41、肺癌细胞生长中的图像处理分析与逐帧视觉里程计研究

肺癌细胞生长中的图像处理分析与逐帧视觉里程计研究

1. 肺癌细胞生长的图像处理与分析

在肺癌细胞生长的研究中，传统分析方法虽能确定细胞的生长速率和整体迁移情况，如通过计算划痕愈合速度等参数，但这些方法主要基于细胞表面积的变化，未涵盖细胞迁移和生长的重要变化信息。

研究发现，除了现有的分析参数，还可额外确定一些能定义癌细胞迁移方式的参数。例如，确定细胞簇改变角度的区域，可推断出这些区域的细胞向划痕处迁移速度更快。此外，通过确定细胞数量以及它们之间的距离，能判断细胞在迁移过程中自身是否增多。基于这些结果，可推测出实验下一阶段细胞的迁移方向，进而确定预测因子，指示细胞变化的可能方向。未来的研究方向是提出一种图像自动分类系统，利用本文列出的参数进行分类。该解决方案不仅可用于研究癌细胞的行为，还可用于研究伤口愈合过程中的变化本质，但这需要进一步的研究来实现。

2. 逐帧视觉里程计：局部变换的重要性

2.1 研究背景

轨迹估计对移动机器人至关重要。视觉里程计（VO）可通过被动视觉数据逐帧定位机器人。VO问题有多种解决方法，因此在真实基准数据的背景下评估这些算法具有重要意义。本文主要关注基于RGB图像的特征n点方法，这些方法在单目视觉中可用于相机旋转估计，但只有少数能提供未知尺度下的平移估计。同时，在使用普通RGB - D相机的背景下，将这些方法与使用全深度信息的Kabsch算法进行了比较。

传统的密集解决方案虽能利用相机所见的所有信息，但计算成本高，需要GPU加速，在大规模移动机器人应用中几乎不可行。因此，本文关注现有的基于特征（稀疏）的方法。单目相机无法获取场景的完整深度信息，难以准确确定两帧之间平移的尺度，但仍可计算轨迹