maskrcnn_nuclei 该存储库包含使用Mask R-CNN进行核实例分割的完整教程，包括图像预处理，具有训练增强功能的Mask R-CNN，测试阶段集成和后处理。 Mask R-CNN模型的代码改编自。 data/示例数据来自和。 要求 TensorFlow 1.4.0 凯拉斯2.1.3 NumPy 科学 OpenCV scikit图像 scikit学习 大熊猫 怎么跑 步骤1： 将您的训练和测试图像放在数据/训练和数据/测试下。 第2步： （如果不需要马赛克，请跳过） 一些小的训练图像（例如，在）可能来自同一幅大图像。 运行nuclei_mosaic.py以恢复原始图像-这对于数据扩充和图像边界上的对象分割非常有用。 python nuclei_mosaic.py --TRAIN_DIR data/train --MOSAIC_TRAIN_DIR data

包含对图像的编辑、处理、分析以及相关的使用算法插件(如图像拼接)。https://imagej.net/plugins/image-stitching 拼接功能：(Plugins->stitching->Grid/Collection Stitching) 2.1.两幅图像简单的横向与纵向上的连接，结果图尺寸为两幅原图尺寸之和 2.2.可以实现顺序序列按照相应扫描顺序的拼接(输入扫描矩阵) 2.3.可以实现无序图像集的拼接

改进脉冲耦合神经网络模型,结合矢量运算,提出一种基于多维脉冲耦合神经网络的边缘检测模型,直接提取彩色细胞图像边缘,且本模型算法在染色不均匀造成的弱边缘检测和抗噪性能等方面表现优异。仿真和实验结果进一步表明了该算法的有效性。

近年来, 随着各种新型荧光探针的出现和成像方法的改进, 远场光学成像的分辨率已经突破了衍射极限的限制。基于结构光照明的荧光显微技术凭借成像速度快、光毒性弱等优点, 已成为目前主流的超分辨成像技术之一。实现结构光照明超分辨显微成像的关键在于照明光场的精准调控和后期的超分辨图像重建算法, 否则将会在重建的超分辨图像中产生不可预估的伪影, 混淆对观测结构真实形态的判断。详细对比了几种典型的结构光照明显微超分辨重建算法, 证明基于图像重组变换的结构光照明超分辨图像重建算法可以有效解决极低结构光场调制度下的超分辨图像重建问题, 降低结构光照明显微中的激发光功率。

fourier pythchography 算法，用于傅里叶叠层显微图像恢复