Контур счет: Выставить счет на оплату онлайн + Образец — Контур.Экстерн

Содержание

Новые счета‑фактуры, декларации и регистры по НДС — СКБ Контур

Счета-фактуры

Новые счета-фактуры утверждены постановлением Правительства от 02.04.2021 № 534. В основном изменения касаются только организаций и предпринимателей, которые работают с прослеживаемыми товарами, но есть и общие изменения.

Образец нового счёта-фактуры с 1 июля 2021 года

Скачать образец заполнения счёта-фактуры с 1 июля

Изменения для всех

В шапке появилась строка 5а, в которой указываются реквизиты (номер и дата составления) документа на отгрузку, на основании которого составлен счёт-фактура. Это могут быть товарная накладная, акт оказанных услуг, УПД и т.д.

Отдельную графу 1 вводят для порядкового номера записи. Наименование товаров теперь указывается в графе 1а, а код по ТН ВЭД ЕАЭС — в графе 1б. 
Графа 1 связана со строкой 5а. Документ об отгрузке соотносится с конкретными порядковым номером записи в счёте-фактуре. Например, если счёт-фактура составлен на товар по нескольким товарным накладным (сводный счёт-фактура), то в графе 5а будут указываться порядковые номера строк из счёта-фактуры, которые относятся к конкретной накладной.

Разделять документы надо через точку с запятой.

Пример. Документ об отгрузке: № п/п 1-5 N 35 от 5.07.2021;  № п/п 6-10 N 42 от 5.07.2021. Если это УПД, то указываем диапазон всех порядковых номеров строк из табличной части с реквизитами документа.

Строка 5а может в определенных случаях не заполняться (например при авансах), и по формату она не является обязательной. Но при отгрузке товаров (выполнении работ) данную строку необходимо заполнить.

Изменения для участников системы прослеживаемости

Для налогоплательщиков, которые работают с прослеживаемыми товарами, изменений больше. У них есть обязанность заполнять дополнительные графы в табличной части.

Графа 11 изменила название на «Регистрационный номер декларации на товары или регистрационный номер партии товаров, подлежащих прослеживаемости» (ранее называлась «Регистрационный номер таможенной декларации». Она заполняется одним из двух реквизитов:

  • РНПТ, если счёт-фактура по прослеживаемым товарам;
  • регистрационный номер декларации, если по другим товарам.

В одном документе могут быть собраны сведения как по прослеживаемым, так и не по прослеживаемым товарам.

Подробнее о системе прослеживаемости и том, как получать РНПТ

В графы 12 и 12а заносится единица измерения товара. Она определяется по ОКЕИ. В графу 13 — количество товара, подлежащего прослеживаемости, в соответствующих единицах измерения.

Для большинства прослеживаемых товаров показатели граф 2, 2а и 12, 12а будут совпадать. Но так как у прослеживаемых товаров с одинаковым наименованием, единицей измерения и ценой могут быть различные РНПТ, в форме счёта-фактуры можно составить к одной строке счёта-фактуры несколько подстрок граф 11–13. Именно поэтому графы 12 и 13 выделены отдельно от граф 2 и 3.

Пример заполнения с несколькими партиями одного товара:

Корректировочный счёт-фактура тоже изменился:

  • добавили графы 10 и 10а— код и наименование страны происхождения товаров (если в исходном счёте-фактуре эти реквизиты не заполняли, в корректировочном тоже заполнять не нужно)
  • новые графы 11–13 заполняются аналогично обычному счёту-фактуре. Только по графе 13 указывают не первоначальное количество отгруженных товаров, а разницу между их количеством до и после корректировки.

Ошибки в счетах-фактурах, если они допущены в реквизитах прослеживаемости, не будут влиять на право получить налоговые вычеты по НДС. Но так как товары находятся на контроле ФНС, в этом случае велика вероятность получения требований из инспекции по предоставлению пояснений. 

Электронный обмен счетами-фактурами

Продажу и покупку прослеживаемых товаров для перепродажи надо оформлять именно электронными счетами-фактурами и обмениваться ими через операторов ЭДО. Это касается и корректировочных документов (п. 1 ст. 169 НК РФ). Исключения предусмотрены в следующих случаях:

  • товары проданы физлицам для собственных нужд, а не для бизнеса;
  • товары переданы на экспорт или реэкспорт;
  • товары проданы и перемещены из РФ на территорию государства-члена ЕАЭС.

Обменивайтесь с контрагентами электронными счетами-фактурами по новым правилам

Регистры и декларация по НДС

За III квартал 2021 года декларацию по НДС надо сдавать по новой форме (постановление Правительства от 02.

04.2021 № 534). В неё поменяли штрих-коды, а в разделы 8, 9, 10 и 11 добавили новые строки для реквизитов прослеживаемости. Аналогичные изменения внесли в журналы учёта полученных и выставленных счетов-фактур, книгу покупок и книгу продаж. 

Вот список новых строк:

  • регистрационный номер декларации на товары или регистрационный номер партии товара, подлежащего прослеживаемости;
  • код количественной единицы измерения товара, используемый в целях прослеживаемости;
  • количество товара, подлежащего прослеживаемости, в количественной единице измерения в целях прослеживаемости;
  • стоимость товара, подлежащего прослеживаемости, в рублях, без НДС.

Через интернет сдать в ИФНС актуальную декларацию по НДС и журнал учёта счетов-фактур

В регистры по НДС эти данные переносятся из первичных и корректировочных счетов-фактур, а в декларацию уже из самих регистров.

В письме от 05.05.2021 N ЕА-4-15/[email protected] ФНС опубликовала временные новые форматы книги покупок, книги продаж, журналов учёта счетов-фактур. В них включены реквизиты для заполнения необходимых данных для участников системы прослеживания.

ООО «Контур-Кузбасс»

            

Баллы начислятся, если:

• Вы оплатили счет и зарегистрировались в программе в течение 30 дней после
   подключения или продления сервиса
• Счет не содержит скидок, акций, услуг выезда специалистов и оборудования
• Счет оплачен в течение 30 дней с момента выставления
• Продукт из счета участвует в программе Контур.Бонус.

   Список продуктов-участников посмотрите в разделе «Копить баллы».

1. Зайдите в раздел «Копить баллы»: kontur.ru/bonus/collect
2. Нажмите кнопку «Добавить счет»
3. Введите номер счета, ИНН и КПП из счета

Если баллы не зачислятся в течение 3 дней, обратитесь в службу
технической поддержки по адресу [email protected] ru, укажите номер
Счета и email-адрес, зарегистрированный в программе Контур.Бонус.

На что потратить баллы

Как потратить баллы

1. Зайдите в раздел «Тратить баллы»: kontur.ru/bonus/spend
2. Прокрутите страницу внизу блока «Используйте баллы»

3. Выберете интересующий Вас раздел:
    • Продукты Контура
    • Подарочные карты: OZON, М.Видео, СпортМастер, РивГош,
       Красный куб, Детский мир, Дочки-Сыночки, Дефиле.

    • Книги и обучение: ЛитРес и скидки в Контур.Школе

4. Закажите карту, скидку или книгу на сумму, которой вы располагаете.
5. Получите Ваш бонус. Он будет отправлен на вашу почту в течение
суток с момента заявки.

___________________________________________________________

* Ограничение связано с особенностями налогообложения: подарки до 4 000 р. не облагаются
налогом. Те, кто накопил 16 000 баллов и более в год, могут обменять подарочные карты
на сумму 14 000 в год с заключением договора дарения. Чтобы осуществить такой обмен,
направьте заявку с темой «Договор дарения» на почту [email protected].

                              

Интеграция с сервисом «Контур.Бухгалтерия» / Уральский Банк Реконструкции и Развития

Если вы пользуетесь сервисом «Контур.Бухгалтерия» (далее – К.Б.), настройте интеграцию.

Вам не придётся загружать отдельные файлы выписок вручную. Исходящие платежные поручения можно сразу отправлять в Интернет-банк Light, где останется только подписать их.

Информация из банка будет автоматически обновляться в К.Б. каждые 2 часа, а вручную можно обновить в любое время.

1. Настройка интеграции

Вариант 1: из Интернет-банка Light

! Настройка интеграции доступна уполномоченным лицам с правом первой подписи.

Для настройки:

  • перейдите в раздел «Услуги» → «Сервисы для бизнеса» → «Бухгалтерия», нажмите кнопку . После этого откроется форма:

  • далее нажмите на кнопку «Настроить связь», и в раскрывшейся форме

  • выберите счета, по которым нужно настроить интеграцию,
  • введите логин в К.Б.

Если Вы для входа в К.Б. используете сертификат, то свяжитесь с техподдержкой «СКБ-контура» по телефону 8 (800) 500-50-80, она поможет интегрировать Ваши счета,

  • нажмите кнопку . Появится окно «Ввод одноразового СМС-кода», в которое нужно ввести код, полученный по СМС, и подписать. Запрос на интеграцию будет отправлен в К.Б.
  • для завершения интеграции подтвердите её в сервисе «Контур.Бухгалтерия». Для этого:
  • войдите в сервис, используя указанный ранее логин,
  • откройте  → «Реквизиты организации» → выберите раздел «Банковские»,
  • выберите нужный расчетный счет (или введите, если ранее он не был указан) и нажмите «Связать счет с интернет-банком».

Всё. Связь установлена, т. е. интеграция настроена.

Вариант 2: из сервиса «Контур.Бухгалтерия»

Если у Вас уже есть логин в К.Б., то зайдите в К.Б., далее в меню  →  , выберите пункт «Связь с интернет-банком» и выполните описанные действия.

! Завершение настройки интеграции в Интернет-банке Light доступно уполномоченным лицам с правом первой подписи.

2. Получение в сервисе «Контур.Бухгалтерия» выписки из Интернет-банка

Для получения выписки из интернет-банка должна быть настроена интеграция по конкретному счету.

С описанием того, как в сервисе «Контур.Бухгалтерия» получить выписку из интернет-банка, можно ознакомиться, зайдя в К.Б., далее в меню  →  , выберите пункт «Связь с интернет-банком».

3. Отправка платежных поручений в банк

Для оправки платежных поручений в интернет-банк должна быть настроена интеграция по конкретному счету.

С описанием того, как в сервисе «Контур.Бухгалтерия» выполнить отправку платежного поручения в интернет-банк, можно ознакомиться, зайдя в К. Б., далее в меню  →  , выберите пункт «Работа с интегрированным счетом».

4.  Как разорвать интеграцию с «Контур.Бухгалтерией»

Вы можете отменить/разорвать интеграцию.

Для отмены/разрыва интеграции по конкретному счету (например, по одному счету, нужно оставить интеграцию, а по другому счету – разорвать):

  • перейдите в раздел «Услуги» → «Сервисы для бизнеса» → «Бухгалтерия», нажмите кнопку ,
  • в развернувшемся окне с перечнем интегрированных счетов сначала нажмите кнопку , затем снимите галочку у счета, интеграцию по которому Вы хотите разорвать,
  • нажмите кнопку . Появится окно «Ввод одноразового СМС-кода», в которое нужно ввести код, полученный по СМС, и подписать.

Всё. Связь по конкретному счету разорвана, т.е. интеграция не настроена.

Для отмены/разрыва интеграции сразу по всем счетам:

  • перейдите в раздел «Услуги» → «Сервисы для бизнеса» → «Бухгалтерия», нажмите кнопку ,
  • в развернувшемся окне нажмите кнопку . Появится окно «Ввод одноразового СМС-кода», в которое нужно ввести код, полученный по СМС, и подписать.

Всё. Связь по всем счетам разорвана, т.е. интеграция не настроена.

Контур.Норматив – Услуги ТПП РФ

  • Начало
  • Описание
  • Регламент
  • Документы
  • Акты
  • FAQ
  • Контакты
  • Заказ

Возможности

— Законодательная база
Всегда актуальное налоговое, трудовое, гражданское законодательство. Всё обновляется автоматически
— Бланки документов
Шаблоны договоров, заявлений, отчетов и других документов, используемых в любой компании
— Мобильное решение
Пользуйтесь сервисом с любого устройства: телефона, планшета, ноутбука или компьютера – работайте везде, где есть Интернет
— Полезные материалы
Авторские аналитические статьи, судебная и арбитражная практика, обзоры изменений в законодательстве
— Вопросы экспертам
Онлайн-консультации от ведущих экспертов по налогообложению и бухучету
— Быстрый и удобный поиск
Любая правовая информация и ссылки на документы в один клик – как в поисковой системе.

Регламент

Стоимость и порядок оплаты

Оплата производится в соответствии с выбранным тарифом в размере, установленном в счете, путем перечисления 100% суммы
Актуальный тариф и прайсы: https://kontur. ru/normativ/price?p=2283

Процедура

Порядок и сроки оказания услуги
Для приобретения данной услуги необходимо отправить заявку. В течение суток с вами свяжется представитель АО «ПФ СКБ Контур», чтобы уточнить все детали по оформлению счета Выставленный счет необходимо оплатить. После поступления денег на расчетный счет АО «ПФ СКБ Контур» в течение суток будет предоставлена услуга: на указанный вами адрес электронной почты придет инструкция и пароль для доступа к системе Контур.Норматив

Основание для отказа

Оснований для отказа нет

* Сведения об услугах носят справочный характер и не являются публичной офертой. Условия оказания услуг устанавливаются конкретным договором между Заказчиком и Исполнителем.

Смотрите также

МКБ и Контур.

Диадок в 3 раза сократили срок реализации сделок с использованием аккредитивов для компаний Группы УГМК

16.02.2021

Между Московским кредитным банком (МКБ) и компаниями Группы УГМК заключены мультивалютные соглашения о выпуске аккредитивов. В рамках соглашений компании могут выпустить аккредитивы через систему Контур.Диадок.

Переход на аккредитивную форму расчетов через платформу Контур.Диадок позволяет компаниям Группы УГМК согласовать с поставщиками новые условия расчетов, а именно договориться на более длительную отсрочку платежа, а также существенно сократить время и издержки на проведение операций.  Аккредитивная форма расчетов через платформу Контур.Диадок существенно упрощает процесс оформления документов при сохранении надежности.

Также МКБ предложил поставщикам Группы УГМК опцию дисконтирования аккредитивов. Она позволяет поставщику получить денежные средства не дожидаясь окончания отсрочки платежа, без необходимости установления кредитного лимита в банке.

«Мы авизовали аккредитивы напрямую поставщикам, которые не являются клиентами МКБ, — комментирует Наталья Бахова, директор департамента торгового финансирования МКБ. – В процедуре теперь отсутствует обслуживающий банк поставщика, отгрузочные документы и заявление поставщика на дисконтирование аккредитива передаются через электронную систему. Это сократило время операции в среднем на 10 дней. Авизование и обмен документами занимает минуты, а не дни. Компании Группы УГМК хотели получить продукт, по которому будет удобно работать с учетом частых закупок от разных поставщиков. Мы смогли помочь клиенту решить проблему перевода большого количества внутрироссийских поставщиков с частыми отгрузками на аккредитивы».

МКБ уделяет особое внимание диджитализации в международном финансировании.

«Мы активно работаем в направлении диджитализации продуктов международного финансирования, — уточняет Наталья Бахова, — На этапе реализации находится сделка по импортному факторингу, где документооборот будет осуществлен через решения группы компаний СКБ Контура. Мы здесь являемся банком-пионером, кто разработал вариант процессинга реализации международного факторинга. В данном случае мы будем принимать документы от иностранного поставщика и российского покупателя через электронную платформу на базе сервисов Контур.Диадок и Контур.Факторинг, где документы будут подписаны электронной цифровой подписью. Перевод сделки на электронный документооборот предоставляет возможность ускорения сроков финансирования и уменьшения объема бумажного документооборота. Запуск планируется в 1 квартале 2021 года».

«Использование технологии электронного документооборота в банковской сфере решает сразу несколько задач. Во-первых, ускоряет бизнес-процессы за счет мгновенной доставки документов. Во-вторых, при факторинге документы из Контур.Диадока служат подтверждением сделки. Электронные документы юридически значимые, их не нужно дублировать на бумаге. Стороны сделки предоставляют их удаленно, что удобно как внутри страны, так и при обмене с зарубежными контрагентами. Применяя электронный формат взаимодействия, МКБ экономит время своих клиентов и гибко подходит к формированию продуктов финансирования», — отмечает Анна Звягинцева, руководитель отдела развития ключевых клиентов в Контуре.

«Контур» выпустил сервис для управленческого и финансового учета

Интеграция Бизнес-приложения | Поделиться

«Контур» выпустил сервис для управленческого и финансового учета. Сервис помогает автоматизировать управленческий учет за счет анализа банковской выписки, запланированного бюджета и предстоящих платежей. «Контур. Пульс» соберет финансовую аналитику компании и укажет на возможные кассовые разрывы, чтобы средств всегда хватало на оплату.

Сервис покажет приоритет платежей. Это поможет сотрудникам понять, какую оплату сделать в первую очередь, и защитит компанию от трат средств без ведома руководителя. Все это особенно актуально во время пандемии, когда часть сотрудников или весь коллектив работают удаленно.

Главное преимущество сервиса — «подстраивание» под бизнес за счет искусственного интеллекта, который учитывает процесс работы компании, ее доходы и затраты. Руководитель увидит эффективность работы, рентабельность каждого проекта или направления и получит план-факт.

Мария Чумак, руководитель сервиса «Контур.Пульс», сказала: «Большинство компаний до сих пор используют Excel или другие малоинформативные программы с ручным вводом. В «Контур.Пульсе» больше возможностей за счет автоматизации процессов. Если говорить о простоте работы, то я часто сталкивалась с руководителями, которые рассуждали так: «Я же целый год буду переходить, еще и денег потрачу». На самом деле у «Пульса» в этом и преимущество — переход занимает от нескольких дней до нескольких недель в редких случаях, а эффективность компании возрастает в разы».

За счет готовой аналитики «Контур.Пульс» облегчит работу руководителя, бухгалтера и финансового директора. За время тестирования в сервисе поработали больше 100 компаний. Сами финдиректора отмечают пользу «Пульса» — работа с финансами компании стала понятнее и прозрачнее.

Как самостоятельно продлить сертификат электронной подписи в личном кабинете УЦ СКБ Контур?

Если закончился или подходит к концу срок действия сертификата, выпущенного в Удостоверяющем центре Такснет, вы можете самостоятельно продлить его в личном кабинете УЦ СКБ Контур.

Что понадобится для обновления сертификата

  1. действующий сертификат электронной подписи с истекающим сроком действия,
  2. фотоаппарат или цветной принтер со сканером.

Если данные вашей организации изменились или поменялся владелец сертификата, нужно будет предоставить оригиналы документов или их заверенные копии в сервисный центр УЦ Такснет.

Список необходимых документов может меняться в зависимости от сертификата, который вы продлеваете и вида вашей организации. Узнать, какие документы понадобятся конкретно в вашем случае, можно на сайте УЦ СКБ Контур https://ca.kontur.ru/procedure/documents?certificateId или в сервисном центре Такснет.

Как заполнить заявку на дистанционную замену сертификата

Чтобы облегчить оформление заявки на продление сертификата, мы подготовили подробную инструкцию, которая состоит из 10 шагов.

1. Подтвердите телефон и оплатите счет в сервисе замены zamena.taxnet.ru

1. Войдите в сервис замены zamena.taxnet.ru с помощью сертификата электронной подписи, который вы хотите продлить.

2. Введите свой номер телефона и нажмите на кнопку «Отправить код».

3. В течение нескольких секунд на указанный номер телефона придет код подтверждения. Введите его в специальное поле и нажмите на кнопку «Подтвердить».


Если код не пришел в течение двух минут, нажмите под полем на ссылку «Получить код повторно».

4. Убедитесь, что счет на продление сертификата оплачен. Если у вас нет счета, запросите его в сервисе замены или у менеджера Такснет по тел. 8-800-333-80-89 .

    5. Счет, запрошенный в сервисе дистанционной замены, формируется в течение суток.


    Как только счет будет сформирован, скачайте его и оплатите.

    Если счет был оплачен ранее, проверьте статус оплаты. Заменить сертификат дистанционно вы сможете только после оплаты счета.


    6. После оплаты счета вам придет смс с приглашением войти в личный кабинет УЦ СКБ Контур по ссылке i.kontur-ca.ru .

    Данные вашей организации изменились или поменялся владелец сертификата? Тогда для продления электронной подписи нужно предоставить пакет оригиналов документов или их заверенные копии.

    Список необходимых документов может меняться в зависимости от сертификата, который вы продлеваете и вида вашей организации. Узнать, какие документы понадобятся конкретно в вашем случае, можно на сайте УЦ «СКБ Контур» ca.kontur.ru/procedure/documents или в Сервисном центре.

    2. Войдите в личный кабинет УЦ СКБ Контур

    1. С компьютера перейдите по ссылке из смс-приглашения i.kontur-ca.ru .
    2. Введите номер телефона владельца сертификата в соответствующее поле и нажмите на кнопку «Получить смс с кодом».

    1. Введите поступивший код и нажмите кнопку «Войти». Сообщение с кодом подтверждения должно прийти на телефон в течение двух минут.

      Если войти в личный кабинет не получается, свяжитесь с технической поддержкой Такснет по телефону  8 (843) 231-92-00 или электронной почте o [email protected] .

      3. Заполните заявку на продление

      1. В личном кабинете должна отобразиться новая заявка на замену сертификата.

      1. Нажмите на кнопку «Заполнить заявку».
      2. Откроется окно «Что нужно для заполнения заявки».


      1. Нажмите в этом окне на кнопку «Приступить».

      Внимательно проверьте все данные сертификата. Если выпустить сертификат с ошибками, вы не сможете им пользоваться и его придется перевыпускать за отдельную плату.


      Если вы обнаружили ошибки, обратитесь в сервисный центр УЦ СКБ Контур или к специалистам компании Такснет по телефону  8 (843) 231-92-00 или по электронной почте [email protected] .

      После того, как вы убедитесь, что все данные указаны верно, нажмите на кнопку «Подтвердить данные».


      4. Подпишите заявление на продление

      1. Загрузите скан паспорта и проверьте актуальность остальных документов.
      2. Подпишите заявление на продление действующим сертификатом электронной подписи, у которого заканчивается срок действия и который вы хотите заменить. Для этого нажмите на кнопку «Подписать».

      1. Откроется окно «Подписание заявления». Нажмите в нем на кнопку «Подписать заявление».

      В итоге у вас должно быть подписано заявление и загружены все документы.


        5. Отправьте заявку на одобрение

        1. Нажмите на кнопку «Продолжить», чтобы отправить заявку на одобрение.
        2. Одобрение заявки происходит в течение 1-2 рабочих дней. После одобрения на телефон и электронную почту придет сообщение, что заявка одобрена и для выпуска надо зайти в личный кабинет УЦ СКБ Контур .

          6. Проверьте реквизиты сертификата

          В личном кабинете вам будет предложено проверить реквизиты сертификата.


          Если вы обнаружили ошибки в реквизитах, отредактируйте заявку и заново отправьте на одобрение.

          Если все реквизиты в порядке, нажмите на кнопку «Выпустить сертификат».

          7. Настройте компьютер для работы с подписью

          Чтобы работать с электронной подписью УЦ СКБ Контур, нужно настроить компьютер.


          Для этого потребуется скачать и установить расширения — сделать это удобнее всего в нашем сервисе. Перейти в него вы сможете из личного кабинета, нажав кнопку «Настроить компьютер».

          Как установить расширение

          1. Нажмите на кнопку «Скачать расширение».

           2. Появится окно с подтверждением установки дополнения. В нем нужно нажать на кнопку «Подтвердить установку».
          1. В окне «Помощник диагностики» нажмите на кнопку «Добавить».

          1. Вы завершили установку расширения на компьютер. Появится уведомляющее окно, в котором нужно нажать на кнопку «Ок, понятно».

            Как установить Диаг.Плагин

            1. Скачайте Диаг.Плагин.
            2. Откройте скачанный файл.
            3. Нажмите на кнопку «Установить».
            4. После завершения установки сервис может попросить установить еще Контур.Плагин. Установите его по такому же алгоритму.

            После того как «Контур. Установочный диск» проверит, что все необходимые компоненты установлены, он предложит перезагрузить компьютер.

            После перезагрузки снова войдите в личный кабинет УЦ СКБ Контур .

            8. Создайте ключ и пароль

            1. Выберите на компьютере место для хранения сертификата.


            1. Затем откроется окно генерации случайных чисел. Введите любые символы на клавиатуре или двигайте мышкой в пределах появившегося окна, чтобы сгенерировать случайную последовательность чисел.

              При необходимости задайте пароль для контейнера. Обратите внимание, в случае потери его нельзя восстановить. Если вы потеряете или забудете пароль от контейнера, потребуется перевыпуск сертификата за отдельную плату.


                Сформированный запрос отправится на одобрение сотрудникам УЦ СКБ Контур. Одобрение проводится в течение 4 часов.


                9. Подтвердите выпуск сертификата

                1. После одобрения запроса, вам придет смс-уведомление, в котором будет шестизначный код подтверждения выпуска сертификата электронной подписи. Его нужно ввести в личном кабинете УЦ СКБ Контур .
                1. После ввода кода нажмите на кнопку «Подтвердить».
                1. Нажмите на кнопку «Установить сертификат», чтобы установить его на ранее выбранный носитель или в личное хранилище на компьютере.

                1. Если при формировании запроса вы задали пароль контейнеру, его нужно ввести заново.

                На финальном этапе вы можете сделать резервную копию сертификата. Для этого нажмите на кнопку «Сделать резервную копию».

                Поздравляем! Вы заменили сертификат электронной подписи УЦ Такснет в личном кабинете УЦ СКБ Контур.

                Набор инструментов для обработки изображений

                Документация

                Страница, которую вы искали, не существует. Используйте окно поиска или просмотрите темы ниже, чтобы найти нужную страницу.

                Выполнение обработки, визуализации и анализа изображений

                Image Processing Toolbox™ предоставляет исчерпывающий набор эталонных стандартных алгоритмов и рабочих процессов. приложения для обработки изображений, анализа, визуализации и разработки алгоритмов. Ты сможешь выполнять сегментацию изображения, улучшение изображения, шумоподавление, геометрические преобразования, и регистрация изображений с использованием глубокого обучения и традиционных методов обработки изображений.То toolbox поддерживает обработку 2D, 3D и произвольно больших изображений.

                Приложения Image Processing Toolbox позволяют автоматизировать стандартные рабочие процессы обработки изображений. Вы можете интерактивно сегментировать данные изображений, сравнивать методы регистрации изображений и выполнять пакетную обработку больших наборов данных. Функции и приложения визуализации позволяют просматривать изображения, трехмерные объемы и видео; регулировать контраст; создавать гистограммы; и управлять областями интереса (ROI).

                Вы можете ускорить свои алгоритмы, запустив их на многоядерных процессорах и графических процессорах. Много функции панели инструментов поддерживают генерацию кода C/C++ для прототипирования настольных компьютеров и встроенного машинного зрения развертывание системы.

                Изучите основы Image Processing Toolbox

                Импорт и экспорт данных изображений, преобразование типов и классов изображений

                Интерактивные инструменты для отображения и исследования изображений

                Масштабирование, поворот, выполнение других преобразований N-D и выравнивание изображений с помощью корреляция интенсивности, сопоставление признаков или отображение контрольных точек

                Регулировка контраста, морфологическая фильтрация, устранение размытия, на основе области интереса обработка

                Выполнение задач обработки изображений, таких как удаление шума и выполнение преобразования изображения в изображение с использованием глубоких нейронных сетей (требуется Deep Learning Toolbox™)

                Фильтрация, сегментация и выполнение других операций обработки изображений в 3D объемные данные

                Импорт, экспорт, обработка и визуализация гиперспектральных данных

                Генерация C-кода, HDL-кода и функций MEX, а также запуск обработки изображений код на графическом процессоре (GPU)

                Image Processing Toolbox Документация

                Страница, которую вы искали, не существует.

                Используйте окно поиска или просмотрите темы ниже, чтобы найти нужную страницу.

                Выполнение обработки, визуализации и анализа изображений

                Image Processing Toolbox™ предоставляет исчерпывающий набор эталонных стандартных алгоритмов и рабочих процессов. приложения для обработки изображений, анализа, визуализации и разработки алгоритмов. Ты сможешь выполнять сегментацию изображения, улучшение изображения, шумоподавление, геометрические преобразования, и регистрация изображений с использованием глубокого обучения и традиционных методов обработки изображений.То toolbox поддерживает обработку 2D, 3D и произвольно больших изображений.

                Приложения Image Processing Toolbox позволяют автоматизировать стандартные рабочие процессы обработки изображений. Вы можете интерактивно сегментировать данные изображений, сравнивать методы регистрации изображений и выполнять пакетную обработку больших наборов данных. Функции и приложения визуализации позволяют просматривать изображения, трехмерные объемы и видео; регулировать контраст; создавать гистограммы; и управлять областями интереса (ROI).

                Вы можете ускорить свои алгоритмы, запустив их на многоядерных процессорах и графических процессорах.Много функции панели инструментов поддерживают генерацию кода C/C++ для прототипирования настольных компьютеров и встроенного машинного зрения развертывание системы.

                Изучите основы Image Processing Toolbox

                Импорт и экспорт данных изображений, преобразование типов и классов изображений

                Интерактивные инструменты для отображения и исследования изображений

                Масштабирование, поворот, выполнение других преобразований N-D и выравнивание изображений с помощью корреляция интенсивности, сопоставление признаков или отображение контрольных точек

                Регулировка контраста, морфологическая фильтрация, устранение размытия, на основе области интереса обработка

                Выполнение задач обработки изображений, таких как удаление шума и выполнение преобразования изображения в изображение с использованием глубоких нейронных сетей (требуется Deep Learning Toolbox™)

                Фильтрация, сегментация и выполнение других операций обработки изображений в 3D объемные данные

                Импорт, экспорт, обработка и визуализация гиперспектральных данных

                Генерация C-кода, HDL-кода и функций MEX, а также запуск обработки изображений код на графическом процессоре (GPU)

                Image Processing Toolbox Документация

                Страница, которую вы искали, не существует.

                Используйте окно поиска или просмотрите темы ниже, чтобы найти нужную страницу.

                Выполнение обработки, визуализации и анализа изображений

                Image Processing Toolbox™ предоставляет исчерпывающий набор эталонных стандартных алгоритмов и рабочих процессов. приложения для обработки изображений, анализа, визуализации и разработки алгоритмов. Ты сможешь выполнять сегментацию изображения, улучшение изображения, шумоподавление, геометрические преобразования, и регистрация изображений с использованием глубокого обучения и традиционных методов обработки изображений.То toolbox поддерживает обработку 2D, 3D и произвольно больших изображений.

                Приложения Image Processing Toolbox позволяют автоматизировать стандартные рабочие процессы обработки изображений. Вы можете интерактивно сегментировать данные изображений, сравнивать методы регистрации изображений и выполнять пакетную обработку больших наборов данных. Функции и приложения визуализации позволяют просматривать изображения, трехмерные объемы и видео; регулировать контраст; создавать гистограммы; и управлять областями интереса (ROI).

                Вы можете ускорить свои алгоритмы, запустив их на многоядерных процессорах и графических процессорах.Много функции панели инструментов поддерживают генерацию кода C/C++ для прототипирования настольных компьютеров и встроенного машинного зрения развертывание системы.

                Изучите основы Image Processing Toolbox

                Импорт и экспорт данных изображений, преобразование типов и классов изображений

                Интерактивные инструменты для отображения и исследования изображений

                Масштабирование, поворот, выполнение других преобразований N-D и выравнивание изображений с помощью корреляция интенсивности, сопоставление признаков или отображение контрольных точек

                Регулировка контраста, морфологическая фильтрация, устранение размытия, на основе области интереса обработка

                Выполнение задач обработки изображений, таких как удаление шума и выполнение преобразования изображения в изображение с использованием глубоких нейронных сетей (требуется Deep Learning Toolbox™)

                Фильтрация, сегментация и выполнение других операций обработки изображений в 3D объемные данные

                Импорт, экспорт, обработка и визуализация гиперспектральных данных

                Генерация C-кода, HDL-кода и функций MEX, а также запуск обработки изображений код на графическом процессоре (GPU)

                Image Processing Toolbox Документация

                Страница, которую вы искали, не существует.

                Используйте окно поиска или просмотрите темы ниже, чтобы найти нужную страницу.

                Выполнение обработки, визуализации и анализа изображений

                Image Processing Toolbox™ предоставляет исчерпывающий набор эталонных стандартных алгоритмов и рабочих процессов. приложения для обработки изображений, анализа, визуализации и разработки алгоритмов. Ты сможешь выполнять сегментацию изображения, улучшение изображения, шумоподавление, геометрические преобразования, и регистрация изображений с использованием глубокого обучения и традиционных методов обработки изображений.То toolbox поддерживает обработку 2D, 3D и произвольно больших изображений.

                Приложения Image Processing Toolbox позволяют автоматизировать стандартные рабочие процессы обработки изображений. Вы можете интерактивно сегментировать данные изображений, сравнивать методы регистрации изображений и выполнять пакетную обработку больших наборов данных. Функции и приложения визуализации позволяют просматривать изображения, трехмерные объемы и видео; регулировать контраст; создавать гистограммы; и управлять областями интереса (ROI).

                Вы можете ускорить свои алгоритмы, запустив их на многоядерных процессорах и графических процессорах.Много функции панели инструментов поддерживают генерацию кода C/C++ для прототипирования настольных компьютеров и встроенного машинного зрения развертывание системы.

                Изучите основы Image Processing Toolbox

                Импорт и экспорт данных изображений, преобразование типов и классов изображений

                Интерактивные инструменты для отображения и исследования изображений

                Масштабирование, поворот, выполнение других преобразований N-D и выравнивание изображений с помощью корреляция интенсивности, сопоставление признаков или отображение контрольных точек

                Регулировка контраста, морфологическая фильтрация, устранение размытия, на основе области интереса обработка

                Выполнение задач обработки изображений, таких как удаление шума и выполнение преобразования изображения в изображение с использованием глубоких нейронных сетей (требуется Deep Learning Toolbox™)

                Фильтрация, сегментация и выполнение других операций обработки изображений в 3D объемные данные

                Импорт, экспорт, обработка и визуализация гиперспектральных данных

                Генерация C-кода, HDL-кода и функций MEX, а также запуск обработки изображений код на графическом процессоре (GPU)

                Frontiers | Модель быстрого обнаружения контуров, вдохновленная биологическими механизмами в системе первичного зрения

                Введение

                Обнаружение контуров — фундаментальный и важный шаг в задачах компьютерного зрения. В последние годы было предложено несколько моделей для обнаружения контуров, таких как локальный дифференциальный (Canny, 1986), статистические методы (Konishi et al., 2003), релаксационная маркировка (Rosenfeld et al., 1976), активные контуры (Caselles et al. др., 1997). Эти методы показали хорошие результаты в некоторых сценах. Однако они не могут выделить четкие контуры из сложных сцен, столь же разумных, как человек.

                Hubel и Wiesel (1959) обнаружили, что большинство клеток V1 обладают высокой ориентационной селективностью.Результат показал, что клетки не реагировали на световые стимулы, которые покрывали большую часть поля зрения животного, тогда как наиболее сильно реагировали на световые пятна с одной определенной ориентацией. Специфическая ориентация является предпочтительной ориентацией нейрона. Этот механизм очень удобен для обнаружения краев, возникающих из-за контраста света и тени.

                В первичной зрительной коре область вокруг классического рецептивного поля (CRF) одного нейрона называлась неклассическим рецептивным полем (non-CRF) (Allman et al. , 1985). Не-CRF оказывает модулирующее воздействие на сигналы внутри CRF, что было названо взаимодействием между центром и окружением (Fitzpatrick, 2000; Jones et al., 2001). Сила отрицательной корреляции уменьшалась с различиями между признаками в центре и в периферии (Shen et al., 2007). Интенсивность ингибирования была минимальной, когда признаки внутри CRF и вне CRF были совершенно разными.

                На основе упомянутых выше биологических механизмов было предложено несколько моделей.Большинство из них были основаны на механизме центр-окружение и сосредоточены на единственной функции подавления краев (Li, 1998; Grigorescu et al., 2003; Petkov and Westenberg, 2003; Ursino and La Cara, 2004; Papari et al., 2007). ; Tang et al., 2007a,b; La Cara and Ursino, 2008; Long and Li, 2008; Zeng et al., 2011; Yang et al., 2013). А некоторые модели включали несколько функций, таких как алгоритм Pb (Martin et al., 2004), gPb (Maire et al., 2008) и mPb (Ren, 2008). Все эти методы нуждались в контролируемой фазе обучения, чтобы получить хорошую производительность.

                Модель

                MCI (оператор торможения с множественными сигналами) (Yang et al., 2014) была предложена на основе вышеупомянутых биологических механизмов, которые объединяли несколько функций с использованием многомасштабной стратегии без использования контролируемого обучения. По сравнению с другими моделями эта модель показала конкурентоспособные характеристики. Однако биологически вдохновленный метод был трудоемким и шумным из-за его вычислительных механизмов тормозных реакций.

                В этой статье мы предлагаем модель быстрого выделения контуров на основе MCI, которая называется Speed ​​MCI (sMCI).Предварительная фильтрация и равномерная выборка вводятся для ускорения расчета тормозных реакций. Основываясь на биологических или поведенческих механизмах, мы получаем полные тормозные реакции с весами частичных пикселей для повышения эффективности вычислений. Кроме того, разреженность вычисляется для исключения избыточной информации.

                Оставшаяся часть этого документа организована следующим образом. В разделе «Методы» представлена ​​оригинальная МРП и усовершенствованная модель. В разделе «Эксперименты и результаты» производительность улучшенной модели проверяется на наборе данных BSDS500 и сравнивается с MCI.Обсуждение и заключение приведены в разделе Обсуждение.

                Методы

                В этом разделе мы сначала кратко рассмотрим MCI и проанализируем его проблемы на основе экспериментальных результатов. Затем мы предлагаем улучшенную модель sMCI для решения проблемы MCI.

                Модель MCI

                Алгоритм MCI (Yang et al., 2014) был предложен для извлечения выступающих контуров с помощью механизма центр-окружение. Чтобы объединить несколько функций, модель приняла стратегию комбинирования с учетом масштаба.Фреймворк показан на рисунке 1.

                Во-первых, был рассчитан ответ одного ориентированно-селективного нейрона V1 в CRF. Для входного изображения I(x, y) отклик e i (x, y; θ i , σ) был представлен производной двумерной функции Гаусса, коррелированной с предпочтительной ориентацией θ i и масштабом σ. После стратегии «победитель получает все» для N θ различных предпочтительных ориентаций окончательный отклик CRF E(x, y; σ) был рассчитан по уравнению (2),

                . ei(x, y;θi, σ)=|I(x,y)∗∂g(x˜,y˜;θi,σ)∂x˜| (1) E(x,y;σ)=max{ei(x,y;θi,σ)|i=1,2, …,Nθ}    (2)

                Во-вторых, были извлечены локальные признаки, включая ориентацию Θ (x, y), яркость L (x, y) и яркостный контраст C (x, y).Вычислительные уравнения этих признаков были показаны в уравнениях (3) — (5), в которых ω(x i ,y i ) было взвешенным окном приподнятого косинуса, S xy представляло локальное квадратное окно, и µ= ∑(xi,yi)∈Sxyω(xi,yi).

                Θ(x,y)=[e1,e2,…,eNθ](x,y)T    (3) L(x,y)=1µ∑(xi,yi)∈Sxyω(xi,yi)I(xi,yi)    (4) C(x,y)=1µ∑(xi,yi)∈Sxyω(xi,yi)(I(xi,yi)− L(x,y))2L(x,y)2    (5)

                В-третьих, сдерживающие веса W Θ(x, y) , W L(x, y) , W C(x, y) были рассчитаны на основе центрально-окружающих механизмов в каждом месте для каждый признак, в котором Θ¯CRF(x, y) был вектором ориентации, вычисленным гауссовым взвешенным усреднением Θ(x,y) в области CRF. Весовая функция, связанная с расстоянием, была обозначена как W d , что означало, что сила объемного ингибирования уменьшалась с увеличением расстояния от центра CRF.

                W Θ(x,y)=exp(−‖ Θ¯CRF(x,y)−Θ¯NCRF(x,y)‖22σΔθ2)     (6) WL(x,y)=∑(xi,yi)exp(−|L(x,y)−L(xi,yi) | 22σ∆l2)Wd(xi−x,yi−y)    (7) WC(x,y)=∑(xi,yi)exp(−|C(x,y)−C(xi,yi) |22σ∆c2)Wd(xi−x,yi−y)    (8)

                Затем эти три веса были интегрированы в унифицированный вес W com на основе стратегии комбинирования, управляемой масштабом, где N(·) — оператор линейной нормализации.

                Wcom(x,y)={max(W Θ,WL,WC)(x,y), N(E(x,y; σ))−N(E(x,y; 2σ))>0min(W Θ,WL,WC)(x,y), N(E(x,y; σ))−N(E(x,y; 2σ))≤0     (9)

                Наконец, окончательный отклик Res(x, y) рассчитывали на основе конечного ингибирующего веса.

                Res(x,y)=H(E(x,y; σ)−α·Wcom(x,y)·E(x,y; σ)                        ∗ Wd(x,y))    (10) где H(z)={0 z<0z z≥0     (11)

                На основе вышеуказанной структуры MCI применяется для получения контуров естественных изображений. На рис. 2 приведены некоторые результаты выделения контуров MCI.На рисунке 2A представлены входные изображения, на рисунке 2B — окончательный отклик контура без постобработки, на рисунке 2C представлена ​​действительная вероятность контуров после немаксимального подавления, на рисунке 2D — бинарное изображение (содержащее значения 0 или 1) после порога гистерезиса. Из красного прямоугольника на рис. 2Б легко увидеть, что некоторые контуры текстуры, полученные с помощью MCI, не принадлежат реальным. В таблице 1 показано время работы для каждого изображения на рисунке 2 и среднее время работы всей базы данных (включая 200 изображений для тестирования).В таблице 1 также показано время выполнения для каждого шага MCI при размере входного изображения 481 × 321. Обработка изображения занимает почти 15 с, что далеко от скорости обработки зрительной системы человека. И подавляющие веса в каждом месте вычисляются для каждой функции, что занимает много времени и не идет ни в какое сравнение с быстрой и эффективной обработкой информации в зрительной системе человека. Итак, мы предлагаем улучшенную модель sMCI.

                Рисунок 2 . Результаты MCI на естественных изображениях. (A) Ввод изображений. (B) Окончательные отклики контура без постобработки. Контур включает в себя некоторые нежелательные текстуры, расположенные в красной рамке. (C) Вещественная вероятность контуров после немаксимального подавления. (D) Бинарные изображения (содержащие значения 0 или 1) после установления порога гистерезиса.

                Таблица 1 . Время выполнения каждого шага для MCI и всего времени на некоторых образах и среднее время BSDS 500.

                Модель sMCI

                Предварительная фильтрация и однородный отбор проб

                Чтобы ускорить MCI, мы улучшили его за счет двух фактов: априорной фильтрации и однородной выборки.Сначала мы представим процесс предварительной фильтрации.

                Как показано на рис. 3, заметный объект расположен в красном прямоугольнике, который занимает небольшую часть по сравнению со всем изображением. При этом контуры объекта выделяются относительно фона. Поэтому, основываясь на этих наблюдениях, мы выбираем только пиксели со значением отклика выше 30% от наибольшего отклика после фильтрации с помощью Габора, чтобы ускорить вычисление подавляющих весов. Вычислительный процесс выглядит следующим образом:

                WΘ(x,y)={1 Loc(x,y) =0exp(−‖ Θ¯CRF(x,y)−Θ¯ NCRF(x,y)‖22σΔθ2) Loc(x,y) =1    (12 )

                , где Loc(x,y)={0 E(x,y; σ)−30% ∗ Emax<01 E(x,y; σ)−30% ∗ Emax≥0 , где E max представляет самый большой из всех ответов CRF изображения.

                Рисунок 3 . Механизм априорной фильтрации: большая часть истинных контуров находится в красной рамке, с небольшим процентом на всем изображении.

                Другое наблюдение состоит в том, что характеристики ответа соседних нейронов имеют сильную корреляцию, что предполагает, что их ответы похожи (Kohn, 2005). Исходя из этого, нет необходимости вычислять тормозные веса всех нейронов для каждого входного изображения. Тормозные реакции всех нейронов можно аппроксимировать реакциями парциальных нейронов.

                Другим способом ускорения вычислений является выборка. В данной работе представлены два метода выборки: выборка в одном направлении и в обоих направлениях. Ниже приведены подробные этапы двух методов единого отбора проб:

                Как показано на рис. 4, черная точка на рис. 4А представляет положение на изображении. В исходном алгоритме MCI запрещающие веса рассчитываются в каждом месте для каждой функции. Для однородной выборки в направлении x нам просто нужно рассчитать подавляющие веса черных точек на рисунке 4B, а подавляющие веса остальных точек получаются путем взвешенной суммы соседних точек.Например, вес синей точки можно получить на основе двух черных точек, веса которых известны. Между тем, исходя из биологического механизма, согласно которому влияние близлежащих нейронов больше, чем влияние удаленных нейронов, формула расчета ингибирующих весов отсутствующей синей точки на рисунке 4B представлена ​​в уравнении (13):

                . Wp1=23×Wx1+13×Wx2    (13)

                , где W p 1 обозначает неизвестный вес синей точки, W x 1 и W x 2 представляют черные точки, веса которых были рассчитаны.Это также относится к выборке в направлении Y.

                Рисунок 4 . Механизм единой выборки. (A) Необходимо рассчитать подавляющие веса в каждом месте. (B) Равномерная выборка в направлении x. Необходимо рассчитать только веса в черных точках. Синие точки могут быть представлены близлежащими черными точками. (C) Равномерная выборка в направлении x, y. Синие точки можно вычислить из ближайших черных точек.Красную точку можно получить с помощью ближайших синих точек.

                На рисунке 4C дается иллюстрация, поясняющая процесс выборки в обоих направлениях x и y. Для изображения 4 × 4 вычисляются веса только четырех черных точек. Веса синих точек вычисляются по двум черным точкам, а вес красной точки может быть представлен весами четырех синих точек. Расчет веса ингибирования отсутствующих синих точек на рисунке 4C приведен в уравнении (14):

                Wp2=23×Wx2+13×Wx4    (14)

                , а затем вычисление веса недостающей красной точки получается по уравнению (15).

                Wp5=13×Wp1+13×Wp4+16×Wp2+16×Wp3           =49×Wx1+29×Wx2+29×Wx3+19×Wx4    (15)

                где w x , W , W , W , W , W W p 2 , W p 3 и W p 4 обозначают неизвестные веса синих точек, W p 5 обозначают неизвестные веса красных точек.

                Наконец, предварительная фильтрация и равномерная выборка объединяются для дальнейшего ускорения метода. Чтобы избежать потери слишком большого количества информации о реальных контурах, используется следующий метод слияния: для изображения мы сначала выбираем пиксели со значениями выше 10% от наибольшего отклика после фильтрации с помощью Габора, а затем равномерно сэмплируем эти пиксели, чтобы еще больше сократить размер изображения. время работы и обеспечить целостность информации о контуре.

                Разреженное кодирование

                После ускорения алгоритма мы предлагаем метод, основанный на биологическом механизме подавления нежелательной текстуры, как показано на рисунке 2.

                Barlow (1981) провел статистический и всесторонний анализ общего числа клеток зрительного пути макак, которые представлены в таблице 2. Число нейронов в латеральном коленчатом теле (LGN) почти равно числу нейронов в ганглии, а количество клеток в области V1 намного выше, чем в сетчатке и ЛГН. Это сравнение предполагает, что ответы нейронов V1 имеют разреженные свойства. Для зрительной системы человека разреженное кодирование имеет решающее значение при кодировании входного изображения, которое может эффективно подавить избыточную информацию.Локальная область, содержащая несколько повторяющихся текстур, будет иметь слабый разреженный отклик, а область, включающая устойчивую границу, обычно имеет сильный разреженный отклик. Следовательно, некоторые нежелательные контурные шумы могут быть эффективно исключены на основе меры разреженности.

                Таблица 2 . Статистические данные о зрительном пути макак (единица измерения: миллион) (Barlow, 1981).

                В этой статье мы вычисляем меру разреженности, как указано в Kai-Fu Yang et al. (2015) и Хойер (2004), чтобы различать текстурную область и нетекстурную область.Формула выглядит следующим образом

                разреженность(x, y; h→)=1n−1(n−‖h→(x, y)‖1‖h→(x, y)‖2)    (16)

                , где h⃗(x,y) обозначает гистограмму величины градиента локальной области с центром в (x, y), n обозначает размерность h⃗(x, y), а ||h⃗(x, y)||p обозначает l p функции h⃗(x, y), например ||h⃗(x, y)||1=∑|hi|, ||h⃗(x, y)||2=∑|hi| 2.

                Затем окончательный ответ нейрона FinalRes может быть получен путем объединения исходного ответа Res и разреженности, которая рассчитывается следующим образом:

                FinalRes=Res⋅разреженность(x,y;h→)    (17)

                Эксперименты и результаты

                Для оценки эффективности предложенной модели мы протестировали ее на BSDS500. Количественные характеристики сравниваются с исходной моделью MCI.

                Настройки эксперимента

                Мы тестируем нашу модель на наборе данных сегментации Беркли (BSDS500) (Martin et al., 2001). BSDS500 — это набор данных, предоставленный группой компьютерного зрения Беркли для сегментации изображений или определения контуров, который включает 200 обучающих, 200 тестовых и 100 проверочных изображений. Границы на каждом изображении помечаются несколькими работниками и усредняются, чтобы сформировать основную истину.

                Производительность оценивается по шкале F (Martin et al., 2004), что означает сходство обнаруженных контуров между людьми и алгоритмами. Он определяется как F-оценка = 2PR / (P + R), где P представляет собой точность, R представляет собой отзыв.

                Таблица 3 обобщает значения параметров, используемых в моделях, например, коэффициент α в уравнении 10 обозначает силу связи между CRF и не-CRF. Настройки параметров, принятые в моделях MCI и sMCI, одинаковы.

                Результаты предварительной фильтрации и однородной выборки

                Предварительная фильтрация принимает 30% самых больших ответов в качестве порога, тогда как предварительная фильтрация в комбинированном методе принимает 10% самых больших ответов.Мы сравниваем результаты предварительной фильтрации, однородной выборки и комбинированного с исходным алгоритмом MCI, и результаты показаны на рисунке 5. Результаты F-показателя и время выполнения показаны в таблице 4. Из этих результатов мы можем найти что время работы предшествующего метода фильтрации относительно короткое, но получает более низкое значение F-оценки. Мы усиливаем патч в зеленой рамке на рисунке 6A и показываем его на рисунках 6B-E. Мы можем ясно видеть, что некоторые контуры в красной рамке, извлеченные с помощью предварительной фильтрации, потеряны, как показано на рисунке 6B.Тем не менее, контуры, извлеченные с помощью однородных методов выборки, являются полными, как показано на рисунках 6C,D. Время работы почти такое же, если только выборка в одном направлении, и такая же точность. Однако производительность однородной выборки в одном направлении превосходит выборку в обоих направлениях x и y, хотя последнее превосходит первое по времени выполнения. Итак, комбинированный метод предполагает выборку в одном направлении. И результат показывает, что комбинированный метод может сократить время работы и сохранить производительность.

                Рисунок 5 . Сравнение экспериментальных результатов. (A) Ввод изображений. (B) Результаты MCI. (C) Предыдущие результаты фильтрации. (D) Равномерная выборка в направлении x. (E) Равномерная выборка в направлении x, y. (F) Комбинированный метод.

                Таблица 4 . Результаты оценки и время выполнения на BSDS 500 исходного алгоритма MCI, априорная фильтрация, равномерная выборка в направлении x, равномерная выборка в направлении y, равномерная выборка в обоих направлениях, комбинированный метод.

                Рисунок 6 . Результаты трех методов. (A) Ввод изображений. (B) Результаты Contour после предварительной фильтрации с 30% наибольших ответов. (C) Результаты контура после однородной выборки в направлении x. (D) Результаты контура после однородной выборки в направлении x, y. (E) Результаты контура после комбинированного метода.

                Результаты разреженного кодирования и окончательной оценки

                Хотя описанный выше метод может эффективно решить проблему затрат времени, в результатах sMCI по-прежнему присутствуют ненужные контурные шумы.Поэтому мы используем разреженное кодирование для подавления нежелательных краев. Экспериментальные результаты разреженности показаны на рисунке 7, включая результаты всего контура и детали. Как показано на рисунке 7B, текстуры на хвосте тигра представляют собой нежелательные края, а разреженный отклик в этом месте, показанном на рисунке 7C, слабый. В процессе разреженного кодирования нежелательная текстура в хвосте подавляется, как показано на рисунке 7D.

                Рисунок 7 . Результаты после разреженного кодирования. (A) Ввод изображений. (B) Ответы sMCI перед разреженным кодированием. (C) Разреженность ответов. (D) Окончательные ответы после разреженного кодирования.

                Окончательные результаты после подавления немаксимальных значений (Canny, 1986) между моделями MCI и sMCI показаны на рисунке 8. Рисунок 8A — это исходное изображение, рисунок 8B представляет собой наземную истину, рисунок 8C — результат MCI, а рисунок 8D — результат СМКИ. Значения баллов F показаны в таблице 5.

                Рисунок 8 . Оценочные изображения и результаты с помощью MCI и sMCI. (A) Ввод изображений. (Б) Наземная правда. (C) Результаты MCI ( F — оценка = 0,627). (D) результаты sMCI ( F — оценка = 0,629).

                Таблица 5 . Результаты оценки MCI и sMCI после разреженного кодирования.

                Экспериментальные результаты показывают, что модель sMCI эффективно сокращает время работы на 52% без ухудшения точности контура.

                Обсуждение

                На основе алгоритма MCI мы предложили модель быстрого обнаружения контуров, вдохновленную механизмом обработки информации в системе первичного зрения человека. Предварительная фильтрация и равномерная выборка эффективно сокращают время работы. А разреженное кодирование служило для исключения нежелательных текстур. Результаты на BSDS500 показали конкурентоспособную производительность и быстродействие модели.

                Яркие моменты нашей работы можно резюмировать ниже. (а) Мы применяем предварительную фильтрацию, основанную на знании психологии поведения человека, которая может сосредоточиться на области, содержащей желаемые контуры.(b) Единая выборка вводится на основе биологического механизма, согласно которому соседние нейроны часто имеют сильно коррелированные ответы и, таким образом, содержат избыточную информацию. Мы рассчитываем веса только частичного признака, а не всего изображения, и реконструируем ответы всего признака на основе свойств между соседними нейронами. (c) В модель введено разреженное кодирование, которое обеспечило эффективный способ подавления нежелательных краев. Экспериментальные результаты показали, что метод может сократить время работы, а также сохранить точность определения контура.

                Тем не менее, механизм алгоритма все еще имеет разрыв со зрительной системой человека. Поэтому нашим следующим шагом будет оптимизация модели, основанной на большем количестве биологических механизмов.

                Используя восходящий механизм, мы можем интегрировать больше базовых функций. В нашей работе мы рассматриваем только такие характеристики, как ориентация, яркость и яркостный контраст. Однако цветовой контраст также является важной характеристикой для определения контуров. А в зрительной системе человека цветовая информация модулируется механизмами цветового оппонента.Одним из важных расширений нашей текущей модели является то, как эффективно использовать сигнал цвета. В будущем мы можем разработать структуру, сочетающую механизмы центр-окружение и цвет-оппонент, чтобы оптимизировать производительность обнаружения контуров.

                Из механизма «сверху вниз» мы можем интегрировать механизм обратной связи, который играет важную модулирующую роль в реакциях нейронов V1. На самом деле очень сложно выделить четкие границы объектов в сложных средах. И процесс обратной связи может обеспечить поддержку внимания к существенным или поведенчески релевантным функциям.

                Таким образом, модель, которую мы предложили на основе биологических механизмов в этой статье, может сохранить точность и сократить время. В исследовании мы можем обнаружить, что исследования в области неврологии способствуют развитию модельных исследований. В будущем текущее исследование будет дополнено новыми результатами нейробиологии. Благодаря этим исследованиям мы также надеемся понять внутренние механизмы обработки информации человеческим мозгом.

                Вклад авторов

                XK, QK и YZ разработали работу. XK и QK внесли свой вклад в эксперименты. XK, QK, YZ и BX внесли свой вклад в анализ результатов. XK, QK, YZ и BX участвовали в написании рукописи. Версия работы одобрена для публикации BX, YZ, QK и XK.

                Финансирование

                Эта работа была поддержана Национальным фондом естественных наук Китая (61403375) и Объединенным фондом CETC в рамках гранта № 6141B08010103.

                Заявление о конфликте интересов

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

                Каталожные номера

                Оллман Дж., Мизин Ф. и МакГиннесс Э. (1985). Стимул-специфические ответы из-за пределов классического рецептивного поля: нейрофизиологические механизмы локально-глобальных сравнений в зрительных нейронах. Год. Преподобный Нейроски. 8, 407–430. doi: 10.1146/annurev.ne.08.030185.002203

                Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

                Барлоу, HB (1981). Лекция Феррье, 1980. Критические ограничивающие факторы в конструкции глаза и зрительной коры. Проц. Р. Соц. Лондон. сер. Б биол. Наука . 212, 1–34. doi: 10.1098/rspb.1981.0022

                Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

                Кэнни, Дж. (1986). Вычислительный подход к обнаружению границ. IEEE Trans. Анальный узор. Мах. Интел. 8, 679–698. doi: 10.1109/TPAMI.1986.4767851

                Реферат PubMed | Полнотекстовая перекрестная ссылка

                Казель В., Киммель Р. и Сапиро Г. (1997). Геодезические активные контуры. Междунар. Дж. Вычисл.Вис. 22, 61–79. дои: 10.1023/A:1007979827043

                Полнотекстовая перекрестная ссылка | Академия Google

                Григореску, К., Петков, Н., и Вестенберг, М.А. (2003). Обнаружение контура на основе неклассического торможения рецептивного поля. IEEE Trans. Процесс изображения 12, 729–739. doi: 10.1109/TIP.2003.814250

                Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

                Хойер, ПО (2004). Неотрицательная матричная факторизация с ограничениями разреженности. Дж.Мах. Учить. Рез. 5, 1457–1469.

                Академия Google

                Хьюбел, Д. Х., и Визель, Т. Н. (1959). Рецептивные поля одиночных нейронов стриарной коры кошки. J. Physiol. 148, 574–591.

                Реферат PubMed | Академия Google

                Konishi, S., Yuille, A.L., Coughlan, J.M., and Zhu, S.C. (2003). Статистическое обнаружение границ: изучение и оценка сигналов границ. IEEE Trans. Анальный узор. Мах. Интел. 25, 57–74. doi: 10.1109/ТПАМИ.2003.1159946

                Полнотекстовая перекрестная ссылка | Академия Google

                Ла Кара, Г. Э., и Урсино, М. (2008). Модель выделения контуров, включающая несколько масштабов, гибкое торможение и внимание. Нейронная сеть. 21, 759–773. doi: 10.1016/j.neunet.2007.11.003

                Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

                Лонг, Л., и Ли, Ю. (2008). «Обнаружение контура на основе свойства избирательного ингибирования ориентации неклассического рецептивного поля», в IEEE Conference on Cybernetics and Intelligent Systems 2008 (Чэнду), 1002–1006. doi: 10.1109/ICCIS.2008.4670920

                Полнотекстовая перекрестная ссылка | Академия Google

                Мэр, М., Арбелаес, П., Фаулкс, К., и Малик, Дж. (2008). «Использование контуров для обнаружения и локализации соединений в естественных изображениях», в 26-й конференции IEEE по компьютерному зрению и распознаванию образов, CVPR (Анкоридж, AK), 1–8. doi: 10.1109/cvpr.2008.4587420

                Полнотекстовая перекрестная ссылка | Академия Google

                Мартин, Д., Фаулкс, К., Тал, Д., и Малик, Дж. (2001). База данных природных изображений, сегментированных человеком, и ее применение для оценки алгоритмов сегментации и измерения экологической статистики. Проц. Международный IEEE. конф. вычисл. Вис. 2, 416–423. doi: 10.1109/ICCV.2001.937655

                Полнотекстовая перекрестная ссылка | Академия Google

                Мартин, Д. Р., Фаулкс, К. С., и Малик, Дж. (2004). Научитесь определять естественные границы изображения, используя локальные признаки яркости, цвета и текстуры. IEEE Trans. Анальный узор. Мах. Интел. 26, 530–549. doi: 10.1109/TPAMI.2004.1273918

                Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

                Папари, Г., Кампизи, П., Петков, Н., и Нери, А. (2007). Биологически мотивированный подход с несколькими разрешениями для обнаружения контуров. EURASIP J. Adv. Сигнальный процесс. 2007:071828. дои: 10.1155/2007/71828

                Полнотекстовая перекрестная ссылка | Академия Google

                Петков Н. и Вестенберг М. А. (2003). Подавление восприятия контура узкополосным шумом и его связь с неклассическим торможением рецептивного поля. биол. киберн. 88, 236–246. doi: 10.1007/s00422-002-0378-2

                Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

                Рен, Х.(2008). «Многомасштабность улучшает обнаружение границ в естественных изображениях», Европейская конференция по компьютерному зрению , , редакторы Д. Форсайт, П. Торр и А. Зиссерман (Берлин; Гейдельберг: Springer), 533–545. дои: 10.1007/978-3-540-88690-7_40

                Полнотекстовая перекрестная ссылка | Академия Google

                Розенфельд А., Хаммель Р. и Цукер С. В. (1976). Маркировка сцен операциями релаксации. IEEE Trans. Сист. Мужчина. киберн. 6, 420–433. doi: 10.1109/TSMC.1976.4309519

                Полнотекстовая перекрестная ссылка | Академия Google

                Шен, З.-М., Сюй, В.-Ф., и Ли, К.-Ю. (2007). Cue-инвариантное обнаружение разрыва между центром и окружением нейронами V1 у бодрствующей макаки. J. Physiol. 583, 581–592. doi: 10.1113/jphysiol.2007.130294

                Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

                Тан, К., Санг, Н., и Чжан, Т. (2007a). Обнаружение контура на основе контекстных влияний. Изображение Вид. вычисл. 25, 1282–1290. doi: 10.1016/j.imavis.2006.08.007

                Полнотекстовая перекрестная ссылка | Академия Google

                Танг, К., Санг Н. и Чжан Т. (2007b). Извлечение заметных контуров из загроможденных сцен. Распознавание образов. 40, 3100–3109. doi: 10.1016/j.patcog.2007.02.009

                Полнотекстовая перекрестная ссылка | Академия Google

                Урсино, М., и Ла Кара, Г. Э. (2004). Модель контекстных взаимодействий и обнаружения контуров в первичной зрительной коре. Нейронная сеть. 17, 719–735. doi: 10.1016/j.neunet.2004.03.007

                Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

                Ян, К.-Ф., Гао С.-Б., Го С.-Ф., Ли С.-Ю. и Ли Ю.-Дж. (2015). Обнаружение границ с использованием ограничения двойного противопоставления и пространственной разреженности. IEEE Trans. Процесс изображения. 24, 2565–2578. doi: 10.1109/TIP.2015.2425538

                Полнотекстовая перекрестная ссылка | Академия Google

                Ян К., Гао С., Ли К. и Ли Ю. (2013). «Эффективное обнаружение границ цвета с помощью механизмов цветового оппонента», в материалах конференции компьютерного общества IEEE по компьютерному зрению и распознаванию образов (Портленд, штат Орегон), 2810–2817. doi: 10.1109/cvpr.2013.362

                Полнотекстовая перекрестная ссылка | Академия Google

                Ян, К.Ф., Ли, К.-Ю., и Ли, Ю. (2014). Многофункциональное подавление окружающего звука улучшает обнаружение контуров в естественных изображениях. IEEE Trans. Процесс изображения. 23, 5020–5032. doi: 10.1109/TIP.2014.2361210

                Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

                Цзэн, К., Ли, Ю., и Ли, К. (2011). Взаимодействие центра и окружения с адаптивным торможением: вычислительная модель для обнаружения контуров. Нейроизображение 55, 49–66. doi: 10.1016/j.neuroimage.2010.11.067

                Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

                %PDF-1.3 % 1 0 объект >>> эндообъект 2 0 объект >поток 2017-02-06T14:59-08:002017-02-06T14:59:24-08:002017-02-06T14:59:24-08:00Adobe InDesign CC 2014 (Macintosh)uuid:4f1faf65-e0b4-ff45-884e -7ea8120996ecxmp.did:F77F117407206811871FC57C6300312Fxmp.id:104c2aa3-570e-4e87-bc16-4f96938109bbproof:pdfxmp. IID: d92fa9af-3580-45cd-a00c-672a6c58b9dfxmp.did: f9787bd2-6cd1-4cbd-8821-7b4737bbc3e6xmp.did: F77F117407206811871FC57C6300312Fdefault

              1. convertedfrom применение / х-InDesign к применению / pdfAdobe InDesign CC 2014 (Macintosh) / 2017-02-06T14 :59-08:00
              2. application/pdfБиблиотека Adobe PDF 11.0False
              3. Helvetica Neue LT Pro1.50000Linotype AGOpenType — PS3351143847HelveticaNeueLTPro-Roman3351143847
              4. Helvetica Neue LT Pro1.50000Linotype AGOpenType — PS2291524464HelveticaNeueLTPro-Bd2291524464
              5. Helvetica Neue LT Pro1.50000Linotype AGOpenType — PS1917439635HelveticaNeueLTPro-Hv1917439635
              6. Helvetica Neue LT Pro1.50000Linotype AGOpenType — PS2132282465HelveticaNeueLTPro-Md2132282465
              7. Helvetica Neue LT Pro1.50000Linotype AGOpenType — PS1932313242HelveticaNeueLTPro-It1932313242
              8. Wingdings5. 0000Монотипная типографияOpenType — TT3250638596Wingdings-Regular3250638596
              9. конечный поток эндообъект 3 0 объект > эндообъект 5 0 объект > эндообъект 6 0 объект > эндообъект 7 0 объект > эндообъект 8 0 объект > эндообъект 9 0 объект > эндообъект 10 0 объект > эндообъект 11 0 объект > эндообъект 42 0 объект >/Font>/ProcSet[/PDF/Text/ImageC]/Properties>/XObject>>>/TrimBox[0.0 0,0 648,0 432,0]/Тип/Страница>> эндообъект 43 0 объект >/Шрифт>/ProcSet[/PDF/Text/ImageC]/XObject>>>/TrimBox[0,0 0,0 648,0 432,0]/Тип/Страница>> эндообъект 44 0 объект >/Шрифт>/ProcSet[/PDF/Text]/XObject>>>/TrimBox[0.0 0.0 648.0 432.0]/Тип/Страница>> эндообъект 45 0 объект >/Шрифт>/ProcSet[/PDF/Text]/XObject>>>/TrimBox[0.0 0.0 648.0 432.0]/Тип/Страница>> эндообъект 46 0 объект >/Шрифт>/ProcSet[/PDF/Text]/XObject>>>/TrimBox[0.0 0,0 648,0 432,0]/Тип/Страница>> эндообъект 47 0 объект >/ExtGState>/Font>/ProcSet[/PDF/Text]/Properties>/XObject>>>/TrimBox[0.0 0.0 648.0 432.0]/Type/Page>> эндообъект 48 0 объект >/Шрифт>/ProcSet[/PDF/Text]/XObject>>>/TrimBox[0. 0 0.0 648.0 432.0]/Тип/Страница>> эндообъект 49 0 объект >/Шрифт>/ProcSet[/PDF/Text]/XObject>>>/TrimBox[0.0 0.0 648.0 432.0]/Тип/Страница>> эндообъект 50 0 объект >/ExtGState>/Font>/ProcSet[/PDF/Text]/Properties>>>/TrimBox[0.DM]ʡg˼(| vx_±#!E’$d+#X)’_

                Автоматическая сегментация дистальных радиусов переломов с помощью трехмерного геодезического активного контурирования изображений HR-pQCT in vivo

                Лучевые переломы относятся к наиболее распространенным типам переломов; однако существует ограниченный консенсус в отношении стандарта медицинской помощи. Лучшее понимание процесса заживления переломов может помочь сформировать будущие протоколы лечения и, таким образом, улучшить функциональные результаты пациентов. Периферическая количественная компьютерная томография высокого разрешения (HR-pQCT) позволяет контролировать и оценивать радиус на микроструктурном уровне, что имеет решающее значение для нашего понимания заживления переломов.Тем не менее, текущие исследования переломов лучевой кости с использованием HR-pQCT ограничены отсутствием автоматизированных процедур контурирования, поэтому включают только небольшое количество пациентов из-за непомерно трудоемкой задачи ручного контурирования изображений HR-pQCT.

                В настоящем исследовании представлен новый метод автоматического контурного изображения переломов дистального отдела лучевой кости на основе трехмерных морфологических геодезических активных контуров (3D-GAC). Контуры 60 изображений HR-pQCT переломов и консервативно леченных лучевых костей, охватывающих процесс заживления до одного года после перелома, сравниваются с текущим золотым стандартом, нарисованными вручную 2D-контурами, для оценки точности алгоритма.Кроме того, надежность была установлена ​​путем применения алгоритма к изображениям HR-pQCT интактных радиусов 73 пациентов и сравнения полученных морфометрических показателей с золотым стандартом оценки пациентов, включая подход к контурированию на основе порога и дилатации. Воспроизводимость оценивали с помощью повторных сканирований интактных лучевых костей 19 пациентов.

                Новый подход 3D-GAC предлагает контуры в пределах межоператорской изменчивости для изображений переломов дистальных лучевых костей (средний балл Dice 0,992 ± 0.

Опубликовано в категории: Разное

Добавить комментарий

Ваш адрес email не будет опубликован.