传统的赤潮藻鉴定主要依赖经验丰富的藻类专家依据种的生物形态学特征在显微镜下通过人工目视判读、分类，该方法存在专业水平高、分类人员断层、耗时费力等问题。基于赤潮藻类细胞生物形态学分类特征，通过对藻类细胞3种细节特征(有无角毛、横纵沟、尖顶刺)进行有效的自动提取和描述，提出了显微图像自动分类识别的思想。设计三级两类分类器，建立树状判别体系，将大样本集有效划分为小样本集，构建赤潮藻显微图像自动诊断识别系统，结果表明：多级分类器的设计思想减少了训练时间，提高了识别准确率。

白细胞显微图像数据集，4427张图片，7种不同的白细胞类型 白细胞显微图像数据集，4427张图片，7种不同的白细胞类型 白细胞显微图像数据集，4427张图片，7种不同的白细胞类型

煤岩显微图像预处理主要包括煤岩划痕检测与去除。针对基于霍夫变换算法的煤岩划痕检测难以准确提取空间形状特征和有效细化边缘信息，容易出现漏检和误检的问题，提出了基于语义分割的煤岩划痕检测方法。该方法引入残差结构改进空间注意力模型，将该模型嵌入以VGG卷积层作为图像特征编码器的U-Net中，实现对煤岩划痕的语义分割。针对基于快速行进的图像修复算法使得煤岩划痕去除区域和周围区域存在纹理差异和视觉伪影的问题，提出了采用基于改进区域匹配的图像修复算法去除煤岩划痕。通过采用k个最近邻图像块查找、跨尺度及旋转角度搜索策略和基于欧氏距离的图像块偏移距离度量，实现煤岩划痕的有效去除。实验结果表明，基于语义分割的煤岩划痕检测方法能准确反映煤岩划痕的边缘细节，具有较好的空间特征解析性能，提高了煤岩划痕检测准确性；采用基于改进区域匹配的图像修复算法去除煤岩划痕能使煤岩划痕去除区域与周围区域的纹理特征更具有一致性，提升图像整体视觉效果。

COMI：通过深度学习校正散焦的显微图像 显微图像广泛用于科学研究和医学发现。 但是，通过低成本显微镜获得的图像通常无法聚焦，从而导致研究和诊断性能较差。 我们提出了一种基于循环生成对抗网络（CycleGAN）的模型和多分量加权损失函数来解决此问题。 通过分析哺乳动物细胞从原生动物寄生虫到细胞核，肌动蛋白和线粒体的各种细胞结构，我们的方法在不同的研究领域显示出良好的泛化能力，这为生物成像提供了广阔的前景。 所提出的方法包括两个生成器（源生成器和目标生成器）和两个鉴别器（源鉴别器和目标鉴别器）。 源发生器将离焦图像转换为聚焦图像，然后目标判别器会尝试将真实的聚焦图像与生成的聚焦图像区分开;目标发生器会将聚焦图像转换为离焦图像，然后源识别器会尝试区分真实的离焦图像和生成的离焦图像。 1.先决条件 Ubuntu 16.04 特斯拉K40C GPU Python 3.6 凯拉斯2.2.4 Te

针对现有的基于卷积神经网络的图像超分辨率算法参数较多、计算量较大、训练时间较长、图像纹理模糊等问题, 结合现有的图像分类网络模型和视觉识别算法对其提出了改进。在原有的三层卷积神经网络中, 调整卷积核大小, 减少参数; 加入池化层, 降低维度, 减少计算复杂度; 提高学习率和输入子块的尺寸, 减少训练消耗的时间; 扩大图像训练库, 使训练库提供的特征更加广泛和全面。实验结果表明, 改进算法生成的网络模型取得了更佳的超分辨率结果, 主观视觉效果和客观评价指标明显改善, 图像清晰度和边缘锐度明显提高。

psf的matlab代码去卷积3D 显微图像的3D反卷积代码 使用深度学习Abhijeet Phatak的EE367最终项目3D反卷积（） 入门 1.36797.tif是从以下位置获得的数据集 2.数据集是1904x1900x88图像。 使用反卷积函数通过20次迭代来估算44个宽视野[WF]（观察/模糊），44个结构化照明[SIM]（地面真实情况）PSF。 更多的迭代可能会带来更好的结果，但如果这样，请使用edgetaper，否则可能会产生振铃效果。 3.阅读提示部分 4.首先运行getPSF.m，它将使用MATLAB的盲反卷积算法来生成PSF。 它还可以横向缩放堆栈，以加快计算速度。 5，它还以.mat格式存储不同的堆栈，以便可以通过不同的方法直接使用它们。 RL 确保您已运行getPSF.m 然后运行runRL.m ADMM 确保您已运行getPSF.m 然后运行runADMM.m 要详细了解以上两种方法，您可能需要参考本白皮书。 （） 7，矩阵以MATLAB v6二进制格式存储，以便轻松导入python而不会降低性能。 神经网络 请确保已安装tensorflow-gpu。 否则，

实现了2维高斯拟合，可用于生物荧光标记的显微图像的拟合，速度很快。

Imaris是一款3D和4D影像分析软件，为用户提供3D和4D显微数据集的可视化，分割和解释所需的全部功能。

行业分类-物理装置-基于显微图像的细胞分析方法、装置、设备及存储介质.zip

来自 SEM 图像的纤维直径尺寸分布 这是一个简单的代码，用于提取直径大小分布来自 SEM 图像的纤维。 所有长度单位均以微米为单位。 编码生成包括所有观察到的直径的excel文件。 唯一的您需要设置的参数是图像的空间分辨率。 为了要找到它，请将图像的物理高度除以其以像素为单位的高度。 例如，如果图像的高度为 1000 像素和物理高度为 100 微米，您的空间分辨率将每像素 0.1 mcrion。 如果您在研究中使用的是代码，请引用以下论文： Rabbani, A. 和 Salehi, S. (2017)。 地层动态建模损伤理论和泥饼沉积，采用过滤理论并结合SEM图像处理。 天然气科学与工程杂志，42, 157-168。 Ezeakacha, CP、Rabbani, A.、Salehi, S. 和 Ghalambor, A.（2018 年 2 月）。 综合图像处理和计算技术来表征地层损害