэкспонированные. Справа показано то же изображение с экспозицией, отрегулированной с помощью Pixelmator. Это сделано для того, чтобы показать, что невозможно исправить изображение, если оно сильно переэкспонировано или недоэкспонировано:

| нескорректированный | «скорректированный» |
|————|————-|
| | |
| | |

На недоэкспонированном изображении, даже после попытки сделать его ярче, темные области изображения «застряли» как черные, и нет возможности разобрать, что перья на изображении на самом деле имеют разные цвета. Переэкспонированное изображение имеет большие области, которые застряли на одном уровне белого/серого. Обратите внимание, как рисунок на тканевой тесьме и монетах полностью утрачен.

Остановки

На количество света в кадре влияют три параметра: выдержка, значение ISO и диафрагма. Мы рассмотрим их немного позже.

В фотографии изменение любого из этих трех параметров, которое удваивает или уменьшает вдвое количество света, называется «одной остановкой». Для каждого из этих трех параметров (выдержка, ISO, диафрагма) один стоп соответствует разным числовым изменениям. Но если мы изменим скорость затвора на один стоп, нам нужно будет компенсировать это, отрегулировав либо ISO, либо диафрагму ровно на один стоп, чтобы получить такое же количество света. Вскоре мы рассмотрим это подробно.

Сложность заключается в том, что все три параметра (выдержка, ISO и диафрагма) также влияют на другие параметры экспозиции. И существует бесчисленное множество комбинаций этих трех параметров, дающих одинаковое количество света. Давайте посмотрим поближе.

Скорость затвора

Когда мы делаем снимок, датчик изображения улавливает свет в течение определенного периода времени. Эта продолжительность называется выдержкой затвора, потому что она описывает, как быстро открывается и закрывается затвор.

Скорость затвора, например. 1/50 секунды позволяет датчику изображения улавливать свет в течение 1/50 секунды (= 0,02 секунды или 20 мс). Если мы изменим выдержку на 1/25 с (40 мс), датчик изображения будет улавливать свет в два раза дольше, и он будет захватывать вдвое больше фотонов, то есть вдвое больше света.

Так называемый стоп для скорости затвора удваивает или уменьшает скорость затвора вдвое. Переход от 1/50 с к 1/25 с — это регулировка на один стоп.

В iPhone 6 можно регулировать выдержку от 1/8000 с до 1/2 с. Мы можем изменить скорость затвора, чтобы отрегулировать количество света, но это также повлияет на размытие изображения при движении. Если камера и сцена, которую мы фотографируем, совершенно неподвижны, мы можем сделать время экспозиции (выдержку) сколь угодно длинным, но чаще всего все вокруг движется. И, в частности, с iPhone сама камера также движется.

Когда объекты движутся достаточно быстро, так что они не будут находиться в одном месте на нашем датчике изображения в течение всего времени экспозиции, результирующее изображение будет размытым. Обычно мы хотим, чтобы все было четким и без размытия, поэтому нам часто нужна выдержка около 1/100 с или быстрее/короче. Для съемки объектов, которые движутся с высокой скоростью, нам, возможно, придется выбрать еще более короткую выдержку. Но мы также можем намеренно использовать длинную выдержку, чтобы размыть объекты и показать их движение. Это лучше всего работает, когда камера закреплена на штативе или чем-то подобном, чтобы неподвижные объекты в кадре оставались четкими.

ИСО

Значение ISO также называют светочувствительностью пленки. Это мера того, насколько чувствителен датчик изображения к свету и, следовательно, насколько шумной будет экспозиция. Точные детали, очевидно, намного сложнее, и Википедия даст вам более подробное объяснение.

iPhone 6 может регулировать ISO своей камеры от ISO 32 до ISO 1600. Стоп соответствует либо удвоению, либо уменьшению вдвое значения ISO. Каждый раз, когда мы удваиваем ISO (например, с ISO 100 до ISO 200), нам требуется только половина количества света. Мы заплатите за это , увеличив количество шума на фото.

При ISO 32 изображения с сенсора iPhone будут иметь наименьшее количество шума, но при этом им потребуется наибольшее количество света. При ISO 1600 датчику изображения iPhone потребуется только 1/50 (0,02) количества света, но изображение будет намного более шумным.

Вот два образца одной и той же сцены, снятой с помощью iPhone 6, установленного на штатив. На изображениях показан небольшой вырез полного изображения. Левый снимок сделан при ISO 32 и выставлен на 1/3 с. Правый снимок сделан при ISO 1600 и выдержке 1/180 с. Количество захваченного света примерно одинаковое, но левый имеет намного меньше шума, чем правый. Однако без штатива мы бы не смогли сделать резкий снимок с выдержкой 1/3 с:

| ИСО 32 | ISO 1600 |
|———|———-|
| | |

Диафрагма

Наконец, апертура камеры (точнее, объектива камеры) является мерой того, насколько велико отверстие, через которое свет достигает датчика изображения. Диафрагма указывается в виде числа f, например ƒ/5,6 — число 5,6 — это отношение фокусного расстояния к эффективному диаметру диафрагмы (отверстия).

F-числа могут немного сбивать с толку. А стоп с числами f соответствует умножению или делению на квадратный корень из 2 (√₂ ≃ 1,4). При ƒ/4 мы получим вдвое меньше света, чем при ƒ/2,8.

При использовании камеры iPhone все намного проще, потому что диафрагма фиксированная. iPhone 6 имеет фиксированную апертуру ƒ/2,2.

Помимо количества света, диафрагма также влияет на глубину резкости. Это относится к фокусу. Оптическая система в камере будет четко отображать объекты на определенном расстоянии от камеры. При изменении диафрагмы этот диапазон становится шире или уже. Мы можем использовать это для достижения хороших эффектов. Но, к сожалению, мы не можем настроить диафрагму на iPhone.

Объединение

На iPhone мы можем настроить только ISO и выдержку. Таким образом, мы можем заменить шум (влияющий на ISO) на размытие/резкость движения, сохраняя при этом тот же уровень экспозиции.

Это объясняет, почему ночью фотографии часто выглядят хуже, чем днем: ночью намного меньше света. Чтобы по-прежнему иметь приемлемую скорость затвора, автоматическая экспозиция поднимет ISO, возможно, до максимума, который позволяет камера. И даже этого может быть недостаточно для достижения достаточного количества света, поэтому автоматическая экспозиция также снижает скорость затвора. Эта комбинация приводит к большему количеству шума на изображении и размытию изображения.

Некоторые приложения для iOS позволяют регулировать экспозицию вручную. Это можно сделать, либо отрегулировав значение EV/экспозиции, что по-прежнему будет использовать логику автоматической экспозиции камеры, но позволит вам настроить желаемый уровень экспозиции. Значение EV, равное −1, приведет к тому, что изображение будет недоэкспонировано на одну ступень в соответствии с логикой автоматической экспозиции. Логика автоматической экспозиции по-прежнему будет автоматически выбирать некоторую комбинацию ISO и скорости затвора (поскольку диафрагма фиксирована на камере).

Другим вариантом настройки экспозиции является приоритет выдержки (часто обозначается S ). Это позволяет нам напрямую установить желаемую скорость затвора, в то время как автоматическая экспозиция будет пытаться компенсировать экспозицию, автоматически настраивая ISO.

Наконец, мы можем сделать полностью ручную экспозицию (часто обозначаемую как M ), регулируя скорость затвора и ISO. При этом часто удобно сначала использовать автоматическую экспозицию и использовать значения, которые она выбирает, в качестве отправной точки.

Камеры, которые позволяют регулировать диафрагму, имеют нечто, называемое приоритетом диафрагмы (часто обозначаемое A ), что концептуально то же самое, что и приоритет выдержки, за исключением того, что мы вручную управляем диафрагмой и позволяем логике автоматической экспозиции выбирать выдержку скорость (и уровень ISO, если он не фиксирован).

Существует несколько стратегий выбора хорошей автоматической экспозиции. iOS имеет логику автоматической экспозиции, которая смотрит на изображение в целом и делает предположение о том, что вы хотите хорошо экспонировать. Если части изображения очень яркие, а другие очень темные, камера не может правильно экспонировать все. Автоэкспозиция должна что-то подбирать, и если она, например, находит лица, то подбирает их. Встроенное приложение камеры iOS позволяет вам нажать на что-то на изображении, чтобы намекнуть автоэкспозиции, что эта часть изображения должна быть хорошо экспонирована. Это приведет к автоматической настройке экспозиции. Приложение камеры также позволяет регулировать значение экспозиции, перетаскивая вверх или вниз по экрану. Но чтобы явно установить выдержку и/или ISO, вам нужно использовать другое приложение.

Фокус

Камера может отображать резко только объекты, которые находятся в пределах определенного диапазона расстояний от камеры. Элементы в диапазоне в фокусе . Элементы слишком близко или слишком далеко будут размыты; они не в фокусе .

Большинство камер, включая камеру iPhone, имеют автофокусировку (AF). Камера сделает предположение о том, какая часть изображения должна быть в фокусе, и соответствующим образом отрегулирует фокус. Встроенное приложение камеры iOS позволяет пользователям нажимать на что-либо, чтобы сфокусироваться на этой части изображения, а некоторые приложения даже позволяют пользователям вручную устанавливать фокус.

Оптические компоненты

Объектив камеры состоит из нескольких оптических компонентов. Они направляют и фокусируют свет. При изменении фокуса камеры это осуществляется физически движущимися частями в объективе.

Модульные камеры, такие как зеркальные фотокамеры, позволяют переключаться между разными объективами. И даже фиксированные объективы, такие как в iPhone, позволяют настроить оптическую часть камеры, закрепив внешние объективы перед встроенными.

Ключевым свойством системы линз является ее фокусное расстояние — увеличение или угол зрения. Широкоугольный объектив имеет малое увеличение и позволяет камере видеть большую площадь. Длиннофокусный объектив, особенно телеобъектив, имеет узкий угол обзора и из-за своего увеличения показывает лишь малую долю того, что мог бы показать широкоугольный объектив.

Объектив влияет и на другие аспекты изображения. Это может привести к различным нежелательным искажениям захваченного изображения, которые влияют как на геометрию, так и на цвет (например, хроматические аберрации).

Ведро, полное света

Теперь мы знаем, как работают основы. Но как камера на самом деле захватывает изображение?

Внутри камеры вашего iPhone находится датчик изображения. Это та часть, которая эквивалентна сетчатке наших глаз. Датчик изображения преобразует свет или фотоны в электрический сигнал.

Датчик изображения состоит из огромного количества отдельных пиксельных датчиков, выстроенных в линию в огромный прямоугольник. Мы можем думать о каждом пиксельном сенсоре как о зарядном баке. Когда фотоны попадают на фотодиод сенсора пикселя, они медленно накапливают заряд в корзине этого пикселя. В результате у каждого пикселя есть свое крошечное ведро электронов. Заряд, в свою очередь, зависит от количества фотонов и, в конечном счете, от интенсивности света, падающего на это конкретное место.

Поскольку у нас есть двумерный массив этих пиксельных сенсоров, теперь у нас есть двумерный массив зарядов, отражающих интенсивность света во всех этих положениях. На iPhone 6 установлено восемь миллионов таких крошечных пиксельных сенсоров с соответствующими зарядными устройствами.

На данный момент нам нужны две вещи: Во-первых, мы должны иметь возможность сбросить заряд. Во-вторых, нам нужно иметь возможность считывать заряды после того, как пиксельные датчики подверглись воздействию света. Сброс можно сделать глобально для всех пикселей. Но что касается восьми миллионов небольших зарядов, мы хотим иметь возможность индивидуально превращать их в уровни напряжения.

Цифровые камеры обычно сдвигают ряды пикселей. Датчик изображения считывает заряд первого в ряду электронного бакета, а затем все бакеты передают свой заряд соседнему. Первое электронное ведро теперь содержит заряд второго, который теперь можно считать. Повторяя это одно за другим, все значения пикселей считываются из строки датчика.

Значение считываемого ковшового или пиксельного датчика будет преобразовано в цифровое значение с помощью аналого-цифрового преобразователя (АЦП). Выход АЦП представляет собой цифровое число для каждого датчика пикселя, соответствующее количеству света, попадающего на него. Наконец, эти значения затем передаются в цифровой процессор обработки изображений. Подробнее об обработке изображений мы поговорим ниже.

Размер пикселя имеет значение

С этим мы уже можем начать понимать, почему количество мегапикселей не имеет значения для качества изображения. А точнее: что очень важно для качества изображения, так это размер отдельного пикселя. Эти пиксельные датчики крошечные. На iPhone 6 они составляют 1,5 мкм (микроны или микрометры) с каждой стороны. На профессиональных зеркальных камерах они могут достигать 9 мкм с каждой стороны.

При увеличении размера происходят две вещи. Во-первых, чем больше пиксель, тем больше света попадает на него и тем больше накапливается заряда. Чем больше у нас заряд, тем ниже шум в показаниях. Представьте, что вы слушаете музыку рядом с оживленной улицей. Если все, что у вас есть, это встроенный динамик вашего телефона, вы вряд ли сможете разобрать музыку. Если у вас есть большая стереосистема, шум улицы исчезнет. То же самое для заряда в пикселях и шума в датчике изображения. Большие пиксели — это хорошо. А 9Пиксель изображения размером 1,5 мкм захватывает в 36 раз больше фотонов, чем пиксель размером 1,5 мкм.

Во-вторых, более крупные пиксели менее подвержены вытеканию. Датчик изображения представляет собой полупроводник, сделанный из кремния, точно так же, как процессор и оперативная память. Когда свет попадает на сенсор, он в какой-то степени проникает в соседние пиксели подобно свету, попадающему на матовое стекло. По мере того, как пиксели становятся все меньше и меньше, количество света, просачивающегося в соседние пиксели, увеличивается: на значение для каждого пикселя все больше и больше влияет свет, который на самом деле попадает на соседние пиксели, но просачивается в этот пиксель.

Затвор

Пленочные камеры используют механический затвор, тонкий механизм, который открывается перед пленкой, а затем закрывается по истечении времени, определяемого выдержкой затвора. В больших цифровых камерах по-прежнему используются механические затворы, но в смартфонах и других небольших цифровых камерах используется электронный затвор.

Многие из них, в том числе устройства iOS, используют так называемый скользящий затвор, который считывает данные изображения построчно. Поскольку строки считываются не одновременно, а по очереди, это может привести к странным артефактам на изображениях, когда объекты в сцене движутся с большой скоростью. Некоторые из них весьма забавны.

Цвет

Теперь мы знаем, как iPhone измеряет, сколько света попадает на каждый пиксель. Но в результате получится только черно-белое фото. Цветные фотографии требуют дополнительных технологий. Прежде чем мы погрузимся в них, давайте посмотрим, что такое цвет. Мы немного отвлечемся, чтобы коснуться поверхности того, что известно как наука о цвете.

Может показаться слишком очевидным, что темно-зеленый лес — это темно-зеленый, а ярко-желтый велосипед — ярко-желтый. Но что это за вещь, называемая «цветом»? При работе с компьютером у нас может возникнуть соблазн ответить, что конкретный цвет — это просто комбинация определенного количества красного, зеленого и синего. Но на самом деле все обстоит сложнее.

Некоторые люди (CIE) пытаются дать определение цвету, но в итоге получаются запутанные слова вроде этих:

Цвет – атрибут зрительного восприятия, состоящий из любой комбинации хроматического и ахроматического содержания. Этот атрибут может быть описан хроматическими названиями цветов, такими как желтый, оранжевый, коричневый, красный, розовый, зеленый, синий, пурпурный и т. д., или ахроматическими названиями цветов, такими как белый, серый, черный и т. , тусклый, светлый, темный или сочетаниями таких названий.

Примечание: воспринимаемый цвет зависит от спектрального распределения цветового стимула, от размера, формы, структуры и окружения области стимула, от состояния адаптации зрительной системы наблюдателя и от опыта человека в преобладающих и подобных ситуациях. наблюдения.

Они определяют цвет рекурсивно, ссылаясь на сам цвет, или хроматический , что является просто другим словом для обозначения цвета.

Зрительное восприятие

Важный вывод из вышеизложенного: «Цвет — это визуальное восприятие». Чтобы появился цвет, кто-то должен смотреть на вещь. Цвет не существует вне нашего восприятия. Вам нужен источник света и что-то, что отражает этот свет. И тогда этот свет нужно увидеть, чтобы появился цвет.

Ньютон впервые обнаружил, что свет представляет собой спектр. Свет состоит из длин волн примерно в диапазоне 380-720 нм. Это видимый свет. Но мы видим свет на разных длинах волн по-разному.

В человеческом глазу есть фотодетекторы. Некоторые из них являются так называемыми конусами. Существует три различных вида колбочек: S, M и L. Каждый вид по-разному реагирует на разные длины волн света. Эти колбочки иногда называют красными, зелеными и синими фоторецепторами, хотя это не совсем так. Правильнее было бы назвать их красноватыми, чуть менее красноватыми и голубоватыми. Как показывает этот график, их кривые отклика довольно сильно перекрываются:

Источник света, такой как лампочка, имеет определенный спектр света — определенную интенсивность на каждой длине волны. Объект, например. рама велосипеда, в свою очередь, будет отражать или поглощать волны разной длины с разной интенсивностью. Для каждой колбочки мы можем умножить (фактически проинтегрировать по длине волны) спектр источника света на спектр отражения объекта и кривую отклика колбочки. Для каждого конуса это приведет к одному значению. Получившиеся S, M и L конусы три стимул значения — это воспринимаемый цвет. Наш мозг интерпретирует эту комбинацию значений красноватых, чуть менее красноватых и голубоватых колбочек как цвет. Однако воспринимаемый цвет зависит не только от этих трех значений, но и от пространственной и временной информации.

Указание цвета

Теперь мы знаем, как формируется цвет, но как мы можем определить данный цвет? Что, если мы хотим описать конкретный красный цвет велосипеда?

Оказывается, для этого нам нужно нечто, называемое цветовым пространством. Мы можем думать о цветовом пространстве как о единице измерения.

Когда кто-то спрашивает: «Как быстро может бегать слон?», ответ вроде «18» или «2,8» не имеет смысла. Нам нужно квалифицировать его с помощью единицы измерения, такой как «18 км/ч». То же самое касается цвета. Когда мы спрашиваем: «Какого цвета этот велосипед?», нам также нужна «единица измерения», чтобы дать количественную оценку нашего ответа. Эта единица измерения — цветовое пространство.

Хотя детали сложны, основная концепция цветовых пространств довольно проста для понимания: если мы используем три источника света — красный, зеленый и синий источник света — мы можем смешивать их вместе, чтобы получить различные цвета. света. Если мы хотим соответствовать, скажем, цвету банана, отражающего свет от нашей настольной лампы, мы можем получить значения 10, 8 и 4. Цвет неба может получиться равным 4, 8 и 10. Эти значения зависят от того, какие именно источники света (какие основные цвета) мы выбрали для наших трех источников света, которые мы набираем, чтобы получить эти три значения: 4, 8 и 10. Если бы мы выбрали другой набор ламп ( то есть первичные), значения 11, 9, и 2, возможно, привели к точно такому же цвету. Основные цвета, которые мы выбираем, определяют наше цветовое пространство.

На вопрос «Какого цвета этот велосипед?» мы можем сказать, что с определенным набором первичных источников света они должны быть настроены на интенсивность 23%, 45% и 53%. Затем кто-то другой с тем же набором основных цветов может воссоздать этот цвет.

Цветовое пространство де-факто по умолчанию, используемое современными компьютерами и iOS, — это цветовое пространство sRGB. Его три основных цвета определены в ITU-R BT.709.. Существуют разные способы определения цветового пространства, отличные от трех основных цветов. В конце концов, однако, концепция остается прежней.

Стоит отметить, что большинство цветовых пространств могут представлять только подмножество видимых цветов. Давайте посмотрим на схему цветового пространства sRGB:

Диаграмма в форме подковы представляет все цвета, видимые человеческому глазу. Черный треугольник показывает цвета, которые могут быть представлены цветовым пространством sRGB. Три угла — это основные цвета цветового пространства, то есть цвета, состоящие только из одного из основных цветов с полной интенсивностью. Цвета за пределами треугольника не могут быть представлены цветовым пространством sRGB, хотя человеческий глаз может их воспринимать. И кстати: все цвета вне треугольника на этой диаграмме кажутся очень похожими на цвета на краю треугольника. Это потому что реальных цветов за пределами треугольника не могут быть представлены цветовым пространством sRGB, которое использует файл изображения. Он может представлять цвета только в пространстве sRGB и должен возвращаться к тому, который ближе всего к реальному цвету.

Когда мы выбираем цвет с помощью шестнадцатеричных значений, скажем, #dde834 или используем API UIKit UIColor(красный:0,867, зеленый:0,910, синий:0,204, альфа:1,000) , мы неявно говорим, что 86,7 процента sRGB красный основной, 91 процент зеленого основного sRGB и 20,4 процента синего основного sRGB.

Одна из причин использования цветовых пространств RGB, отличных от sRGB, заключается в том, что некоторые из них имеют более широкий охват, т. е. могут представлять больше видимых цветов. Примером цветового пространства, не основанного на основных цветах RGB, является цветовое пространство CIELUV (также известное как CIELAB). Он также имеет три компонента: компонент L для легкости и компоненты u и v (иногда a и b ) для цветопротивоположных размеров .

Обязательно ознакомьтесь со статьей Википедии о цветовых пространствах для получения дополнительной информации. И поэкспериментируйте с приложением ColorSync Utility.app, которое является частью OS X.

Белый не белый

Еще одна вещь, которая усложняет работу с цветом, заключается в том, что наш мозг много обрабатывает, чтобы все выглядело «правильно» — огромная часть этого называется балансировкой белого. Все мы знаем, что такое белый или серый. Когда мы видим что-то серым, чаще всего это совсем не серый цвет. Но наш мозг «вычисляет», что из-за условий освещения он должен быть серым. Следовательно, мы видим его таким.

Свет, отраженный от белого здания, будет сильно отличаться при свете утреннего солнца от вечернего. Но наш мозг вычисляет, что здание не перекрашивалось из одного цвета в другой. Это может показаться очевидным, потому что мы привыкли, что наш мозг делает это все время.

Наш мозг способен к хроматической адаптации — это балансировка цвета для нас путем независимой регулировки чувствительности каждого типа колбочек. Вдобавок к этому наш мозг выполняет очень сложные трюки, выходящие за рамки простых настроек. То, как мозг интерпретирует цветовые сигналы от колбочек, зависит от локальных, пространственных и временных эффектов. Страницы с иллюзиями Акиёси показывают ошеломляющие примеры того, чем занимается наш мозг. Когда дело доходит до фотографий и цвета, важным выводом является то, что камера не может просто запечатлеть цвет, который она видит , потому что для нас это выглядело бы очень неправильно.

Когда мы делаем снимок камерой, камера не так умна, как наш мозг. Но у камер есть автоматический алгоритм баланса белого, который пытается выяснить, какой нейтральный цвет/серый в сцене. Затем процессор изображения камеры попытается соответствующим образом отрегулировать все цвета на фотографии. Иногда это работает, иногда не получается. Когда он выходит из строя, это чаще всего происходит из-за странных условий освещения, например, если часть сцены освещена одним типом света, а другая освещена другим источником света.

Имея все это в виду, давайте двигаться дальше и посмотрим, как наши цифровые камеры видят эти цвета.

Цифровой датчик цвета

Пиксельные датчики сами по себе не различают длины волн. Поместив перед ними цветные фильтры, пиксельные датчики будут иметь четкие кривые отклика в зависимости от длины волны света.

Если мы используем фильтры зеленого, красного и синего цветов, некоторые пиксельные датчики будут получать только зеленый свет, некоторые — только красный свет, а некоторые — только синий свет (на самом деле их кривые отклика будут похожи на то, как наши глаза конусы делают). Сегодня камеры почти исключительно используют так называемый фильтр Байера. С таким фильтром сенсоров зеленых пикселей в два раза больше, чем красных или синих. Это выглядит так:

Цифровая камера теперь имеет информацию о цвете, но она также теряет много информации. Он знает только, каков уровень красного для 1/4 всех пикселей. Так же и для синего. Для зеленого он знает, каков уровень для 1/2 всех пикселей. Другими словами: 66 процентов данных отсутствуют. Процесс воссоздания полной цветовой информации для всех пикселей называется дебайеризацией. Это включает в себя передовые алгоритмы, которые будут интерполировать существующую информацию в цветное изображение с полным разрешением.

Простая интерполяция привела бы к множеству артефактов, и с годами для их обхода разрабатывались все более и более продвинутые методы с помощью различных алгоритмов дебайеризации. В качестве примера проблемы, большинство алгоритмов дебайеризации в значительной степени полагаются на зеленые пиксели для яркости. В результате почти все алгоритмы дебайеризации плохо работают в областях, которые в основном окрашены в красный цвет. Вот вырезка изображения, сделанного на iPhone 6:

Обратите внимание, что буквы C и T в большом слове «ПРОДУКТ», написанном на внутренней стороне обложки iPad, очень размыты по сравнению с черным текстом в буклете. Кажется, что шумоподавляющая часть дебайеризации сбивается с толку из-за отсутствия зеленой информации в той части изображения, которая является обложкой iPad.

Компенсация недостатков

Помимо воссоздания информации о цвете, процессор изображения внутри камеры также выполняет несколько других корректировок изображения.

Поскольку датчики изображения имеют все больше и больше пикселей, вероятность того, что некоторые из этих пикселей будут дефектными, возрастает. Довольно часто камера будет иметь список пикселей (иногда целых строк), которые ведут себя неправильно. Во время обработки необработанных данных изображения процессор изображения исправит все битые пиксели.

Датчики изображения имеют пиксели, находящиеся за пределами области, воспринимающей видимый свет. Эти пиксели датчика изображения всегда будут черными. Их отображаемое значение, однако, не равно 0. Но эти пиксели позволяют процессору изображения регулировать уровень черного изображения , вычитая значение этих пикселей из тех, которые содержат фактическое изображение. Таким образом, процессор изображения также может компенсировать большинство межстрочных изменений в датчике изображения (и/или АЦП).

Форматы файлов

Последним шагом цифровой камеры является запись данных изображения в файл. Практически во всех случаях цифровые фотографии сохраняются в формате JPEG. Сжатие JPEG изменяет данные изображения, чтобы сильно их сжать. Пиксельные данные в изображении iPhone 6 занимают почти 23 МБ (3,264 x 2,448 x 3 = 23,970,816), в то время как файлы JPEG для такого изображения обычно имеют размер от 1,5 до 2,5 МБ. Подробнее о сжатии JPEG читайте в выпуске №3.

Некоторые цифровые камеры позволяют пользователю сохранять так называемый файл RAW. Процессор изображения камеры по-прежнему будет выполнять некоторую работу с необработанными данными изображения, поступающими с сенсора, но файл будет содержать что-то очень близкое к реальным значениям пикселей. Преимущество этого в том, что мы можем выполнить дебайеризацию на более позднем этапе.

Например, дебайеризация, встроенная в OS X, более мощная, чем в большинстве цифровых зеркальных фотокамер. Работа с файлом RAW поддерживаемой камеры позволяет нам вносить больше корректировок в изображения без потери качества изображения, как при работе с данными, содержащимися в файле JPEG. Обработка изображений RAW Core Image будет применять различные пользовательские настройки к изображению как часть дебайеризации. При работе с изображениями в формате JPEG корректировки можно выполнять только постфактум.

Выезд CoreImage/CIRAWFilter.h в OS X SDK и сеанс 514 WWDC 2014 в 32:40 для получения дополнительных сведений.

Заключительные слова

Современные цифровые камеры являются результатом десятилетий исследований и разработок. Мы едва поцарапали поверхность всех задействованных технологий. Но с этим, мы надеемся, вы сможете получить больше от вашей (iPhone) камеры… и сделать лучшие приложения для фотографий для iOS и OS X.

Спектральные характеристики детектора подсчета фотонов для исследования всего тела КТ: количественная точность в полученных наборах изображений

• Список журналов
• Рукописи авторов HHS
• PMC5565680

Физико-медицинская биология. Авторская рукопись; доступно в PMC 2018 21 августа.

Опубликовано в окончательной редакции как:

Phys Med Biol. 2017 21 августа; 62 (17): 7216–7232.

Published online 2017 Aug 21. doi: 10.1088/1361-6560/aa8103

PMCID: PMC5565680

NIHMSID: NIHMS8

PMID: 28726669

, ^{1, *} , ¹ , ^{1, ‡} , ² , ³ , ³ , ¹ , ³ и ¹

. детектор для подсчета отдельных фотонов и распределения их по определенным энергетическим интервалам путем сравнения энергии фотонов с заданными пороговыми значениями. Это позволяет проводить одновременную многоэнергетическую КТ с одним источником и детектором. Фантомные исследования проводились для оценки спектральных характеристик исследовательского PCCT-сканера путем оценки точности полученных наборов изображений. В частности, мы оценили точность количественного определения йода в изображениях карты йода и точность числа КТ в виртуальных моноэнергетических изображениях (VMI). Флаконы, содержащие йод с 5 известными концентрациями, сканировали на сканере PCCT после помещения в фантомы, представляющие затухание пациентов разного размера. Для сравнения те же флаконы и фантомы были также просканированы на 2 9Сканеры поколения 0315 nd и 3 ^rd с двумя источниками и двумя источниками энергии (DSDE). После разложения материала были созданы карты йода, по которым измерялась концентрация йода для каждого размера флакона и фантома и сравнивалась с известной концентрацией. Кроме того, были сгенерированы VMI, и точность числа CT сравнивалась с эталонным стандартом, который был рассчитан на основе известной концентрации йода и коэффициентов ослабления при каждом кэВ, полученных от Национального института стандартов и технологий США. Результаты показали точное количественное определение йода (среднеквадратичная ошибка 0,5 мгI/см3) и точное число VMI на КТ (процентная ошибка 8,9).%) с помощью сканера PCCT. Общая производительность сканера PCCT с точки зрения количественного определения йода и точности числа VMI CT была сопоставима с таковой у сканеров с двумя источниками и двумя энергиями на основе EID.

Ключевые слова: Детектор счета фотонов, мультиэнергетическая КТ, количественное определение йода, виртуальные моноэнергетические изображения, точность числа КТ в последние годы разными исследователями (Tümer et al., 2000, Schlomka et al., 2008, Shikhaliev, 2008b, Shikhaliev, 2008a, Iwanczyk et al., 2009)., Kappler et al., 2010, Taguchi and Iwanczyk, 2013, Persson et al., 2014, Bennett et al., 2014, Roessl and Proksa, 2007, Ballabriga et al., 2016). PCD измеряют отдельные фотоны и связанную с ними энергию, а не суммарные заряды, генерируемые всеми измеряемыми фотонами, как это происходит с детектором, интегрирующим энергию (EID). Это обеспечивает уникальные преимущества по сравнению с EID, включая более низкий уровень электронного шума, более высокое отношение контраста к шуму (CNR) и улучшенную эффективность дозы, как показано в недавних исследованиях (Schmidt, 2010, Gutjahr et al., 2016, Yu et al., 2016b). . Кроме того, природа энергетического различения PCD позволяет одновременно использовать метод визуализации с несколькими энергиями с использованием одной трубки, потенциала одной трубки (кВ) и одного детектора (Roessl and Proksa, 2007, Schlomka et al. , 2008, Kappler et al. ., 2014, Ли и др., 2015, Фаби и др., 2015).

Исследовательский PCCT-сканер был представлен для изучения преимуществ компьютерной томографии с детектором счета фотонов (Kappler et al., 2010). Предыдущие исследования с использованием этого сканера продемонстрировали, что PCCT способна обеспечить клиническое качество изображения при потоке рентгеновских фотонов, встречающемся при рутинных КТ-исследованиях, которые были соизмеримы с коммерческими системами EID (Yu et al., 2016a, Pourmorteza et al., 2016). . Ранее были продемонстрированы преимущества этого конкретного сканера PCCT по сравнению с современным компьютерным томографом, использующим EID, и они включают улучшенное CNR, увеличенное пространственное разрешение и лучшую стабильность HU при низкой дозе (Gutjahr et al., 2016, Leng et al. ., 2017, Саймонс и др., 2016). Эти исследования, однако, были сосредоточены только на традиционном качестве изображения в одноэнергетическом режиме, т.е. оценивались только изображения, относящиеся к самому низкому энергетическому порогу. Настоящее исследование продолжило исследование этой конкретной системы PCCT, сосредоточив внимание на ее спектральных характеристиках.

КТ с двойной энергией была коммерчески доступна с использованием различных методов, включая двойной источник, быстрое переключение кВ, двухслойный детектор, двойные фильтры и два последовательных сканирования (McCollough et al., 2015, Flohr et al., 2006, Xu et al. , 2009 г., Болл и др., 2008 г., Алмейда и др., 2016 г., Ленг и др., 2015а). При двухэнергетической КТ два измерения объектов изображения, полученные с помощью разных спектров пучка, позволяют дифференцировать и количественно определять два или более материалов на основе энергетической зависимости каждого материала (Альварез и Маковски, 19).76). Например, изображение пациента можно разложить на изображения йода и воды, а количество йода в каждом месте можно определить количественно (Johnson et al., 2007, Chandarana et al., 2011, Li et al., 2013). Еще одним распространенным применением двухэнергетической КТ является создание виртуальных моноэнергетических изображений (VMI) (Goodsitt et al. , 2011, Matsumoto et al., 2011, Yu et al., 2011, Yu et al., 2012). Применение VMI включает увеличение CNR йода с использованием изображений с низкой кэВ или уменьшение металлических артефактов с помощью изображений с высокой кэВ (Yu et al., 2011, Zhang et al., 2011, Leng et al., 2015b, Pinho et al., 2013). Поскольку число КТ зависит от энергии, а в обычной КТ используется широкий спектр, числа КТ для одного и того же материала могут существенно различаться в зависимости от модели сканера и поставщика из-за различий в спектрах луча, вызванных потенциалом трубки, материалом анода и фильтрацией луча. В VMI номер КТ данного материала имеет заранее определенное значение при заданной энергии рентгеновского излучения (кэВ), которое теоретически не должно зависеть от производителя и модели сканера. Это позволяет сравнивать производителей и сканеры, что может быть полезно для клинических приложений, требующих точных и стабильных показателей КТ (Michalak et al., 2016). Однако предыдущие исследования показали, что цифры VMI CT могут быть неточными, с существенными различиями для разных сканеров (Goodsitt et al. , 2011, Mileto et al., 2015).

Таким образом, целью данного исследования является оценка спектральных характеристик исследовательского КТ-сканера с детектором фотонов с точки зрения точности количественного определения йода и точности числа VMI CT, а также сравнение характеристик с характеристиками двойного источника, двойного Energy (DSDE) КТ-сканеры с EID.

2.1 Детектор подсчета фотонов для исследований КТ-система

Оцениваемый исследовательский PCCT-сканер был построен на той же платформе, что и сканер 2-го поколения ^{-го поколения} с двумя источниками, с двумя эквивалентными рентгеновскими трубками, установленными примерно на 95 градусов друг от друга. Одна трубка была соединена с EID с полным полем зрения диаметром 50 см (FOV), а другая была соединена с PCD на основе CdTe с диаметром FOV 27,5 см (). Для визуализации пациентов размером более 27,5 см в подсистеме PCD используется сканирование завершения данных (DCS), чтобы избежать артефактов усечения (Yu et al. , 2016c). В дополнение к сканированию ПКД выполняется дополнительное сканирование целевого объекта с помощью подсистемы ЭИД с полем обзора 50 см, которое называется сканированием ДКС. Данные DCS используются для оценки отсутствующих проекционных данных за пределами 27,5 см FOV подсистемы PCD, чтобы был доступен полный набор проекционных данных, чтобы избежать артефактов усечения. Расчетные данные проекции PCD используются только на этапе линейной фильтрации, чтобы избежать артефактов усечения, но не используются на этапе обратного проецирования (Yu et al., 2016c). Предыдущее исследование показало, что низкодозовое сканирование с индексом дозы объемной КТ (CTDI _vol ) примерно 1 мГр было достаточно для сканирования DCS (Yu et al., 2016c).

Открыть в отдельном окне

Исследовательский PCCT-сканер построен на платформе двухисточникового сканера 2-го поколения с заменой интегрирующего детектора энергии (EID) детектором счета фотонов (PCD).

Подсистема PCD способна получать данные с энергетическим разрешением с 2 или 4 энергетическими порогами, в результате чего получается 2 или 4 элемента энергии путем вычитания количества фотонов из соседних порогов. Собственный размер пикселя PCD составляет 0,225 мм. Однако обычно они группируются как блоки 4×4 (макропиксель) при считывании за дискриминаторами, что дает 0,9мм размер пикселя детектора, что соответствует эффективному размеру пикселя 0,5 мм в изоцентре. В оцениваемой системе нет метода предотвращения разделения заряда. Подсистема PCD способна выполнять КТ всего тела при клиническом уровне дозы с максимальным током трубки 550 мА при потенциале трубки 140 кВ. Подробные описания исследовательской системы PCCT и ее обычных характеристик КТ можно найти в других публикациях (Gutjahr et al., 2016, Kappler et al., 2010, Yu et al., 2016a).

2.2 Фантомное сканирование и реконструкция

Йодсодержащее контрастное вещество (йогексол, 350 мгI/мл, Omnipaque; GE Healthcare, Шанхай, Китай) разбавляли водой для достижения 5 концентраций йода, аналогичных тем, которые обычно наблюдаются при клинических исследованиях: 2, 5, 10, 15 и 20 мгI/куб.см. Растворы йода помещали в отдельные флаконы, которые помещали в водные фантомы в форме туловища, имитирующие затухание туловища пациента. В этом исследовании использовались пять фантомов с латеральной шириной 25, 30, 35, 40 и 45 см для представления взрослых пациентов с худощавым телосложением и ожирением соответственно (1).

Открыть в отдельном окне

Флаконы с различными растворами йода (слева) были помещены внутрь водяных фантомов, изображающих туловище пациента разных размеров (справа).

Йодсодержащие фантомы сканировали на PCCT-сканере со следующими параметрами: потенциал трубки 140 кВ, энергетические пороги 25 и 65 кэВ, время вращения 0,5 секунды на оборот, шаг спирали 0,6. Текущий исследовательский сканер PCCT не оснащен автоматическим контролем экспозиции. Ток трубки регулировался вручную в зависимости от размера каждого фантома, так что произведение тока трубки на время колебалось от 82 мАс (фантом 25 см) до 282 мАс (фантом 45 см), в результате чего CTDI 9.0363 vol от 9,14 (фантом 25 см) до 42,92 мГр (фантом 45 см). Изображения были реконструированы с помощью алгоритма взвешенной фильтрованной обратной проекции и количественного ядра средней гладкости (D30) (Stierstorfer et al. , 2004). Ядро разработано для двойного энергетического анализа без усиления краев, что позволяет получить точное число CT. Это ядро ​​обычно используется в клинических исследованиях двойной энергии. Реконструированное поле зрения составило 250 мм. Толщина среза составляла 5 мм, такая же, как и при рутинной КТ брюшной полости.

Для сравнения, те же фантомы были также отсканированы на сканерах 2 ^nd и 3 ^rd с двойным источником и двойной энергией (DSDE) (Somatom Definition Flash and Force, Siemens Healthcare, Forchheim, Germany). В сканере DSDE 2-го поколения ^и использовались два режима двойной энергии: 80/Sn140 и 100/Sn140, где Sn означает, что для луча 140 кВ используется дополнительный оловянный фильтр. На сканере DSDE 3-го поколения ^rd использовались четыре двухэнергетических режима: 70/Sn150кВ, 80/Sn150кВ, 90/Сн150кВ и 100/Сн150кВ. Ток в трубке регулировали таким образом, чтобы CTDIv _или для каждого размера фантома и режима DSDE соответствовали параметрам сканера PCCT. Изображения были реконструированы с использованием тех же параметров, что и у PCCT-сканера: количественное ядро ​​средней гладкости (D30), поле зрения 250 мм и толщина среза 5 мм.

2.3 Обработка данных и анализ данных

2.3.1 Количественная оценка йода

Реконструированные изображения были загружены на рабочую станцию ​​с коммерческим программным обеспечением для постобработки двойной энергии (Syngo Via, Siemens Healthcare, Forchheim, Germany). «Виртуальное неулучшенное» приложение использовалось для разложения исходных изображений с низкой и высокой энергией на изображения воды и йода, причем последнее обеспечивало концентрацию йодсодержащего контраста (в мгI/см3) в каждом месте. Для каждого условия визуализации рисовали максимально возможную круглую интересующую область (ROI), не касаясь стенок флаконов, для измерения концентрации йода в каждом из 5 флаконов. Концентрация йода в фоновом режиме (вода) также измерялась с ROI аналогичного размера. Этот процесс повторялся для каждого сканера, режима двойной энергии и размера фантома.

Измеренная концентрация йода сравнивалась с известной концентрацией для каждого флакона и вычислялись ошибки. Была выполнена линейная подгонка, и сообщался коэффициент детерминации (R ² ). Для каждого условия визуализации (двойной энергетический режим и тип сканера) рассчитывались и сравнивались среднеквадратичные ошибки (RMSE) по размеру фантома и концентрации йода.

2.3.2 Виртуальное моноэнергетическое изображение (VMI)

VMI были созданы с использованием «виртуального моноэнергетического» приложения в том же программном обеспечении для постобработки двойной энергии (Syngo Via, Siemens Healthcare, Forchheim, Germany). Были созданы VMI, соответствующие от 40 до 140 кэВ на каждые 10 кэВ. Для каждого VMI число CT измерялось для каждого флакона с использованием круговой области интереса. Это измерение было повторено для каждого сканера, режима двойной энергии и размера фантома.

Эталонное число CT при каждом кэВ было рассчитано на основе известной концентрации йода и массового коэффициента ослабления, полученного из Национального института стандартов и технологий США (NIST). Измеренные числа КТ при каждом кэВ сравнивали с эталонными числами КТ. Процентная ошибка была рассчитана для каждого размера фантома, концентрации, сканера и режима двойной энергии. Исследована зависимость процентной ошибки от размера фантома и концентрации йода. Также были рассчитаны вариации чисел VMI CT среди трех сканеров DE для одной и той же концентрации (10 мгI/см3) и кэВ (60 кэВ) для оценки точности числа CT в зависимости от размера фантома на разных сканерах.

3.1 Порог и изображения интервалов

показывают низкоэнергетический порог ([25, 140] кэВ), высокоэнергетический порог ([65, 140] кэВ), интервал 1 ([25, 65] кэВ) и интервал 2 ( [65, 140] кэВ) изображения 35-сантиметрового фантома, полученные на системе PCD. Высокоэнергетический порог и изображения бина 2 идентичны. Как видно из этих изображений, сигнал йода ярче на низкоэнергетическом пороговом изображении по сравнению с высокоэнергетическим пороговым изображением из-за более низкой эффективной энергии фотонов. Точно так же сигнал йода на изображении корзины 1 ярче, чем на изображении корзины 2 и низкоэнергетическом пороговом изображении.

Открыть в отдельном окне

PCCT-изображения низкоэнергетического порога (A, [25, 140] кэВ), высокоэнергетического порога (B, [65, 140] кэВ), бин 1 (C, [25] , 65] кэВ) и бин 2 (D, [65, 140] кэВ). Высокоэнергетический порог и изображения бина 2 идентичны. Все изображения отображаются с шириной окна и центром окна 462 и 133 HU.

3.2 Количественная оценка йода

показывает йод, воду и объединенные (наложенные) изображения 35-сантиметрового фантома после разложения материала. На изображении йода сигналы йода были только в местах, соответствующих 5 флаконам с растворами йода. Заметного сигнала в фоновой (водной) области не наблюдалось. Среднеквадратическая ошибка измерения йода в области фона составила 0,3 мгI/см (). Для изображения воды йод в 5 флаконах был успешно удален, остался только сигнал воды. Как показано на рис. 2, наблюдалась линейная зависимость между измеренной и истинной концентрациями йода для ПКХТ (R ² > 0,99). Погрешности между измеренной и истинной концентрацией йода колебались от -1,0 до +1,5 мгI/см3. Общая среднеквадратическая ошибка для всех размеров и концентраций фантомов составляла 0,5 мгI/см3.

Открыть в отдельном окне

Изображение йода (A), изображение воды (B) и объединенное изображение (йод, наложенный на изображение воды, C), созданные из изображений бинов PCCT с использованием алгоритма разложения материала. Области интереса, расположенные на флаконах с йодом и водном фоне, показывали измеренные концентрации йода. Изображение воды отображалось с шириной окна и центром окна 464 HU и 250 HU. Измеренная концентрация йода сравнивалась с истинной концентрацией (D).

Таблица 2

Среднеквадратическая погрешность количественного определения йода (мгI/см3), измеренная с помощью PCCT, 2 ^nd и 3 ^rd сканеры двойного источника с двумя источниками энергии для различных концентраций йода.

0471 PCCT

Сканер	Режим DE	Концентрация йода (мгI/см3)
		0	2	5	10	15	20
	9						[25, 65] KEV	0,3	0,4	0,6	0,5	0,9	0,5	0,9	0,5	0,9	0,5	0,9	0,5	0,9	0,5	.
2 nd Gen. DS	80/Sn140kV	0.2	0.3	0.6	0.6	1.5	2.2
	100/Sn140kV	0.7	0.4	0,4	0,2	0,2	0,4
3 rd Gen. DS	70/Sn150kV	0.2	0.4	0.6	0.6	1.9	2.3
	80/Sn150kV	0.2	0.1	0.2	0.3	0.5	0.7
	90/Sn150kV	0. 2	0.4	0.1	0.4	0.4	0.6
	100/Sn150kV	0.3	0.4	0.3	0.2	0.3	0.2

Open in a separate window

A comparison of the measured and true iodine concentrations на сканерах DSDE поколения ^{-го поколения} и 3-го поколения ^{-го поколения} показано на рис. Линейная зависимость наблюдалась в большинстве режимов ДСДУ, за исключением режимов с самым низким потенциалом трубки для низкоэнергетического пучка (80/Sn140 и 70/Sn150 для 2 ^и и 3 ^rd поколения сканеров DSDE соответственно), где наблюдалась существенная недооценка концентрации йода для фантомов большого размера, где установка самого низкого потенциала трубки обеспечивала недостаточное проникновение фантома (Michalak et al., 2017 (In Press) ).

Открыть в отдельном окне

Сравнение измеренной концентрации йода с истинной концентрацией для сканера с двумя источниками 2-го поколения с двумя энергетическими режимами 80/Sn140 (A) и 100/Sn140 (B) и сканера с двумя источниками 3-го поколения с двухэнергетические режимы 70/Sn150 (C), 80/Sn150 (D), 90/Sn150 (E) и 100/Sn150 (F).

СКО для каждого размера фантома, режима двойной энергии и типа сканера приведены в . В целом, все три сканера показали точное количественное определение йода, и их производительность в целом была сопоставимой. Общая среднеквадратическая ошибка варьировалась от 0,3 до 0,7 мгI/см3. В целом точность немного снижалась для более крупных фантомов. Для PCCT самая низкая среднеквадратическая ошибка 0,2 мгI/см3 наблюдалась на фантоме 25 см, а самая высокая среднеквадратическая ошибка 0,8 мгI/см3 наблюдалась на фантоме 40 см. Для 2 ^{-й сканер DSDE поколения} , RMSE увеличился для фантомов 40 и 45 см при использовании 80/Sn140 кВ. Для сканера DSDE 3 ^{rd поколения} RMSE фантома 45 см и 70/Sn150 кВ был заметно выше. и суммировать ошибки количественного определения для каждой концентрации йода, показывая абсолютную ошибку в терминах среднеквадратичной ошибки и показывая относительную ошибку в терминах процентной ошибки. Как видно из , увеличение RMSE наблюдалось в направлении высоких концентраций йода для PCCT, 80/Sn140 кВ на 2 ^{-го поколения} и 70/Сн150 кВ и 80/Сн150 кВ на 3-м ^{-м поколении} . Остальные режимы DSDE имели аналогичные среднеквадратичные отклонения для разных концентраций йода. Для фоновой воды, не содержащей йода, среднеквадратическая ошибка варьировалась от 0,2 до 0,7 мгI/см3. Что касается относительной погрешности, самые высокие процентные ошибки наблюдались при концентрации 2 мгI/см3 для всех режимов ДЭ ().

Таблица 1

Среднеквадратическая ошибка количественного определения йода (мгI/см3), измеренная с помощью PCCT, 2 ^nd и 3 ^{rd Сканеры двойной энергии поколения} с двумя источниками для различных размеров фантомов (см).

Scanner Model	DE Mode	25 cm	30 cm	35 cm	40 cm	45 cm	All Sizes
PCCT	[25, 65] кэВ	0,2	0,4	0,6	0,8	0,5	0,5
2 nd Gen. DS	80/Sn140kV	0.4	0.3	0.4	0.8	1.7	0.7
	100/Sn140kV	0.3	0.3	0,3	0,5	0,5	0,4
3 рд Ген. ДС	70/СН150кВ	0,3	0,4	0.4	0.2	2.1	0.7
	80/Sn150kV	0.3	0.4	0.3	0.4	0.2	0.3
	90/Sn150kV	0. 3	0.3	0.2	0.1	0.6	0.3
	100/Sn150kV	0.3	0.3	0.3	0.2	0.3	0.3

Открыть в отдельном окне

Таблица 3

Процентная ошибка количественного определения йода, измеренная с помощью PCCT, 2 ^nd и 3 ^rd сканеры с двойным источником энергии для разных концентраций йода.

Сканер	Режим DE	Концентрация йода (мгI/см3)
		0	2	5	10	15	20
PCCT	[25, 65] keV	NA	14. 6%	7.2%	4.1%	4.8%	3.3%
2 nd Gen. DS	80/Sn140kV	NA	11.0%	8.4%	5.2%	8.1%	8.9%
	100/Sn140kV	нет данных	21,0%	6,8%	2,0%	1,5%	2,0%
3 rd Gen. DS	70/Sn150kV	NA	14.0%	7.6%	5.4%	8.4%	7.4%
	80/Sn150kV	NA	5,0%	2,8%	2,8%	2,8%	3,2%
	90/Sn150kV0471 NA	16. 0%	1.6%	2.6%	2.7%	2.6%
	100/Sn150kV	NA	17.0%	4.8%	2.2%	1.7%	0,8%

Открыть в отдельном окне

3.3 Виртуальное моноэнергетическое изображение (VMI)

показывает образцы VMI при 50, 60, 80, 100, 120 и 140 кэВ для 30-сантиметрового фантома. Как и ожидалось, йод был ярче на изображениях с низкой кэВ по сравнению с изображениями с высокой кэВ, при этом самый яркий сигнал йода наблюдался на изображении с энергией 50 кэВ. показаны измеренные на КТ числа VMI для 30-сантиметрового фантома в диапазоне от 40 до 140 кэВ вместе с эталонными значениями, рассчитанными на основе известных концентраций йода и коэффициентов ослабления при каждом кэВ. Измеренные значения хорошо согласовывались с эталонными значениями с процентной ошибкой в ​​диапазоне от 2,3 до 11,2% для каждого кэВ и общей процентной ошибкой 5,3% для всех кэВ.

Открыть в отдельном окне

Виртуальные моноэнергетические изображения 50, 60, 80, 100, 120 и 140 кэВ, полученные с 30-сантиметрового фантома, отсканированного на PCCT.

Открыть в отдельном окне

Измеренные и эталонные значения VMI CT для различных концентраций йода из 30-сантиметрового фантома, отсканированного на PCCT.

показывает сравнение измеренных и эталонных значений VMI CT для фантомов других размеров. Процентные ошибки для различных размеров фантомов (от 25 до 45 см) и различных концентраций йода, сканированных на сканере PCCT и двух сканерах DSDE, суммированы в и . Можно заметить, что ошибка обычно увеличивается с размером фантома для сканера PCCT, с самой низкой процентной ошибкой 2,4% для фантома 25 см и самой высокой процентной ошибкой 190,0% для фантома 45 см. Высокая процентная ошибка 45-сантиметрового фантома была в основном связана с раствором йода 2 мгI/см3, относительная ошибка которого составила 61,6%. Процентная ошибка снизилась с 19,0% до 8,4%, если исключить раствор 2 мг I/см3. Производительность трех сканеров была в целом сопоставима с процентной ошибкой 8,9% для PCCT, 6,0 и 9,1% для сканера DSDE 2-го поколения ^{-го поколения} и 6,2%, 6,4%, 7,2% и 8,2% для 3-го поколения. ^{rd Сканер DSDE поколения} . Для различных концентраций йода более высокие процентные ошибки наблюдались для раствора 2 мг I/см по сравнению с другими концентрациями йода из-за низких значений VMI CT для раствора 2 мг I/см йода.

Открыть в отдельном окне

Измеренные и эталонные значения VMI CT с различной концентрацией йода для фантомов размером 25 (A), 35 (B), 40 (C) и 45 см (D), отсканированных на PCCT.

Таблица 4

Процентная погрешность значений VMI CT, измеренных с помощью PCCT, 2 ^и и 3 ^rd сканеров с двойным источником энергии для различных размеров фантомов.

Сканер	Режим DE	25 см	30 см	35 cm	40 cm	45 cm	All Sizes
PCCT	[25, 65] keV	2. 4%	5.3%	8.1%	9.5%	19,0%	8,9%
2 ND Gen. DS	80/SN140KV	7,7%	8,0%	6,7%	8,0%	6,7%	8,0%	6,5%	8,0%	6,7%	8,0%	,5%	8,0%. .1%
	100/Sn140kV	4.0%	9.7%	4.3%	4.6%	7.6%	6.0%
3 rd Gen. DS	70/Sn150kV	4.0%	4.8%	5.0%	5. 0%	13.4%	6.4%
	80/Sn150kV	3,3%	8,0%	6,2%	7,5%	5.8%	6.2%
	90/Sn150kV	12.5% ​​	5.0%	5.1%	6.1%	6. 2%	7.0%
	100/Sn150kV	13.5%	5,2%	6,3%	8,5%	7,4%	8,2%

ОТКРЫТ В ОБЛАСТИ

ТАЛЕТ ТАЛЕЙ 5

процентов. и 3 ^rd Сканеры с двумя источниками энергии и двумя источниками энергии относительно различных концентраций йода.

Модель сканера	Режим DE	Концентрация йода (мгI/см3)
		2	5	10	15	20	All
PCD — CT	[25, 65] keV	22. 0%	4.7%	7,6%	4,6%	5,1%	8,9%
2 nd Gen. DS	80/Sn140kV	11.4%	9.2%	7.1%	9.3%	8.7%	9. 1%
	100/Sn140kV	8,6%	6,7%	4,2%	4,7%	6,0%	6,0%
3 rd Gen. DS	70/Sn150kV	12.8%	6.9%	3.7%	5. 0%	3.8%	6.4%
	80/Sn150kV	13.1%	6.7%	4.3%	3.8%	2.9%	6.2%
	90/Sn150kV	16.6%	7.6%	3.9%	3.8%	3. 0%	7.0 %
	100/Сн150кВ	22,1%	7,9%	3,6%	4,1%	3,2%	8,2%

Open Apence

9061. концентрация йода в разных размерах фантомов, измеренная на всех сканерах и во всех режимах сканирования. Он продемонстрировал точные значения VMI CT относительно размера фантома, за исключением некоторого отклонения для фантома большого размера (45 см). Коэффициент вариации составил 0,036 для PCCT, 0,038 и 0,013 для 2 ^{-го поколения} -го сканера DSDE и 0,042, 0,032, 0,022 и 0,016 для 3-го ^{-го поколения} -го сканера DSDE.

Открыть в отдельном окне

Цифры VMI CT при 60 кэВ 10 мгI/см3 для разных размеров фантомов, при разных режимах ЭД и типах сканеров. Эталонное число VMI CT, рассчитанное на основе затухания и концентрации йода, составило 366 HU.

Одной из основных причин внедрения технологии PCD в компьютерную томографию является ее многоэнергетическая способность. Двухэнергетическая КТ в настоящее время используется во многих клинических областях. Поэтому крайне важно оценить спектральные характеристики сканера PCCT, чтобы получить исходные данные и сравнить его характеристики с характеристиками коммерчески доступных сканеров с двойной энергией. Фантомные исследования продемонстрировали высокую точность количественного определения йода с помощью PCCT в диапазоне концентраций йода и диапазоне размеров тела, которые обычно встречаются в клинической практике. Это очень важно, поскольку йод является наиболее распространенным контрастным веществом, используемым в клинических КТ-исследованиях, и многие диагнозы зависят от усиления сигнала йода на КТ-изображениях, например, для определения стадии опухоли и оценки ответа на лечение. Фантомные данные также показали точные числа КТ в VMI, полученные из сканирования PCCT. Это важно для клинических задач, где необходимы точные числа КТ, например, для дифференциации почечных образований от почечных кист путем сравнения усиления с заданным порогом числа КТ. Кроме того, число VMI CT оставалось неизменно точным для разных размеров фантома и моделей сканеров, что может обеспечить согласованные измерения и диагнозы, независимо от того, на каком сканере выполняется исследование и каков размер пациента.

Как для количественного определения йода, так и для точности числа VMI CT наблюдалось незначительное ухудшение характеристик по отношению к фантомам большего размера. Потенциально это может быть связано с несколькими факторами, которые влияют на точность числа КТ исходных низко- и высокоэнергетических пороговых (и биновых) изображений, что, следовательно, влияет на спектральные характеристики, такие как рассеяние, усиление луча и калибровка. Другое наблюдение состоит в том, что для различных концентраций растворов йода относительная ошибка выше для низких концентраций, т. е. раствор 2 мгI/см3. Это понятно, так как в этом сценарии ошибки делятся на меньшее число. Это согласуется с общим наблюдением, что растворы с более низкой концентрацией труднее точно определить количественно.

В целом, спектральные характеристики сканера PCCT были сравнимы со спектральными характеристиками КТ-сканеров DSDE с точки зрения количественного определения йода и точности числа VMI CT. В предыдущем исследовании Faby et al. изучался шум изображений VNC и изображений йода (Faby et al., 2015) с использованием компьютерного моделирования для сравнения режимов DE с последующим сканированием, быстрым переключением напряжения, двухслойным детектором, DSDE, и ПКД. В их исследовании было обнаружено, что DSDE с оловянным фильтром имеет наилучшие характеристики с точки зрения шума в изображениях разложения материала. В многоэнергетической КТ способность материала к разложению зависит от спектрального разделения. Хотя теоретически PCCT может обеспечить идеальное спектральное разделение, реальные спектры обычно связаны со значительным перекрытием из-за неидеальных эффектов, таких как разделение заряда и k-ускользание (Taguchi and Iwanczyk, 2013, Gutjahr et al. , 2016, Koenig et al. ., 2014). Одним из методов уменьшения разделения заряда и улучшения спектрального разрешения является использование схемы коррекции распределения заряда, которая недоступна в системе, исследуемой в этом исследовании (Koenig et al., 2014). С другой стороны, дополнительный оловянный фильтр на сканерах DSDE, отсутствующий на PCCT, значительно улучшает разделение между низко- и высокоэнергетическими спектрами (Primak et al., 2010).

В этом исследовании для сканирования PCCT использовались только 2 энергетических порога, которые были зафиксированы на уровне 25 и 65 кэВ. Эти пороги были выбраны, поскольку они обеспечивали примерно одинаковое количество фотонов для каждого энергетического интервала при 140 кВ ([25, 65] и [65 140] кэВ). Выбор различных энергетических порогов/бинов может повлиять на производительность, что требует будущих исследований. Сканер PCCT может генерировать до 4 энергетических бинов. Для задач, изучаемых в этом исследовании, и для сравнения с двухэнергетической КТ было достаточно 2 бинов энергии. Другие задачи, связанные с несколькими материалами, включая материалы с k-краем в диапазоне энергий диагностического рентгеновского излучения, могут выиграть от 4 энергетических бинов.

В заключение, с помощью сканера PCCT были достигнуты высокая точность количественного определения йода (среднеквадратическая ошибка 0,5 мгI/см3) и точные числа КТ в VMI (процентная ошибка 8,9%). Точность количественного определения йода и числа VMI CT с использованием PCCT была сопоставима с точностью сканеров DSDE на основе EID, в то время как PCCT предлагает другие преимущества, такие как идеальное временное и пространственное выравнивание для предотвращения артефактов движения, высокое пространственное разрешение и улучшенное соотношение контраста и шума.

Исследование, описанное в этой статье, было поддержано Национальным институтом здравоохранения под номерами R01 EB0169.66 и C06 RR018898, а также в сотрудничестве с Siemens Healthcare. Содержание является исключительной ответственностью авторов и не обязательно отражает официальную точку зрения Национального института здравоохранения. Мы хотели бы поблагодарить Майкла Брюсевица за его помощь в сборе данных и Кристину Нуньес за ее помощь в подготовке рукописи.

Потенциальные конфликты интересов включают следующее: Д-р МакКоллоу получает отраслевую грантовую поддержку от Siemens Healthcare. доктора Краусс, Шмидт, Капплер и Халавейш — сотрудники Siemens. Компания Siemens Healthcare предоставила исследовательский сканер, оцениваемый в этой работе, который не продается в коммерческих целях. Остальные авторы не имеют конфликта интересов.

• ALMEIDA IP, SCHYNS LE, ÖLLERS MC, VAN ELMPT W, PARODI K, LANDRY G, VERHAEGEN F. Количественная визуализация двухэнергетической КТ: сравнительное исследование двухлучевых и двухлучевых КТ-сканеров. Медицинская физика 2016 [PubMed] [Google Scholar]
• АЛЬВАРЕС Р.Е., МАКОВСКИЙ А. Энергоселективные реконструкции в рентгеновской компьютерной томографии. Физика в медицине и биологии. 1976; 21:733. [PubMed] [Google Scholar]
• BALLABRIGA R, ALOZY J, CAMPBELL M, FROJDH E, HEIJNE E, KOENIG T, LLOPART X, MARCHAL J, PENNICARD D, POIKELA T. Обзор ASIC для считывания гибридных пиксельных детекторов для спектроскопического X- лучевая визуализация. Журнал приборостроения. 2016;11:P01007. [Академия Google]
• BENNETT JR, OPIE AM, XU Q, YU H, WALSH M, BUTLER A, BUTLER P, CAO G, MOHS A, WANG G. Гибридная спектральная микро-КТ: проектирование системы, реализация и предварительные результаты. Транзакции IEEE по биомедицинской инженерии. 2014;61:246–53. [PubMed] [Google Scholar]
• BOLL DT, MERKLE EM, PAULSON EK, FLEITER TR. Проходимость коронарного стента: двухэнергетическая мультидетекторная КТ-оценка в пилотном исследовании с антропоморфным фантомом. Радиология. 2008; 247: 687–95. [PubMed] [Google Scholar]
• CHANDARANA H, MEGIBOW AJ, COHEN BA, SRINIVASAN R, KIM D, LEIDECKER C, MACARI M. Количественное определение йода с помощью двухэнергетической КТ: фантомное исследование и предварительный опыт с почечными образованиями. Американский журнал рентгенологии. 2011;196: W693–W700. [PubMed] [Google Scholar]
• FABY S, KUCHENBECKER S, SAWALL S, SIMONS D, SCHLEMMER HP, LELL M, KACHELRIEß M. Эффективность современной двухэнергетической КТ и будущей многоэнергетической КТ в виртуальной бесконтрастной визуализации и йоде количественная оценка: имитационное исследование. мед. физ. 2015;42:4349–4366. [PubMed] [Google Scholar]
• FLOHR TG, MCCOLLOUGH CH, BRUDER H, PETERSILKA M, GRUBER K, SÜB C, GRASRUCK M, STIERSTORFER K, KRAUSS B, RAUPACH R. Первая оценка производительности КТ с двумя источниками (DSCT). ) система. Европейская радиология. 2006; 16: 256–268. [PubMed] [Академия Google]
• GOODSITT MM, CHRISTODOULOU EG, LARSON SC. Точность синтезированных монохроматических КТ-чисел и эффективных атомных номеров, полученных с помощью двухэнергетического КТ-сканера с быстрым переключением кВп. Медицинская физика. 2011;38:2222–2232. [PubMed] [Google Scholar]
• GUTJAHR R, HALAWEISH AF, YU Z, LENG S, YU L, LI Z, JORGENSEN SM, RITMAN EL, KAPPLER S, MCCOLLOGH CH. Визуализация человека с помощью компьютерной томографии на основе подсчета фотонов при клинических уровнях дозы: отношение контраста к шуму и исследования трупов. Исследовательская радиология 2016 [бесплатная статья PMC] [PubMed] [Google Scholar]
• ИВАНЧИК Д.С., НИГАРД Э., МЕЙРАВ О., АРЕНСОН Д., БАРБЕР В.К., ХАРТСОУ Н.Е., МАЛАХОВ Н., ВЕССЕЛ Д.К. Энергодисперсионные детекторные решетки со счетом фотонов для рентгеновской визуализации. Транзакции IEEE по биомедицинской инженерии. 2009; 56: 535–542. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• JOHNSON TR, KRAUSS B, SEDLMAIR M, GRASRUCK M, BRUDER H, MORHARD D, FINK C, WECKBACH S, LENHARD M, SCHMIDT B. Дифференциация материалов с помощью двухэнергетической КТ : начальный опыт. Европейская радиология. 2007;17:1510–1517. [PubMed] [Академия Google]
• КАППЛЕР С., ГЛАССЕР Ф., ЯНССЕН С., КРАФТ Э., РЕЙНВАНД М. Исследовательский прототип системы для клинической компьютерной томографии с подсчетом квантов. Труды SPIE — Международного общества оптической инженерии. 2010;7622:76221Z. [Google Scholar]
• KAPPLER S, HENNING A, KREISLER B, SCHÖECK F, STIERSTORFER K, FLOHR T. КТ с подсчетом фотонов при повышенных токах рентгеновской трубки: стабильность контраста, шум изображения и мультиэнергетическая производительность. Труды SPIE — Международного общества оптической инженерии. 2014;9033:^{С. [Google Scholar]}
• KOENIG T, ZUBER M, HAMANN E, CECILIA A, BALLABRIGA R, CAMPBELL M, RUAT M, TLUSTOS L, FAULER A, FIEDERLE M. Как спектроскопическая рентгеновская визуализация выигрывает от межпиксельной связи. Физика в медицине и биологии. 2014;59:6195. [PubMed] [Google Scholar]
• LENG S, GUTJAHR R, FERRERO A, KAPPLER S, HENNING A, HALAWEISH A, ZHOU W, MONTOYA J, MCCOLLOGH C, HEALTHCARE S. SPIE Медицинская визуализация. Международное общество оптики и фотоники; 2017. Сверхвысокое пространственное разрешение, многоэнергетическая КТ с использованием технологии детектора подсчета фотонов; стр. 101320Y-101320Y–7. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• ЛЕНГ С., ШИУН М., А.И. С., ЦВ. М., ВРТИСКА Т.Д., ГРАНТ КЛ., КРАУСС Б., ШМИДТ Б. , ЛИСКЕ Д.К., МАККОЛЛО Ч. Возможность отличить мочевую кислоту от почечных камней, не содержащих мочевую кислоту, с помощью последовательных пространственно зарегистрированных низко- и высокоэнергетических сканирований, полученных на обычном компьютерном томографе. Американский журнал рентгенологии. 2015а; 204:92–97. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• LENG S, YU L, FLETCHER JG, MCCOLLOUGH CH. Максимальное увеличение отношения йодного контраста к шуму при КТ брюшной полости за счет использования шумоподавления в энергетической области и виртуальной моноэнергетической двухэнергетической КТ. Радиология. 2015b; 276: 562–570. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• LI Y, SHI G, WANG S, WU R. Количественное определение йода с помощью двухэнергетической КТ: фантомное исследование и предварительный опыт остаточной опухоли VX2 у кроликов после радиочастотной абляции. Британский журнал радиологии. 2013;86:20130143. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• LI Z, LENG S, YU L, YU Z, MCCOLLOUGH CH. Разложение материала на основе изображения с общим ограничением объема для КТ со счетом фотонов. Труды SPIE — Международного общества оптической инженерии. 2015;9412:94120Т. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• MATSUMOTO K, JINZAKI M, TANAMI Y, UENO A, YAMADA M, KURIBAYASHI S. Виртуальное монохроматическое спектральное изображение с быстрым переключением киловольтажа: улучшенное качество изображения по сравнению с полученным с помощью Обычный ТТ 120 кВп. Радиология. 2011; 259: 257–262. [PubMed] [Google Scholar]
• MCCOLLOGH C, LENG S, YU L, FLETCHER JG. Двух- и мультиэнергетическая компьютерная томография: принципы, технические подходы и клинические приложения. Радиология. 2015; 276:637. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• MICHALAK G, GRIMES J, FLETCHER J, HALAWEISH A, YUL, LENG S, MCCOLLOUGH C. Техническое примечание. Улучшена стабильность числа КТ в зависимости от размера пациента с использованием виртуальной моноэнергетической визуализации КТ с двойной энергией. Медицинская физика. 2016;43:513–517. [PubMed] [Google Scholar]
• МИХАЛАК Г., ГРАЙМС Дж., ФЛЕТЧЕР Дж., ХАЛАВЕЙШ А., ЮЛ., ЛЕНГ С., МАККОЛЛОУ С. Выбор оптимальных настроек потенциала трубки для двухэнергетической КТ виртуальной моноэнергетической визуализации йода в живот. Абдоминальная радиология 2017 В прессе. [PubMed] [Академия Google]
• MILETO A, BARINA A, MARIN D, STINNETT SS, ROY CHOUDHURY K, WILSON JM, NELSON RC. Виртуальные монохроматические изображения с двухэнергетической мультидетекторной КТ: разница в числах КТ одного и того же поражения между реализациями на основе проекций с одним источником и на основе изображений с двумя источниками. Радиология. 2015; 279: 269–277. [PubMed] [Google Scholar]
• PERSSON M, HUBER B, KARLSSON S, LIU X, CHEN H, XU C, YVEBORG M, BORNEFALK H, DANIELSSON M. Компьютерная томография с энергетическим разрешением с кремниевым полосковым детектором, подсчитывающим фотоны. . Физика в медицине и биологии. 2014;59: 6709–27. [PubMed] [Google Scholar]
• ПИНЬО Д. Ф., КУЛКАРНИ Н.М., КРИШНАРАЙ А., КАЛВА С.П., САХАНИ Д.В. Первоначальный опыт двухэнергетической КТ-ангиографии брюшной полости с одним источником и сравнение с одноэнергетической КТ-ангиографией: качество изображения, усиление, диагностика и доза облучения. Европейская радиология. 2013; 23: 351–359. [PubMed] [Google Scholar]
• POURMORTEZA A, SYMONS R, SANDFORT V, MALLEK M, FULD MK, HENDERSON G, JONES EC, MALAYERI AA, FOLIO LR, BLUEMKE DA. Визуализация брюшной полости с помощью КТ с контрастным усилением и подсчетом фотонов: первый человеческий опыт. Радиология. 2016;279: 239–245. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• PRIMAK AN, GIRALDO JCR, EUSEMANN CD, SCHMIDT B, KANTOR B, FLETCHER JG, MCCOLLOGH CH. Двухэнергетическая КТ с двумя источниками и дополнительной оловянной фильтрацией: оценка дозы и качества изображения в фантомах и в естественных условиях. Американский журнал рентгенологии. 2010;195:1164–1174. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• ROESSL E, PROKSA R. Визуализация K-края в рентгеновской компьютерной томографии с использованием детекторов счета фотонов с несколькими бинами. физ.-мед. биол. 2007;52:4679–96. [PubMed] [Google Scholar]
• SCHLOMKA JP, ROESSL E, DORSCHEID R, DILL S, MARTENS G, ISTEL T, BAUMER C, HERRMANN C, STEADMAN R, ZEITLER G, LIVNE A, PROKSA R. Экспериментальная осуществимость мульти- К-краевая визуализация с подсчетом энергии фотонов в доклинической компьютерной томографии. физ.-мед. биол. 2008;53:4031–47. [PubMed] [Google Scholar]
• SCHMIDT TG. Энергетическое взвешивание КТ при наличии рассеяния и ограниченного энергетического разрешения. Медицинская физика. 2010;37:1056–1067. [PubMed] [Академия Google]
• ШИХАЛИЕВ П.М. Компьютерная томография с обнаружением с энергетическим разрешением: технико-экономическое обоснование. физ.-мед. биол. 2008а; 53:1475–95. [PubMed] [Google Scholar]
• ШИХАЛИЕВ ПМ. Компьютерная томография с энергетическим разрешением: первые экспериментальные результаты. физ.-мед. биол. 2008b; 53: 5595–613. [PubMed] [Google Scholar]
• STIERSTORFER K, RAUSCHER A, BOESE J, BRUDER H, SCHALLER S, FLOHR T. Взвешенный FBP — простой приблизительный алгоритм 3D FBP для многослойной спиральной КТ с хорошим использованием дозы для произвольного шага. физ.-мед. биол. 2004;49: 2209–18. [PubMed] [Google Scholar]
• SYMONS R, CORK TE, SAHBAEE P, FULD MK, KAPPLER S, FOLIO LR, BLUEMKE DA, POURMORTEZA A. Скрининг рака легких с низкими дозами с помощью КТ с подсчетом фотонов: технико-экономическое обоснование. Физика в медицине и биологии. 2016;62:202. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• TAGUCHI K, IWANCZYK JS. Vision 20/20: Рентгеновские детекторы со счетом одиночных фотонов в медицинской визуализации. мед. физ. 2013;40:100901. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• TÜMER T, CLAJUS M, VISSER G, YIN S, WILLSON P, D’ARIES L, PARNHAM K, GLICK B, PERRY J, GAMBLE T. Предварительные результаты получены из новый детектор подушек CdZnTe и ASIC для считывания, разработанный для автоматической системы досмотра багажа. Отчет о конференции симпозиума по ядерным наукам. 2000; 1:4/36–4/41. [Академия Google]
• XU D, LANGAN DA, WU X, PACK JD, BENSON TM, TKACZKY JE, SCHMITZ AM. Медицинская визуализация SPIE. Международное общество оптики и фотоники; 2009. Двухэнергетическая ТТ с помощью быстрой оценки спектра коммутации кВп. [Google Scholar]
• ЮЛ, КРИСТНЕР Дж.А., ЛЕНГ С., ВАНГ Дж., ФЛЕТЧЕР Дж.Г., МАККОЛЛО Ч. Виртуальная монохроматическая визуализация при двухэнергетической КТ с двумя источниками: доза облучения и качество изображения. Медицинская физика. 2011; 38: 6371–6379. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• YU L, LENG S, MCCOLLOUGH CH. Монохроматическая визуализация на основе двухэнергетической КТ. Американский журнал рентгенологии. 2012;199:С9–С15. [PubMed] [Google Scholar]
• YU Z, LENG S, JORGENSEN SM, LI Z, GUTJAHR R, CHEN B, HALAWEISH AF, KAPPLER S, YU L, RITMAN EL, MCCOLLOGH CH. Оценка обычных характеристик визуализации в исследовательской системе КТ всего тела с детекторной матрицей, подсчитывающей фотоны. Физика в медицине и биологии. 2016а;61:1572–95. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• YU Z, LENG S, KAPPLER S, HAHN K, LI Z, HALAWEISH AF, HENNING A, MCCOLLOGH CH. Шумовые характеристики низкодозовой КТ: сравнение между детектором, интегрирующим энергию, и детектором, считающим фотоны, с использованием КТ-сканера для исследования всего тела. Журнал медицинской визуализации. 2016b;3:043503–043503. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Ю З., ЛЕНГ С., Л.И. З., ХАЛАВЕЙШ А.Ф., КАППЛЕР С., РИТМАН Э.Л., МАККОЛЛО Ч. Насколько низкой может быть доза радиации для завершения сканирования данных в исследовательской системе компьютерной томографии с подсчетом фотонов всего тела. Журнал компьютерной томографии 2016c [бесплатная статья PMC] [PubMed] [Google Scholar]
• ZHANG D, LI XH, LIU B. Объективная характеристика сканера GE Discovery CT750 HD: режим спектральной визуализации Gemstone. мед. физ. 2011; 38:1178–1188. [PubMed] [Академия Google]

Настройка кластеров | Блоки данных на AWS

В этой статье объясняются параметры конфигурации, доступные при создании и изменении кластеров блоков данных. Основное внимание уделяется созданию и редактированию кластеров с использованием пользовательского интерфейса. Другие методы см. в разделе CLI Clusters, Clusters API 2.0 и поставщик Databricks Terraform.

Чтобы решить, какая комбинация параметров конфигурации лучше всего соответствует вашим потребностям, см. рекомендации по настройке кластера.

В этой статье описывается устаревший пользовательский интерфейс кластеров. Дополнительные сведения о пользовательском интерфейсе предварительного просмотра см. в разделе Изменения пользовательского интерфейса кластеров Databricks.

Политика кластера

Политика кластера ограничивает возможность настройки кластеров на основе набора правил. Правила политики ограничивают атрибуты или значения атрибутов, доступные для создания кластера. Политики кластера имеют списки управления доступом, которые ограничивают их использование определенными пользователями и группами и, таким образом, ограничивают выбор политик при создании кластера.

Чтобы настроить политику кластера, выберите политику кластера в раскрывающемся списке Политика .

Примечание

Если в рабочей области не было создано ни одной политики, Раскрывающийся список политики не отображается.

Если у вас есть:

• разрешение на создание кластера, вы можете выбрать политику Unrestricted и создавать полностью настраиваемые кластеры. Политика Unrestricted не ограничивает какие-либо атрибуты кластера или значения атрибутов.

• Оба кластера создают разрешение и доступ к политикам кластера, вы можете выбрать политику Unrestricted и политики, к которым у вас есть доступ.

• Доступ только к политикам кластера, вы можете выбрать политики, к которым у вас есть доступ.

Режим кластера

Блоки данных поддерживают три режима кластера: стандартный, высокий параллелизм и один узел. Режим кластера по умолчанию — Стандартный.

Важно

• Если ваша рабочая область назначена метахранилищу каталога Unity, кластеры с высоким параллелизмом недоступны. Вместо этого вы используете режим доступа, чтобы обеспечить целостность элементов управления доступом и обеспечить надежные гарантии изоляции. См. также Создание кластера, который может получить доступ к каталогу Unity.

• Нельзя изменить режим кластера после создания кластера. Если вам нужен другой режим кластера, вы должны создать новый кластер.

Примечание

Конфигурация кластера включает параметр автоматического завершения, значение которого по умолчанию зависит от режима кластера:

Стандартные кластеры

Стандартный кластер рекомендуется для одного пользователя. Стандартные кластеры могут выполнять рабочие нагрузки, разработанные на любом языке: Python, SQL, R и Scala.

Кластеры с высокой степенью параллелизма

Кластер с высокой степенью параллелизма — это управляемый облачный ресурс. Основные преимущества кластеров с высоким уровнем параллелизма заключаются в том, что они обеспечивают точное совместное использование для максимального использования ресурсов и минимальных задержек запросов.

Кластеры с высоким уровнем параллелизма могут выполнять рабочие нагрузки, разработанные в SQL, Python и R. Производительность и безопасность кластеров с высоким уровнем параллелизма обеспечиваются выполнением пользовательского кода в отдельных процессах, что невозможно в Scala.

Кроме того, только кластеры с высокой степенью параллелизма поддерживают управление доступом к таблицам.

Чтобы создать кластер с высокой степенью параллелизма, установите для параметра Режим кластера значение Высокая степень параллелизма .

Пример создания кластера с высоким уровнем параллелизма с помощью Clusters API см. в разделе Пример кластера с высоким уровнем параллелизма.

Происхождение данных

Предварительный просмотр

Происхождение данных находится в публичном предварительном просмотре.

Чтобы создать кластер, фиксирующий происхождение данных, перейдите на страницу конфигурации кластера и выполните следующие действия:

Примечание

Чтобы зафиксировать происхождение как часть задания, выполняемого с использованием кластера заданий, обязательно настройте кластер заданий со следующей конфигурацией.

1. В Режим доступа выберите Однопользовательский или Общий .

   • Один пользователь : Кластер, который поддерживает несколько языков, но может использоваться одним назначенным пользователем.

   • Общий : Кластер, который может совместно использоваться несколькими пользователями. Поддерживаются только рабочие нагрузки SQL и Python.

2. В среде выполнения Databricks версии выберите Databricks Runtime 11.1 или более поздней версии.

3. Щелкните переключатель Дополнительные параметры .

4. Перейдите на вкладку Spark .

5. В текстовом поле Spark config введите следующую конфигурацию:

    spark.databricks.dataLineage.enabled true
    

6. Щелкните Создать кластер .

Пулы

Чтобы сократить время запуска кластера, вы можете присоединить кластер к предварительно определенному пулу простаивающих экземпляров для драйвера и рабочих узлов. Кластер создается с использованием экземпляров в пулах. Если в пуле недостаточно свободных ресурсов для создания запрошенных драйверов или рабочих узлов, пул расширяется за счет выделения новых экземпляров от поставщика экземпляров. Когда присоединенный кластер прекращает работу, используемые им экземпляры возвращаются в пулы и могут быть повторно использованы другим кластером.

Если вы выберете пул для рабочих узлов, но не для узла драйвера, узел драйвера наследует пул из конфигурации рабочего узла.

Важно

Если вы попытаетесь выбрать пул для узла драйвера, но не для рабочих узлов, произойдет ошибка, и ваш кластер не будет создан. Это требование предотвращает ситуацию, когда узлу-драйверу приходится ждать создания рабочих узлов или наоборот.

См. Пулы, чтобы узнать больше о работе с пулами в модулях данных.

Среда выполнения Databricks

Среда выполнения Databricks — это набор основных компонентов, которые выполняются в ваших кластерах. Все среды выполнения Databricks включают Apache Spark и добавляют компоненты и обновления, повышающие удобство использования, производительность и безопасность. Дополнительные сведения см. в разделе Среды выполнения Databricks.

Databricks предлагает несколько типов сред выполнения и несколько версий этих типов сред выполнения в раскрывающемся списке Databricks Runtime Version при создании или изменении кластера.

Ускорение фотона

Photon доступен для кластеров с Databricks Runtime 9. 1 LTS и выше.

Чтобы включить ускорение Photon, установите флажок Use Photon Acceleration .

При желании вы можете указать тип экземпляра в раскрывающемся списке Worker Type и Driver Type.

Вы можете просматривать активность Photon в пользовательском интерфейсе Spark. На следующем снимке экрана показаны сведения о запросе DAG. В DAG есть два указания на Photon. Во-первых, операторы Photon начинаются с «Photon», например, PhotonGroupingAgg . Во-вторых, в DAG операторы и стадии Photon окрашены в персиковый цвет, а не-Photon — в синий.

Образы Docker

Для некоторых версий Databricks Runtime можно указать образ Docker при создании кластера. Примеры использования включают настройку библиотеки, среду золотого контейнера, которая не меняется, и интеграцию Docker CI/CD.

Вы также можете использовать образы Docker для создания настраиваемых сред глубокого обучения в кластерах с устройствами GPU.

Инструкции см. в разделе Настройка контейнеров с помощью Databricks Container Services и Databricks Container Services в кластерах GPU.

Тип узла кластера

Кластер состоит из одного узла драйвера и нуля или более рабочих узлов.

Вы можете выбрать отдельные типы экземпляров облачного провайдера для драйвера и рабочего узла, хотя по умолчанию драйверный узел использует тот же тип экземпляра, что и рабочий узел. Различные семейства типов экземпляров подходят для разных вариантов использования, например для рабочих нагрузок с интенсивным использованием памяти или вычислений.

• Узел драйвера

• Рабочий узел

• Типы экземпляров GPU

• Типы инстансов AWS Graviton

Узел драйвера

Узел драйвера поддерживает информацию о состоянии всех ноутбуков, подключенных к кластеру. Узел драйвера также поддерживает SparkContext и интерпретирует все команды, которые вы запускаете из записной книжки или библиотеки в кластере, а также запускает мастер Apache Spark, который координирует свои действия с исполнителями Spark.

Значение по умолчанию для типа узла драйвера совпадает с типом рабочего узла. Вы можете выбрать более крупный тип узла драйвера с большим объемом памяти, если вы планируете собирать() большое количество данных от рабочих процессов Spark и анализировать их в записной книжке.

Совет

Поскольку узел драйвера хранит всю информацию о состоянии подключенных ноутбуков, обязательно отсоедините неиспользуемые ноутбуки от узла драйвера.

Рабочий узел

Рабочие узлы Databricks запускают исполнители Spark и другие службы, необходимые для правильного функционирования кластеров. Когда вы распределяете рабочую нагрузку с помощью Spark, вся распределенная обработка выполняется на рабочих узлах. Databricks запускает один исполнитель на каждый рабочий узел; поэтому термины исполнитель и рабочий взаимозаменяемо используются в контексте архитектуры Databricks.

Совет

Для запуска задания Spark необходим хотя бы один рабочий узел. Если в кластере нет рабочих процессов, вы можете запускать команды, отличные от Spark, на узле драйвера, но команды Spark не будут выполняться.

Примечание

Databricks запускает рабочие узлы с двумя частными IP-адресами каждый. Основной частный IP-адрес узла используется для размещения внутреннего трафика Databricks. Дополнительный частный IP-адрес используется контейнером Spark для связи внутри кластера. Эта модель позволяет Databricks обеспечивать изоляцию между несколькими кластерами в одной рабочей области.

Типы экземпляров графического процессора

Для сложных вычислительных задач, требующих высокой производительности, например связанных с глубоким обучением, Databricks поддерживает кластеры, ускоренные с помощью графических процессоров (GPU). Дополнительные сведения см. в разделе Кластеры с поддержкой графического процессора.

Типы экземпляров AWS Graviton

Предварительная версия

Эта функция находится в общедоступной предварительной версии.

Databricks поддерживает кластеры с процессорами AWS Graviton. Инстансы AWS Graviton на базе Arm разработаны AWS для обеспечения лучшей цены и производительности по сравнению с сопоставимыми инстансами текущего поколения на базе x86. См. раздел Кластеры с поддержкой AWS Graviton.

Размер кластера и автоматическое масштабирование

При создании кластера Databricks можно либо указать фиксированное количество рабочих процессов для кластера, либо указать минимальное и максимальное количество рабочих процессов для кластера.

Когда вы предоставляете кластер фиксированного размера, Databricks гарантирует, что в вашем кластере есть указанное количество рабочих процессов. Когда вы указываете диапазон количества рабочих, Databricks выбирает соответствующее количество рабочих, необходимое для выполнения вашего задания. Это называется автомасштабирование .

При автоматическом масштабировании Databricks динамически перераспределяет работников с учетом характеристик вашей работы. Некоторые части вашего конвейера могут потребовать больше вычислительных ресурсов, чем другие, и Databricks автоматически добавляет дополнительных рабочих на этих этапах вашей работы (и удаляет их, когда они больше не нужны).

Автомасштабирование упрощает достижение высокой степени использования кластера, поскольку вам не нужно выделять кластер в соответствии с рабочей нагрузкой. Это особенно относится к рабочим нагрузкам, требования к которым со временем меняются (например, изучение набора данных в течение дня), но также может применяться к однократной более короткой рабочей нагрузке, требования к подготовке которой неизвестны. Таким образом, автомасштабирование предлагает два преимущества:

В зависимости от постоянного размера кластера и рабочей нагрузки автоматическое масштабирование дает вам одно или оба этих преимущества одновременно. Размер кластера может стать меньше минимального количества рабочих процессов, выбранных, когда облачный провайдер завершает работу экземпляров. В этом случае Databricks постоянно пытается повторно подготовить экземпляры, чтобы поддерживать минимальное количество рабочих процессов.

Примечание

Автомасштабирование недоступно для заданий spark-submit .

Как работает автомасштабирование

• Увеличение от мин. до макс. за 2 шага.

• Можно уменьшить масштаб, даже если кластер не простаивает, просматривая состояние файла в случайном порядке.

• Масштабируется в зависимости от процента текущих узлов.

• Масштабирование кластеров заданий уменьшается, если кластер не используется в течение последних 40 секунд.

• В универсальных кластерах уменьшает масштаб, если кластер недоиспользуется в течение последних 150 секунд.

• Свойство конфигурации spark.databricks.aggressiveWindowDownS Spark указывает в секундах, как часто кластер принимает решения по уменьшению масштаба. Увеличение значения приводит к более медленному уменьшению масштаба кластера. Максимальное значение 600.

Включение и настройка автомасштабирования

Чтобы разрешить Databricks автоматически изменять размер кластера, включите автомасштабирование для кластера и укажите минимальный и максимальный диапазон рабочих процессов.

1. Включить автомасштабирование.

   • Универсальный кластер — на странице «Создать кластер» установите флажок Включить автомасштабирование в поле Параметры автопилота :

   • Кластер заданий — на странице «Настройка кластера» установите флажок Включить автомасштабирование в поле Параметры автопилота :

2. Настройте минимальные и максимальные рабочие процессы.

   Когда кластер работает, на странице сведений о кластере отображается количество выделенных рабочих процессов. Вы можете сравнить количество выделенных воркеров с конфигурацией воркеров и при необходимости внести коррективы.

Важно

Если вы используете пул экземпляров:

• Убедитесь, что запрошенный размер кластера меньше или равен минимальному количеству простаивающих экземпляров.
  В бассейне. Если оно больше, время запуска кластера будет эквивалентно кластеру, который не использует пул.

• Убедитесь, что максимальный размер кластера меньше или равен максимальной емкости пула. Если он больше, кластер
  создание не удастся.

Пример автоматического масштабирования

Если статический кластер изменить на автоматически масштабируемый, Databricks немедленно изменяет размер кластера в пределах минимальной и максимальной границ, а затем запускает автомасштабирование. В качестве примера в следующей таблице показано, что произойдет с кластерами с определенным начальным размером, если вы перенастроите кластер для автоматического масштабирования между 5 и 10 узлами.

Начальный размер	Размер после реконфигурации
6	6
12	10
3	5

Шифрование локального диска

Предварительная версия

Эта функция находится в общедоступной предварительной версии.

Некоторые типы экземпляров, которые вы используете для запуска кластеров, могут иметь локально подключенные диски. Блоки данных могут хранить данные в случайном порядке или эфемерные данные на этих локально подключенных дисках. Чтобы убедиться, что все данные в состоянии покоя зашифрованы для всех типов хранилищ, включая данные в случайном порядке, которые временно хранятся на локальных дисках вашего кластера, вы можете включить шифрование локального диска.

Важно

Ваши рабочие нагрузки могут выполняться медленнее из-за влияния на производительность чтения и записи зашифрованных данных в локальные тома и из них.

Если включено шифрование локального диска, Databricks создает локально ключ шифрования, который уникален для каждого узла кластера и используется для шифрования всех данных, хранящихся на локальных дисках. Область действия ключа является локальной для каждого узла кластера и уничтожается вместе с самим узлом кластера. В течение всего срока службы ключ находится в памяти для шифрования и дешифрования и хранится в зашифрованном виде на диске.

Чтобы включить шифрование локального диска, необходимо использовать Clusters API 2.0. При создании или редактировании кластера установите:

 {
  "enable_local_disk_encryption": правда
}
 

См. раздел «Создание и редактирование» в справочнике по API кластеров, где приведены примеры того, как вызывать эти API.

Вот пример вызова создания кластера, который включает шифрование локального диска:

 {
  "имя_кластера": "мой-кластер",
  "spark_version": "7.3.x-скала2.12",
  "node_type_id": "r3.xlarge",
  "enable_local_disk_encryption": правда,
  "spark_conf": {
    "spark.speculation": правда
  },
  "число_работников": 25
}
 

Режим безопасности

Если ваша рабочая область назначена хранилищу метаданных каталога Unity, вы используете режим безопасности вместо режима кластера с высокой степенью параллелизма, чтобы обеспечить целостность элементов управления доступом и обеспечить надежные гарантии изоляции. Кластерный режим High Concurrency недоступен в каталоге Unity.

В разделе Дополнительные параметры выберите один из следующих режимов безопасности кластера:

• Нет : Без изоляции. Не применяет управление доступом к локальной таблице рабочей области или передачу учетных данных. Не удается получить доступ к данным каталога Unity.

• Один пользователь : Может использоваться только одним пользователем (по умолчанию пользователь, создавший кластер). Другие пользователи не могут подключиться к кластеру. При доступе к представлению из кластера с режимом безопасности Single User представление выполняется с разрешениями пользователя. Однопользовательские кластеры поддерживают рабочие нагрузки с использованием Python, Scala и R. В однопользовательских кластерах поддерживаются сценарии инициализации, установка библиотек и монтирование DBFS FUSE. Автоматизированные задания должны использовать однопользовательские кластеры.

• Изоляция пользователя : Может совместно использоваться несколькими пользователями. Поддерживаются только рабочие нагрузки SQL. Установка библиотеки, сценарии инициализации и монтирование DBFS FUSE отключены, чтобы обеспечить строгую изоляцию между пользователями кластера.

• Только таблица ACL (предыдущая версия) : Применяет управление доступом к локальной таблице рабочей области, но не может получить доступ к данным каталога Unity.

• Только сквозной доступ (предыдущие версии) : Обеспечивает сквозной доступ к локальным учетным данным рабочей области, но не может получить доступ к данным каталога Unity.

Единственными режимами безопасности, поддерживаемыми для рабочих нагрузок каталога Unity, являются Однопользовательский и Изоляция пользователя .

Дополнительные сведения см. в разделе Что такое режим доступа к кластеру?.

Конфигурации AWS

При настройке экземпляров AWS кластера вы можете выбрать зону доступности, максимальную спотовую цену, тип и размер тома EBS, а также профили экземпляров. Чтобы указать конфигурации,

1. На странице конфигурации кластера щелкните значок Дополнительные параметры переключение.

2. В нижней части страницы щелкните вкладку Экземпляры .

Зоны доступности

Выбор определенной зоны доступности (AZ) для кластера полезен, прежде всего, если ваша организация приобрела зарезервированные экземпляры в определенных зонах доступности. Узнайте больше о зонах доступности AWS.

Автоматические зоны доступности (Auto-AZ)

Кластер можно настроить на автоматический выбор зоны доступности на основе доступных IP-адресов в подсетях рабочей области. Эта функция называется «Auto-AZ». Вы должны использовать Clusters API, чтобы включить Auto-AZ, параметр awsattributes.zone_id = "авто" . Auto-AZ повторяет попытку в других зонах доступности, если AWS возвращает ошибки недостаточной емкости.

Спотовые инстансы

Можно указать, следует ли использовать спотовые инстансы, и максимальную спотовую цену для использования при запуске спотовых инстансов в процентах от соответствующей цены по запросу. По умолчанию максимальная цена составляет 100% от цены по запросу. См. спотовые цены на AWS.

Тома EBS

В этом разделе описываются параметры тома EBS по умолчанию для рабочих узлов, как добавлять тома в случайном порядке и как настроить кластер, чтобы Databricks автоматически выделял тома EBS.

Чтобы настроить тома EBS, щелкните вкладку Экземпляры в конфигурации кластера и выберите параметр в раскрывающемся списке Тип тома EBS .

Тома EBS по умолчанию

Databricks подготавливает тома EBS для каждого рабочего узла следующим образом:

• Зашифрованный корневой том экземпляра EBS объемом 30 ГБ, используемый только операционной системой хоста и внутренними службами Databricks.

• Зашифрованный корневой том контейнера EBS объемом 150 ГБ, используемый рабочим процессом Spark. Здесь размещаются службы и журналы Spark.

• (только HIPAA) зашифрованный том рабочего журнала EBS размером 75 ГБ, в котором хранятся журналы для внутренних служб Databricks.

Добавить тома перемешивания EBS

Чтобы добавить тома перемешивания, выберите General Purpose SSD в раскрывающемся списке Тип тома EBS:

По умолчанию выходные данные перемешивания Spark направляются на локальный диск экземпляра. Для типов экземпляров, у которых нет локального диска, или если вы хотите увеличить объем хранилища Spark Shuffle, вы можете указать дополнительные тома EBS.
Это особенно полезно для предотвращения ошибок нехватки места на диске при выполнении заданий Spark, которые создают большие выходные данные в случайном порядке.

Databricks шифрует эти тома EBS как для экземпляров по запросу, так и для точечных экземпляров. Узнайте больше о томах AWS EBS.

Дополнительное шифрование томов Databricks EBS с помощью ключа, управляемого клиентом

При необходимости можно зашифровать тома EBS кластера с помощью ключа, управляемого клиентом.

См. Управляемые клиентом ключи для хранилища рабочей области

Ограничения AWS EBS

Убедитесь, что ваши ограничения AWS EBS достаточно высоки, чтобы удовлетворить требования времени выполнения для всех рабочих процессов во всех кластерах.
Информацию об ограничениях EBS по умолчанию и о том, как их изменить, см. в разделе Ограничения Amazon Elastic Block Store (EBS).

Тип тома AWS EBS SSD

В качестве типа тома AWS EBS SSD можно выбрать gp2 или gp3. Чтобы сделать это, см. Управление хранилищем SSD. Databricks рекомендует перейти на gp3 из-за его экономии по сравнению с gp2. Техническую информацию о gp2 и gp3 см. в разделе Типы томов Amazon EBS.

Автомасштабирование локального хранилища

Если вы не хотите выделять фиксированное количество томов EBS во время создания кластера, используйте автомасштабирование локального хранилища. Благодаря автомасштабированию локального хранилища Databricks отслеживает объем свободного дискового пространства, доступного на рабочих процессах Spark вашего кластера. Если на диске рабочей роли становится слишком мало места, Databricks автоматически подключает к рабочей роли новый том EBS до того, как на нем закончится место на диске. Тома EBS подключаются до 5 ТБ общего дискового пространства на экземпляр (включая локальное хранилище экземпляра).

Чтобы настроить хранилище с автоматическим масштабированием, выберите Включить локальное хранилище с автоматическим масштабированием в окне «Параметры автопилота»:

Тома EBS, подключенные к экземпляру, отсоединяются только при возврате экземпляра в AWS. То есть тома EBS никогда не отсоединяются от экземпляра, пока он является частью работающего кластера. Чтобы сократить использование EBS, Databricks рекомендует использовать эту функцию в кластере, настроенном с типами экземпляров AWS Graviton или автоматическим завершением.

Примечание

Databricks использует жесткий диск с оптимизированной пропускной способностью (st1) для расширения локального хранилища экземпляра. Ограничение емкости AWS по умолчанию для этих томов составляет 20 ТиБ. Чтобы избежать превышения этого предела, администраторы должны запрашивать увеличение этого предела в зависимости от своих требований к использованию.

Примечание

Если вы создали свою учетную запись Databricks до версии 2. 44 (то есть до 27 апреля 2017 г.) и хотите использовать локальное хранилище с автоматическим масштабированием (включено по умолчанию в кластерах с высокой степенью параллелизма), вы должны добавить разрешения тома в IAM. роль или ключи, используемые для создания вашей учетной записи. В частности, вы должны добавить разрешения ec2:AttachVolume , ec2:CreateVolume , ec2:DeleteVolume и ec2:DescribeVolumes . Полный список разрешений и инструкции по обновлению существующей роли или ключей IAM см. в разделе Создание роли IAM для нескольких учетных записей.

Профили экземпляров

Для безопасного доступа к ресурсам AWS без использования ключей AWS можно запускать кластеры Databricks с профилями экземпляров. Сведения о том, как создавать и настраивать профили экземпляров, см. в разделе Безопасный доступ к корзинам S3 с помощью профилей экземпляра. Создав профиль экземпляра, выберите его в раскрывающемся списке Профиль экземпляра:

Примечание

После запуска кластера с профилем экземпляра любой, у кого есть разрешение на присоединение к этому кластеру, может получить доступ к базовым ресурсам, контролируемым этой ролью. Чтобы защититься от нежелательного доступа, вы можете использовать управление доступом к кластеру, чтобы ограничить разрешения для кластера.

Конфигурация Spark

Для точной настройки заданий Spark можно указать настраиваемые свойства конфигурации Spark в конфигурации кластера.

1. На странице конфигурации кластера щелкните значок Дополнительные параметры переключение.

2. Перейдите на вкладку Spark .

   В конфигурации Spark введите свойства конфигурации как одну пару «ключ-значение» в строке.

При настройке кластера с помощью Clusters API 2.0 задайте свойства Spark в поле spark_conf в запросе на создание кластера или запрос на изменение кластера.

Чтобы задать свойства Spark для всех кластеров, создайте глобальный сценарий инициализации:

 dbutils.fs.put("dbfs:/databricks/init/set_spark_params.sh","""
  |#!/бин/баш
  |
  |cat << 'EOF' > /databricks/driver/conf/00-custom-spark-driver-defaults. conf
  |[водитель] {
  | "spark.sql.sources.partitionOverwriteMode" = "ДИНАМИЧЕСКИЙ"
  |}
  |ЕОФ
  """.stripMargin, правда)
 

Получить свойство конфигурации Spark из секрета

Databricks рекомендует хранить конфиденциальную информацию, например пароли, в секрете, а не в открытом тексте. Чтобы сослаться на секрет в конфигурации Spark, используйте следующий синтаксис:

 spark.<имя-свойства> {{secrets/<имя-области>/<имя-секрета>}}
 

Например, чтобы задать для свойства конфигурации Spark с именем пароль значение секрета, хранящегося в secrets/acme_app/password :

 spark.password {{secrets/acme-app/password}}
 

Дополнительные сведения см. в разделе Синтаксис для ссылки на секреты в свойстве конфигурации Spark или переменной среды.

Переменные среды

Можно настроить пользовательские переменные среды, доступ к которым можно получить из сценариев инициализации, работающих в кластере. Databricks также предоставляет предопределенные переменные среды, которые можно использовать в сценариях инициализации. Вы не можете переопределить эти предопределенные переменные среды.

1. На странице конфигурации кластера щелкните переключатель Дополнительные параметры .

2. Перейдите на вкладку Spark .

3. Установите переменные среды в поле Переменные среды .

Вы также можете установить переменные среды, используя поле spark_env_vars в конечных точках API создания кластера или Изменить запрос кластера.

Кластерные теги

Теги кластера позволяют легко отслеживать стоимость облачных ресурсов, используемых различными группами в вашей организации. Вы можете указать теги как пары ключ-значение при создании кластера, и Databricks применяет эти теги к облачным ресурсам, таким как виртуальные машины и дисковые тома, а также к отчетам об использовании DBU.

Для кластеров, запущенных из пулов, пользовательские теги кластера применяются только к отчетам об использовании DBU и не распространяются на облачные ресурсы.

Подробные сведения о совместной работе типов тегов пула и кластера см. в разделе Мониторинг использования с помощью тегов кластера и пула.

Для удобства Databricks применяет к каждому кластеру четыре тега по умолчанию: Vendor , Creator , ClusterName и ClusterId .

Кроме того, в кластерах заданий Databricks применяет два тега по умолчанию: RunName и JobId .

К ресурсам, используемым Databricks SQL, Databricks также применяет тег по умолчанию SqlWarehouseId .

Предупреждение

Не назначать пользовательский тег с помощью клавиши Имя для кластера. Каждый кластер имеет тег Name , значение которого задается Databricks. Если вы измените значение, связанное с ключом Name , кластер больше не сможет отслеживаться Databricks. Как следствие, кластер может не быть остановлен после простоя и будет по-прежнему нести затраты на использование.

Вы можете добавлять пользовательские теги при создании кластера. Чтобы настроить теги кластера:

1. На странице конфигурации кластера нажмите значок Дополнительные параметры переключение.

2. В нижней части страницы щелкните вкладку Теги .

3. Добавьте пару «ключ-значение» для каждого пользовательского тега. Вы можете добавить до 45 пользовательских тегов.

Дополнительные сведения см. в разделе Мониторинг использования с помощью тегов кластера и пула.

Принудительное использование обязательных тегов

Чтобы определенные теги всегда заполнялись при создании кластеров, вы можете применить определенную политику IAM к основной роли IAM вашей учетной записи (та, которая создается во время настройки учетной записи; обратитесь к администратору AWS, если вам нужен доступ) . Политика IAM должна включать явные операторы Deny для обязательных ключей тегов и необязательных значений. Создание кластера завершится ошибкой , если не будут указаны необходимые теги с одним из допустимых значений.

Например, если вы хотите применить теги Department и Project с допустимыми только указанными значениями для первого и непустым значением в свободной форме для второго, вы можете применить политику IAM, подобную этой:

 {
  «Версия»: «2012-10-17»,
  "Заявление": [
    {
      "Сид": "MandateLaunchWithTag1",
      «Эффект»: «Запретить»,
      "Действие": [
        "ec2:Запустить экземпляры",
        "ec2:Создать теги"
      ],
      "Ресурс": "arn:aws:ec2:region:accountId:instance/*",
      "Условие": {
        "StringNotEqualsIgnoreCase": {
          "aws:тег запроса/отдел": [
              "Отдел1", "Отдел2", "Отдел3"
          ]
        }
      }
    },
    {
      "Сид": "MandateLaunchWithTag2",
      «Эффект»: «Запретить»,
      "Действие": [
        "ec2:Запустить экземпляры",
        "ec2:Создать теги"
      ],
      "Ресурс": "arn:aws:ec2:region:accountId:instance/*",
      "Условие": {
        "StringNotLike": {
          "aws:RequestTag/Project": "?*"
        }
      }
    }
  ]
}
 

Действия ec2:RunInstances и ec2:CreateTags требуются для каждого тега для эффективного охвата сценариев, в которых есть кластеры, имеющие только экземпляры по требованию, только точечные экземпляры или и то, и другое.

Совет

Databricks рекомендует добавить отдельное заявление политики для каждого тега. Общая политика может стать длинной, но ее легче отлаживать. Список операторов, которые можно использовать в политике, см. в Справочнике по операторам условий политики IAM.

Примечание

Ошибки создания кластера из-за политики IAM отображают закодированное сообщение об ошибке , начинающееся с:

 Ошибка запуска облачного провайдера: при настройке кластера произошла ошибка облачного провайдера.
 

Сообщение закодировано, поскольку сведения о статусе авторизации могут представлять собой привилегированную информацию, которую пользователь, запросивший действие, не должен видеть. См. API DecodeAuthorizationMessage (или CLI) для получения информации о том, как декодировать такие сообщения.

SSH-доступ к кластерам

Примечание

Вы не можете использовать SSH для входа в кластер, для которого включено безопасное подключение к кластеру.

SSH позволяет удаленно входить в кластеры Apache Spark для расширенного устранения неполадок и установки пользовательского программного обеспечения.

Дополнительные сведения см. в разделе Веб-терминал.

В этом разделе описывается, как настроить учетную запись AWS, чтобы разрешить входящий доступ к вашему кластеру с помощью открытого ключа, и как открыть SSH-соединение с узлами кластера.

Настройка группы безопасности

Необходимо обновить группу безопасности Databricks в своей учетной записи AWS, чтобы предоставить входящий доступ к IP-адресу, с которого вы будете инициировать подключение SSH. Вы можете установить это для одного IP-адреса или указать диапазон, который представляет весь диапазон IP-адресов вашего офиса.

1. В консоли AWS найдите группу безопасности Databricks. Он будет иметь метку, аналогичную -worker-unmanaged . (Пример: dbc-fb3asdddd3-рабочий-неуправляемый )

2. Измените группу безопасности и добавьте правило TCP для входящего трафика, чтобы разрешить порт 2200 для рабочих компьютеров. Это может быть один IP-адрес или диапазон.

3. Убедитесь, что ваш компьютер и офис позволяют отправлять TCP-трафик на порт 2200 .

Создать пару ключей SSH

Создать пару ключей SSH, выполнив эту команду в сеансе терминала:

 ssh-keygen -t rsa -b 4096 -C "[email protected]"
 

Необходимо указать путь к каталогу, в котором вы хотите сохранить открытый и закрытый ключи. Открытый ключ сохраняется с расширением .pub .

Настройте новый кластер с помощью открытого ключа

1. Скопируйте все содержимое файла открытого ключа.

2. На странице конфигурации кластера щелкните переключатель Дополнительные параметры .

3. В нижней части страницы нажмите значок SSH таб.

4. Вставьте скопированный ключ в поле Открытый ключ SSH .

Настройте существующий кластер с помощью вашего открытого ключа

Если у вас есть кластер и вы не предоставили открытый ключ во время создания кластера, вы можете внедрить открытый ключ, запустив этот код из любого блокнота, подключенного к кластеру:

 val publicKey = "поместите сюда свой открытый ключ"
def addAuthorizedPublicKey (ключ: строка): Unit = {
  val fw = new java. io.FileWriter("/home/ubuntu/.ssh/authorized_keys", /* добавить */ true)
  fw.write("\n" + ключ)
  fw.close()
}
val numExecutors = sc.getExecutorMemoryStatus.keys.size
sc.parallelize(0 до numExecutors, numExecutors).foreach { i =>
  addAuthorizedPublicKey (публичный ключ)
}
addAuthorizedPublicKey (публичный ключ)
 

SSH к узлу драйвера Spark

1. На странице конфигурации кластера щелкните переключатель Дополнительные параметры .

2. Перейдите на вкладку SSH . Скопируйте имя хоста узла драйвера.

3. Выполните следующую команду, заменив имя хоста и путь к файлу закрытого ключа.

    ssh ubuntu@<имя хоста> -p 2200 -i <путь к файлу закрытого ключа>
    

SSH к рабочим узлам Spark

Вы подключаетесь по SSH к рабочим узлам так же, как и к узлу драйвера.

1. На странице сведений о кластере щелкните вкладку Spark Cluster UI — Master .

2. В таблице Workers щелкните worker, к которому вы хотите подключиться по SSH. Скопируйте поле Имя хоста.

Доставка журнала кластера

При создании кластера можно указать место для доставки журналов для узла драйвера Spark, рабочих узлов и событий. Журналы доставляются каждые пять минут в выбранный вами пункт назначения. Когда кластер прекращает работу, Databricks гарантирует доставку всех журналов, созданных до момента остановки кластера.

Назначение журналов зависит от идентификатора кластера. Если указанный пункт назначения
dbfs:/cluster-log-delivery , журналы кластера для 0630-1

-leap375 доставляются в
dbfs:/cluster-log-delivery/0630-1

-leap375 .

Чтобы настроить место доставки журнала:

1. На странице конфигурации кластера щелкните переключатель Дополнительные параметры .

2. Перейдите на вкладку Ведение журнала .

3. Выберите тип адресата.

4. Введите путь к журналу кластера.

Цели корзины S3

Если вы выберете цель корзины S3, вы должны настроить кластер с профилем экземпляра, который может получить доступ к корзине.
Этот профиль экземпляра должен иметь разрешения PutObject и PutObjectAcl . Пример профиля экземпляра
был включен для вашего удобства. Инструкции по настройке профиля экземпляра см. в разделе Безопасный доступ к корзинам S3 с помощью профилей экземпляра.

 {
  «Версия»: «2012-10-17»,
  "Заявление": [
    {
      «Эффект»: «Разрешить»,
      "Действие": [
        "s3:ЛистБакет"
      ],
      "Ресурс": [
        "arn:aws:s3:::"
      ]
    },
    {
      «Эффект»: «Разрешить»,
      "Действие": [
        "s3:ПоместитьОбъект",
        "s3:ПутОбжектАкл",
        "s3:ПолучитьОбъект",
        "s3:УдалитьОбъект"
      ],
      "Ресурс": [
        "arn:aws:s3:::/*"
      ]
    }
  ]
}
 

Примечание

Эта функция также доступна в REST API. См. Clusters API 2.0 и примеры доставки журнала кластера.

Сценарии инициализации

Инициализация узла кластера — или сценарий инициализации — это сценарий оболочки, который запускается во время запуска для каждого узла кластера до запуска драйвера Spark или рабочей JVM. Вы можете использовать сценарии инициализации для установки пакетов и библиотек, не включенных в среду выполнения Databricks, изменить системный путь к классам JVM, задать системные свойства и переменные среды, используемые JVM, или изменить параметры конфигурации Spark, среди других задач настройки.

Вы можете прикрепить сценарии инициализации к кластеру, развернув Дополнительные параметры и щелкните вкладку Сценарии инициализации .

Подробные инструкции см. в разделе Сценарии инициализации узла кластера.

A1 MP+ / A1R MP+ Мультифотон | Многофотонные микроскопы | Nikon Microscope Products

Удивительно глубоко — мультифотон A1R MP+ обнаруживает сверхглубокую динамику внутри живых организмов.

Многофотонные конфокальные микроскопы A1R MP+ обеспечивают более быструю и четкую визуализацию более глубоких слоев живых организмов, расширяя границы традиционных методов исследования в биологических науках. Они совместимы как с прямыми, так и с инвертированными микроскопами и обеспечивают оптимальные конфигурации многофотонной визуализации для исследований мозга, других нейробиологических исследований и in vivo визуализация живых образцов.

Скачать Multiphoton Brochure (19.61MB)

---

Основные характеристики

Deep

Визуализация in vivo со сверхвысокочувствительным GaAsP NDD

GaAsP NDD оснащен GaAsP PMT, который имеет более высокое отношение сигнал/шум и превосходную чувствительность, чем Multi-Alkali PMT, и позволяет четко отображать более глубокие площади живых особей. Его способность получать изображения с высоким отношением сигнал/шум обеспечивает более быструю визуализацию и более высокое качество визуализации Z-стека. Его высокая чувствительность позволяет регистрировать флуоресцентные сигналы с меньшей мощностью лазера, что приводит к меньшему фотоповреждению живых образцов.

Nikon A1R MP+ может быть сконфигурирован с длиной волны 1080 нм, а также с длиной волны 1300 нм, что позволяет получать глубокие изображения до 1,4 мм.

NDD располагаются как можно ближе к образцу, чтобы обнаружить максимальное количество сигналов рассеянного излучения из глубины живых образцов. Комбинация эпископических и диаскопических GaAsP NDD для вертикального микроскопа Ni-E/FN1 позволяет получать яркие изображения с высоким отношением сигнал/шум за счет обнаружения как отраженных, так и прошедших флуоресцентных сигналов.

4-канальный эпископический GaAsP NDD

4-канальный диаскопический GaAsP NDD

---

Глубокая визуализация головного мозга

in vivo мыши с GaAsP NDD на длине волны 1300 нм

In vivo визуализация анестезированной мыши YFP-H (4-недельного возраста) методом открытого черепа. Визуализация всех пирамидных нейронов слоя V и более глубоких нейронов гиппокампа. Глубокая визуализация достигается за счет трехмерной визуализации дендритов гиппокампа на глубине до 1,4 мм в головном мозге.

Captured with episcopic GaAsP NDD for 1300 nm and CFI75 Apochromat 25XC W 1300 objective (NA 1.10, WD 2.0 mm)

Excitation wavelength: 1040 nm

① Pyramidal cells in layer V

② White matter

③ Alveus

④ Пирамидальные клетки гиппокампа

⑤ Гиппокамп, увеличенное изображение в 3D

Фотографии предоставлены: Drs. Рёске Каваками, Терумаса Хиби и Томоми Немото, Научно-исследовательский институт электронных наук, Университет Хоккайдо

---

Визуализация с одновременным возбуждением с помощью двухволнового ИК-лазера

A1R HD MP+ доступны для систем, совместимых с двухволновым ИК-лазерным одновременным возбуждением.

Комбинация системы с фемтосекундным ИК-импульсным лазером с одновременным выходом на две длины волны (основной перестраиваемый выход 700–1300 нм и вспомогательный фиксированный выход 1040 нм) позволяет одновременно возбуждать и визуализировать два разных красителя в глубокой области внутри живые клетки.

Визуализация с одновременным возбуждением на двух длинах волн рыбки данио

Трехмерные изображения трансгенной линии рыбок данио 1 dpf, Tg[h3afv:GFP; EF1α: mCherry-zGem].

После разведения при лечении Фенилтиомочевиной (PTU), ингибирующей синтез меланина, все тело осветлили оптическим просветляющим раствором LUCID-A.

Эта трансгенная линия визуализирует пролиферирующие клетки и хроматин с помощью mCherry (красный) и GFP (зеленый) соответственно.

Длина волны возбуждения: 900 нм и 1040 нм

Объектив: CFI75 Апохромат 25XC W 1300 (NA 1.10, WD 2.0)

Фотографии предоставлены: Drs. Toshiaki Mochizuki и Ichiro Masai, отдел нейробиологии развития, Окинавский институт науки и технологий, аспирантский университет

---

Вид сбоку туловища трансгенной линии рыбок данио Tg[h3afv:GFP; EF1α: mCherry-CAAX] через 34 часа после оплодотворения. После разведения под действием фенилтиомочевины (ФТУ), угнетающей синтез меланина, все тело осветлили оптическим просветляющим раствором LUCID-A.

Эта трансгенная линия визуализирует клеточную мембрану и хроматин с помощью mCherry (фиолетовый) и GFP (зеленый) соответственно. SHG (синий) указывает на мышечные волокна.

Длина волны возбуждения: 900 нм для SHG, GFP и 1040 нм для mCherry

Объектив: CFI75 Apochromat 25XC W 1300 (NA 1.10, WD 2.0) Тошиаки Мотидзуки и Ичиро Масаи, Отделение нейробиологии развития, Окинавский институт науки и технологий, Высший университет

---

Выбираемая сканирующая головка обеспечивает получение высокоскоростных высококачественных изображений

A1R MP+ представляет собой гибридную сканирующую головку, включающую в себя как гальваносканер высокого разрешения (нерезонансный), так и сверхскоростной резонансный сканер. Его гибридная сканирующая головка обеспечивает визуализацию и фотоактивацию на сверхвысоких скоростях, необходимых для выявления динамики и взаимодействия клеток. A1 MP+ оснащен гальваническим сканером для получения изображений с высоким разрешением. И A1R MP+, и A1 MP+ настраиваются для двух длин волн: 1080 нм и 1300 нм.

---

Сверхбыстрая визуализация в высоком разрешении с помощью резонансного сканера HD

• A1R MP

Захват динамики in vivo с высокой скоростью 720 кадров в секунду

1D scanning	15,600 lps
2D scanning	720 fps (512 x 16 pixels)
Full frame scanning	60 fps (256 x 256 pixels) 30 кадров в секунду (512 x 512 пикселей) 15 кадров в секунду (1024 x 1024 пикселей)

Резонансный сканер A1R HD MP+ имеет сверхвысокую резонансную частоту 7,8 кГц, что обеспечивает сверхбыструю визуализацию со скоростью до 720 кадров в секунду (512 x 16). пикселей). Система генерации оптических импульсов пикселей от Nikon обеспечивает стабильное, геометрически правильное изображение с равномерным освещением даже на высоких скоростях. Это позволяет успешно визуализировать in vivo быстрых изменений, таких как реакции в живых организмах, динамика и клеточные взаимодействия.

Клетки крови в кровеносных сосудах живого организма возбуждались фемтосекундным импульсным ИК-лазером с помощью сверхскоростного резонансного сканера A1R MP+, и их движение одновременно регистрировалось в трех последовательных флуоресцентных изображениях со скоростью 30 кадров в секунду (30 мс) с три отдельных цветовых канала.

Одновременно возбуждаются и визуализируются три флуоресцентных зонда: ядро ​​(синий), эндотелий (зеленый) и плазма (красный). Длинноволновый сверхбыстрый лазер в сочетании со сверхвысокоскоростным резонансным сканером эффективно снижает фотоповреждения и делает возможным многофотонное изображение биомолекул с временным разрешением.

Разрешение изображения: 512 x 512 пикселей, Скорость получения изображения: 30 кадров в секунду, Объектив: иммерсионный объектив 60X

Фотографии предоставлены: д-ром Сатоши Нисимура, Центр молекулярной медицины, Медицинский университет Дзичи

---

Сравнение большого поля зрения изображение и детальное изображение тонких структур в очищенном* 2-миллиметровом срезе мозга мыши H-линии.

Снято при содействии: Drs. Рёске Каваками, Кохей Отомо и Томони Немото, Исследовательский институт электронных наук, Университет Хоккайдо

*RapiClear1.52, SunJin Lab

1-кратный зум (1024 x 1024 пикселей)

6-кратный зум (1024 x 1024 пикселей)

---

In vivo, широкое поле зрения, двухфотонная визуализация Can2/SHG колебаний коллагеновые волокна живых ацинусов поджелудочной железы у мышей под наркозом после стимуляции агонистами. Голубой: сигналы SHG, зеленый: GCaMP7.

Образец: мышь GLT1-GCaMP7 (G7NG817)
Микроскоп: A1R MP+

Объектив: CFI Апохромат LWD Lambda S 20XC WI

, Кохей Отомо, Научно-исследовательский институт электронных наук, Университет Хоккайдо, д-р Хадзиме Хирасе, Институт изучения мозга RIKEN, д-р Томоми Немото, Научно-исследовательский институт электронных наук, Университет Хоккайдо

---

Автоматическое выравнивание лазера при изменении длины волны многофотонного возбуждения

При изменении длины волны многофотонного лазера или предварительной компенсации дисперсии групповой скорости положение луча многофотонного лазера, направленного на заднюю апертуру объектива, также может измениться, что приведет к неравномерной интенсивности по всему изображению, или небольшая несоосность между ИК и видимым лазерным лучом.

Проверка наведения ИК-лазерного луча и настройка юстировки традиционно были трудными. Функция автоматического выравнивания лазера серии A1 MP+/A1R MP+ от Nikon, размещенная в оптическом блоке падающего света для пути многофотонного возбуждения, автоматически максимизирует выравнивание ИК-лазера одним щелчком мыши в NIS-Elements C.

(Возможна автоматическая юстировка лазера в диапазоне длин волн 800–1300 нм)

---

Унифицированная программная платформа для сбора и анализа данных

Унифицированная программная платформа Nikon NIS-Elements обеспечивает интуитивно понятный рабочий процесс для многофотонной визуализации. В сочетании с инструментами графического программирования, такими как JOBS и последовательность освещения, комплексная рабочая среда может быть полностью настроена для любого уровня потребностей приложения.

---

Новые Anycubic Photon M3, Photon M3 Plus и Photon M3 Max

Anycubic представила 5 новых принтеров на своем мероприятии 27 марта. Вот краткое изложение информации, касающейся 3D-печати смолой. Серия Anycubic Photon M3 будет включать три варианта: Anycubic Photon M3, Anycubic Photon M3 Plus и Anycubic Photon M3 Max. Все три обеспечивают мельчайшие детали печати с еще более высокой скоростью печати благодаря источнику света Anycubic LighTurbo.

Кроме того, M3 Plus и M3 Max имеют новую функцию, которая может стать первой среди недорогих полимерных 3D-принтеров: автоматизированную систему заполнения полимером, которая называется Anycubic Auto Resin Filler. Это устранило бы проблему нехватки смолы в середине печати, поскольку M3 Plus и M3 Max могут автоматически определять низкий уровень смолы и доливать ее по мере необходимости без вмешательства человека.

 

Изображение Anycubic: новый Anycubic Kobra (FDM), Anycubic Photon M3, Photon M3 Plus и Photon M3 Max

 

О полимерном 3D-принтере Anycubic Photon M3

Полную информацию можно найти здесь. Цена на этот принтер M3 начального уровня в настоящее время установлена ​​​​на уровне 299 долларов, и принтер будет иметь так называемое разрешение 4K+. Который по размеру пикселей немного лучше по сравнению с их Photon Mono 4K. Для сравнения, Photon M3 имеет ЖК-экран с разрешением 4096 x 2560 пикселей, а Photon Mono 4K имеет ЖК-экран 4K с разрешением 3840 x 2400 пикселей. Объем сборки Anycubic Photon M3 составляет 163 * 102 * 180 мм (Д * Ш * В) с размером пикселя около 23 микрон. Кроме того, на рабочую пластину нанесена лазерная гравировка, что, как говорят, улучшает сцепление базового слоя с рабочей пластиной, и используется модернизированный матричный световой двигатель. Все вместе это кажется хорошим обновлением для принтеров начальных моделей, единственное, чего не хватает, — это двойной оси Z.

 

Найдите смолы и настройки, совместимые с Photon M3

 

О 3D-принтере Anycubic Photon M3 Plus смолы

Полную информацию можно найти здесь. Цена на этот принтер среднего уровня M3 в настоящее время установлена ​​​​на уровне 699 долларов, а принтер имеет разрешение 6K, что напрямую конкурирует с ранее выпущенным Anycubic Photon Mono X 6K как по цене, так и по спецификациям. Для сравнения, у Photon M3 Plus есть ЖК-экран с разрешением 5760 x 3600 пикселей, точно такой же, как у Photon Mono X 6K. Объем сборки Anycubic Photon M3 Plus составляет 19 куб.4*122*245 мм (Д*Ш*В), размер пикселя около 33 микрон. Кроме того, на рабочую пластину нанесена лазерная гравировка, что, как говорят, улучшает сцепление базового слоя с рабочей пластиной, и используется модернизированный матричный световой двигатель. Все вместе это выглядит как незначительное обновление Anycubic Photon Mono X 6K.

 

Найдите смолы и настройки, совместимые с Photon M3 Plus

 

О 3D-принтере Anycubic Photon M3 Max смолы

Полную информацию можно найти здесь. Цена на этот принтер M3 максимального уровня в настоящее время установлена ​​​​на уровне 109 долларов США.9, а принтер имеет разрешение 7K, конкурируя с другими крупными ЖК-принтерами, такими как Elegoo Jupiter, Peopoly Phenom Prime и Phrozen Sonic Mega 8K. Для сравнения, Anycubic Photon M3 Mas имеет ЖК-экран с разрешением 6480×3600 пикселей. Быстрый расчет показывает, что размер пикселя для этого принтера составляет около 45 микрон. Конкурировать как по размеру пикселей, так и по объему сборки с недавно выпущенным Phrozen Sonic Mega 8K. Кроме того, на рабочую пластину нанесена лазерная гравировка, что, как говорят, улучшает сцепление базового слоя с рабочей пластиной, и используется модернизированный матричный световой двигатель. Все вместе это кажется хорошим обновлением, чтобы конкурировать с другими крупными 3D-принтерами MSLA

 

Полимеры, совместимые с Anycubic Photon M3 / M3 Plus / M3 Max

Photon M3 и M3 Plus доступны в лаборатории Liqcreate, и наши инженеры разработали параметры печати для полимеров Liqcreate. вы можете найти их здесь:

• — Настройки Anycubic Photon M3
• — Настройки Anycubic Photon M3 Plus

Технически наши смолы также подходят для Photon M3 Max. настройки для M3 Plus являются хорошей отправной точкой и могут быть немного изменены. Наши инженеры будут рады помочь по электронной почте info@liqcreate. com

 

Изображение Anycubic: Высокая контрастность полезна для 3D-печати смолой

 

Почему высокая контрастность полезна для 3D-печати смолой?

Коэффициент контрастности определяет разницу между истинным белым и истинным черным цветом в индустрии экранов. В первом поколении ЖК-принтеров коэффициент контрастности был довольно низким. Это означает, что черные пиксели не были действительно черными, и некоторый свет все равно проникал. Для некоторых очень реакционноспособных смол накопление этой энергии, умноженной на множество слоев, может вызвать нежелательную полимеризацию. Кроме того, если яркие/белые пиксели еще ярче, время экспозиции может быть меньше.

 

Anycubic Photon Nex

Вместе с этими пятью принтерами был также представлен концептуальный 3D-принтер Anycubic Photon Nex, отличающийся суперскоростью, умной печатью и дизайном, вдохновленным научной фантастикой. Нам еще предстоит узнать, что из себя представляет Anycubic Photon Nex, поскольку на момент написания этой статьи было не так много информации. Согласно имеющейся на данный момент информации «Скорость печати всегда была одной из самых важных настроек для 3D-принтеров. Photon Nex оснащен беспрецедентным модулем сверхвысокой скорости печати, который значительно увеличивает скорость печати до 1600 мм/ч! Сверхскоростная печать делает пользовательский опыт еще более качественным. Модель Эйфелевой башни высотой 200 мм в настоящее время печатается на обычных принтерах за 4 часа, а Photon Nex сокращает эту скорость до 7 минут 30 секунд!» .

Практический модуль фотонной световой системы | Создание лучшего светового короба

После успешной кампании на Kickstarter украинский стартап решил вывести на рынок совершенно новый тип освещения для предметной фотосъемки. Это набор подключаемых к смартфону светодиодных панелей под названием Photon Light Module System, и если предположить, что компания, стоящая за ним — PhotonLMS, поставит ее, это может изменить представление фотографов о световых коробах.

Содержимое

• Создание лучшего светового короба
• Использование Photon LMS
• Это круто, но нужно ли вам это?

PhotonLMS только что запустила вторую краудфандинговую кампанию через Indiegogo. Хотя полный запуск не произойдет до середины 2020 года, PhotonLMS сообщила Digital Trends, что надеется начать поставки спонсорам уже в декабре 2019 года, и отправила нам рабочий прототип для тестирования. Прототип еще не завершен, но я все еще надеялся, что этот световой короб доберется до финиша.

Фотон — самая продвинутая мини-студия с постоянным светодиодным освещением

Создание лучшего светового короба

В старомодном лайтбоксе нет ничего особенного. Это коробка из диффузионного материала, одна сторона которой открыта для камеры. Используется для предметной фотосъемки и смягчает свет от любого источника вне коробки, будь то профессиональная вспышка или обычная бытовая лампа. Эта простота сделала скромный световой короб легкой инвестицией для мастеров, которые хотят выставлять свои товары в Интернете через такие магазины, как Etsy и eBay.

Но лайтбокс — это тупой инструмент, который нелегко настроить. Вот тут-то и появляется модульная система освещения Photon. Вместо одного рассеивателя Photon использует матрицу светодиодных панелей, каждая из которых разделена на 25 независимо управляемых секций, которые можно включать и выключать из мобильного приложения PhotonLMS. Это дает гораздо больший контроль над внешним видом освещения.

Неудивительно, что он и дороже. За полный набор из трех панелей сторонники Kickstarter выложили 599 долларов, а одна панель стоила 219 долларов. Для сравнения, вы можете купить простой световой короб с парой лампочек примерно за 50 долларов на Amazon. PhotonLMS делает ставку на свои обещания повышения гибкости и лучшего качества при продаже своего продукта, и для правильного клиента это, вероятно, сработает.

Использование Photon LMS

Для целей этой статьи мне предоставили один прототип панели, и хотя для полного эффекта требуется три панели, этого было достаточно, чтобы дать мне представление о том, как это работает. На самом деле, я был на удивление доволен результатами, которых добился всего с одной панелью.

В панель встроен Wi-Fi передатчик для подключения к телефону (Bluetooth также планируется в финальной версии). После подключения вы можете открыть приложение, чтобы увидеть отображение трех панелей, каждая из которых разделена на 25 секций. Как уже упоминалось, у меня была только одна панель из трех, что сбивало с толку приложение. Это работало, как если бы у меня были все три.

Вы можете нажать на любой отдельный раздел, чтобы включить его, и панель мгновенно отреагирует. Вы также можете провести пальцем по разделам, чтобы быстро включить или выключить всю строку, но вам нужно выбрать режим ввода «касание» или «слайд». Оба не могут быть активны одновременно, что раздражает.

Если вы используете телефон в качестве камеры, вы можете делать снимки прямо из приложения Photon. Есть даже дополнительные функции для телефонных фотографов в виде режима «автоматической съемки», который циклически переключает различные шаблоны освещения и автоматически делает снимок, используя каждый из них. Вы можете выбрать лучший снимок позже, без необходимости вручную создавать несколько разных шаблонов и тестировать их. Если у вас нет опыта работы со светом, это отличный способ начать.

1 из 6

Панель справа, один раздел, посвященный Дэйвену Мэтиесу / Digital Trends.
Панель справа, все разделы, посвященные Дэйвену Мэтису/Digital Trends.
Панель позади продукта, все разделы о Дэйвене Мэтисе / Digital Trends
Панель за продуктом, нижний ряд выключен Daven Mathies/Digital Trends
Панель справа, все разделы, посвященные Дэйвену Мэтису/Digital Trends.
Панель справа, три передних ряда на Daven Mathies/Digital Trends

Настоящим преимуществом системы Photon LMS является ее способность точно подобрать свет, необходимый для конкретного продукта. Даже имея всего одну панель, я был впечатлен разнообразием внешнего вида, которого можно добиться, включая и выключая отдельные секции. Вы можете сбалансировать яркость переднего плана и фона, управлять отражениями, убрать свет из переэкспонированных областей и многое другое. С несколькими панелями доступная тонкая настройка была бы почти бесконечной.

Нельзя сказать, что он идеален. На текущей стадии прототипа световые секции можно включать и выключать, но нельзя затемнить. PhotonLMS сообщил нам, что диммируемые светодиоды, а также регулируемая цветовая температура и полный цвет RGB находятся в разработке, но не войдут в текущую версию.

Круто, а оно тебе надо?

Для многих цена в 600 долларов за фотооборудование — немалая сумма. В то время как Photon LMS, безусловно, может дать лучшие результаты, средний продавец Etsy может обнаружить, что недорогой световой короб достаточно хорошо справляется со своей задачей, чтобы продавать их продукты.

Хотя я был впечатлен тем, как легко было настроить световые узоры через приложение, вы можете заметить лишь небольшую часть всех возможных узоров, в зависимости от того, что вы снимаете. Если у вас есть один тип продукта — скажем, ювелирные изделия — вы, вероятно, получите одну или две настройки, которые подходят практически для каждого предмета в вашем инвентаре. Да, Photon LMS упрощает настройку этих настроек по сравнению с традиционным световым коробом, но как только вы это сделаете, вам больше не понадобится его гибкость.

Это интересный новый подход к старой концепции, который может повысить качество ваших фотографий продуктов.

Система Photon LMS становится более важной, если вы фотографируете много разных продуктов. Благодаря возможности масштабирования как по размеру, так и по форме, он может осветить все, от солнцезащитных очков до пары брюк. А с регулируемой яркостью, температурой и даже полным управлением RGB, который, как мы надеемся, появится в будущих версиях, Photon LMS, безусловно, превзойдет традиционный световой короб.

Это, конечно, при условии, что он выйдет на рынок. PhotonLMS планирует запуститься в июне 2020 года, чтобы у него было время нарастить производство, но это первая кампания компании по продукту и краудфандингу. Тот факт, что она прислала нам рабочий прототип для тестирования, является хорошим знаком (компания также участвовала в выставке Consumer Electronics Show ранее в этом году), но подумайте о рисках, связанных с краудфандингом , прежде чем поддерживать проект.