Python(TensorFlow和PyTorch)两种显微镜成像重建算法模型(显微镜学)

本文主要是介绍Python(TensorFlow和PyTorch)两种显微镜成像重建算法模型(显微镜学),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

🎯要点

🎯受激发射损耗显微镜算法模型:🖊恢复嘈杂二维和三维图像 | 🖊模型架构:恢复上下文信息和超分辨率图像 | 🖊使用嘈杂和高信噪比的图像训练模型 | 🖊准备半合成训练集 | 🖊优化沙邦尼尔损失和边缘损失 | 🖊使用峰值信噪比、归一化均方误差和多尺度结构相似性指数量化结果 | 🎯训练荧光显微镜模型和对抗网络图形转换模型

🍪语言内容分比

在这里插入图片描述
在这里插入图片描述

🍇Python图像归一化

在图像处理中,归一化是改变像素强度值范围的过程。例如,应用包括由于眩光而对比度较差的照片。归一化有时称为对比度拉伸或直方图拉伸。在更一般的数据处理领域(例如数字信号处理),它被称为动态范围扩展。

在各种应用中,动态范围扩展的目的通常是将图像或其他类型的信号带入感官更熟悉或正常的范围,因此称为归一化。通常,其动机是使一组数据、信号或图像的动态范围保持一致,以避免精神分散或疲劳。例如,报纸会努力使一期中的所有图像都具有相似的灰度范围。

归一化对 n 维灰度图像 I : { X ⊆ R n } → { I:\left\{ X \subseteq R ^n\right\} \rightarrow\{ I:{XRn}{ Min, …, Max } \} } 进行变换,强度值在 (Min, Max) 范围内),转换为新图像 I N : { X ⊆ R n } → { I_N:\left\{ X \subseteq R ^n\right\} \rightarrow\{ IN:{XRn}{ newMin, …, newMax } \} },强度值在 (newMin, newMax) 范围内。灰度数字图像的线性归一化根据以下公式进行:
I N = ( I − Min ⁡ ) newMax  − newMin  Max ⁡ − Min  + newMin  I_N=(I-\operatorname{Min}) \frac{\text { newMax }- \text { newMin }}{\operatorname{Max}-\text { Min }}+\text { newMin } IN=(IMin)Max Min  newMax  newMin + newMin 
例如,如果图像的强度范围是 50 到 180,而所需范围是 0 到 255,则该过程需要从每个像素强度中减去 50,使得范围为 0 到 130。然后将每个像素强度乘以 255/130,使得范围为 0 到 255。

归一化也可能是非线性的,当 I I I I N I_N IN 之间不存在线性关系时就会发生这种情况。非线性归一化的一个例子是当归一化遵循 sigmoid 函数时,在这种情况下,归一化图像根据以下公式计算:
I N = ( newMax  − newMin  ) 1 1 + e − I − β α + newMin  I_N=(\text { newMax }- \text { newMin }) \frac{1}{1+e^{-\frac{I-\beta}{\alpha}}}+\text { newMin } IN=( newMax  newMin )1+eαIβ1+ newMin 
其中 α \alpha α 定义输入强度范围的宽度, β \beta β 定义输入强度范围的中心强度。

图像处理软件中的自动归一化通常归一化为图像文件格式中指定的数字系统的完整动态范围。

PyTorch归一化图像

PyTorch 中的标准化是使用 torchvision.transforms.Normalize() 完成的。这用平均值和标准差对张量图像进行归一化


from PIL import Image
import matplotlib.pyplot as plt
import numpy as npimg_path = 'Koa.jpg'
img = Image.open(img_path)img_np = np.array(img)plt.hist(img_np.ravel(), bins=50, density=True)
plt.xlabel("pixel values")
plt.ylabel("relative frequency")
plt.title("distribution of pixels")

从结果,我们发现RGB图像的像素值范围是0到255。

使用 ToTensor() 将 PIL 图像转换为 PyTorch 张量,并绘制该张量图像的像素值。我们定义变换函数将 PIL 图像转换为 PyTorch 张量图像。

import torchvision.transforms as transforms
import matplotlib.pyplot as plttransform = transforms.Compose([transforms.ToTensor()
])img_tr = transform(img)
img_np = np.array(img_tr)plt.hist(img_np.ravel(), bins=50, density=True)
plt.xlabel("pixel values")
plt.ylabel("relative frequency")
plt.title("distribution of pixels")

从结果,我们发现张量图像的像素值范围从0.0到1.0。我们注意到 RBG 和张量图像的像素分布看起来相同,但像素值范围不同。

我们计算图像的平均值和标准差:

img_tr = transform(img)
mean, std = img_tr.mean([1,2]), img_tr.std([1,2])print("mean and std before normalize:")
print("Mean of the image:", mean)
print("Std of the image:", std)
标准化前的均值和标准差: 
图像的均值:tensor([0.4916, 0.4498, 0.4000]) 
图像的标准差:tensor([0.2474, 0.2362, 0.2322])

为了归一化图像,我们在这里使用上面计算的图像平均值和标准差。如果图像与 ImageNet 图像相似,我们也可以使用 ImageNet 数据集的平均值和标准差。ImageNet 的平均值和标准差为:平均值 = [0.485, 0.456, 0.406] 和标准差 = [0.229, 0.224, 0.225]。如果图像与 ImageNet 不相似(如医学图像),则始终建议计算数据集的平均值和标准差并使用它们来归一体图像。

from torchvision import transformstransform_norm = transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean, std)
])img_normalized = transform_norm(img)
img_np = np.array(img_normalized)plt.hist(img_np.ravel(), bins=50, density=True)
plt.xlabel("pixel values")
plt.ylabel("relative frequency")
plt.title("distribution of pixels")

我们已经用计算出的平均值和标准差对图像进行了归一化。上面的输出显示了归一化图像的像素值分布。我们可以注意到张量图像(归一化之前)和归一化图像的像素分布之间的差异。

现在可视化标准化图像:

img_normalized = transform_norm(img)
img_normalized = np.array(img_normalized)
img_normalized = img_normalized.transpose(1, 2, 0)plt.imshow(img_normalized)
plt.xticks([])
plt.yticks([])

👉参阅、更新:计算思维 | 亚图跨际

这篇关于Python(TensorFlow和PyTorch)两种显微镜成像重建算法模型(显微镜学)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1144718

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了