EMAN is een reeks van de wetenschappelijke die hulpmiddelen van de beeldverwerking hoofdzakelijk op de gemeenschap van de transmissieelektronenmicroscopie wordt gericht, hoewel het op andere gebieden begint eveneens worden gebruikt. Het heeft een bepaalde die nadruk bij het uitvoeren van een taak als enige deeltjeswederopbouw wordt bekend.

In deze methode, worden de beelden van nanoscalemolecules en de moleculaire assemblage ingebed in glas (glazig) ijs verzameld op een transmissieelektronenmicroscoop, dan gebruikend EMAN om een volledige 3-D recosntruction bij resoluties te veroorzaken nu naderend atoomresolutie verwerkt. Voor lage resolutiestructuren (~2 NM), kan dit ~8 uren van computerverwerking en een paar duizend deeltjes vereisen.

Voor structuren op ~0.5 NM of betere resolutie worden gericht, kunnen de honderdduizenden deeltjes en de honderdduizenden cpu-Uren (op grote computerclusters die) worden vereist. EMAN wordt vaak gebruikt namelijk in supercomputing faciliteiten als testtoepassing voor gegevensverwerking op grote schaal.

De wetenschappelijke beeldverwerking wordt onderscheiden van typische Photoshop beeldverwerking in zoverre dat het van aard analyitical is. De beelden in EMAN worden verwerkt zijn het drijven punt greyscale beelden dat. Namelijk worden de pixelwaarden in de beelden vertegenwoordigd als echte aantallen, als geen kleine gehelen (de typische beelden GIF/JPG/PNG zijn beperkt tot integrale waarden van 0-255 voor elk pixel).

De verwerking omvat vaak de complexe verrichtingen van de beeldverwerking in de ruimte van Fourier of Wavelet. EMAN werd eerst vrijgegeven in 1999, en is onder ononderbroken ontwikkeling sindsdien geweest. Het bestaat uit a.c. ++ bibliotheek van honderden verschillende beeld/volumeverwerkingsalgoritmen met banden in de populaire scripting taal van de Python. In nieuwe ontwikkeling EMAN, gebruiker-nivelleren allen programma's (waarvan er meer dan 200 in EMAN 1.8) zijn worden ontwikkeld in Python, die de goed geïnformeerde eindgebruiker toestaan om wijzigingen te maken zonder het moeten om het even welke C++ broncode downloaden of compileren.

Wat in Deze Versie Nieuw is:

· De wezenlijke verbeteringen werden gemaakt in refine2d.py.
· Het gebruiken van refine2d.py op alle nieuwe gegevensreeksen wordt sterk voorgesteld.
· Sommige programma's gebruiken de stijl EMAN2 van argumenten, d.w.z. „programma < dossier > --option=value“, eerder dan de oude stijl, „programma < dossier > option=value“.
· Er is een nieuw HDF5 formaat compatibel met EMAN2.
· De nieuwe programma's van de LUCHT werden toegevoegd, zoals „skelet“.
· De nieuwe opties werden toegevoegd om het verbeteringswerk op grote icosahedral voorwerpen beter te maken.
· De parallellismeinfrastructuur was beter, hoewel network-related problemen nog kunnen bestaan.
· De willekeurige modelgeneratie in makeinitialmodel.py werd bevestigd.