This blog is a space to document my professional learnings, personal reflections, and everything in between.

这篇论文提出了一种结合深度学习与显微成像的创新方法，突破了活细胞内多细胞器动态成像的技术瓶颈。传统荧光标记依赖“一对一”特异性染色，受限于光谱串扰和标记效率，难以实现多细胞器同步观测。本研究采用“一对多”策略，利用脂质染料尼罗红对多种膜细胞器进行非特异性染色，通过其发射光谱对膜极性的敏感性，结合转盘共聚焦显微镜的双通道比率成像（分辨率约143 nm），生成反映细胞器异质性的高时空分辨率图像数据。在此基础上，席鹏团队设计了基于注意力U-Net的深度卷积神经网络（DCNN），通过融合强度图像与光谱比率特征...

A neural network for long-term super-resolution imaging of live cells with reliable confidence quantification——含置信度的视频超分辨：从自然界到显微成像

图像二值化（Image Binarization）：平均值法、双峰法、大津算法（OTSU）编程实现图像的二值化，分析不同的阈值对二值化图像的影响。

多数分割算法均基于灰度值的两个基本性质之一：不连续性和相似性。图像的边缘检测就是基于灰度的不连续性（灰度突变）来实现图像分割的。边缘检测器是设计用来检测边缘像素的局部图像处理方法。一条线可视为一条边缘线段，该线两侧的背景灰度要么远亮于该线像素的灰度，要么远暗于该线像素的灰度，这样的线称之为“屋顶边缘”。

本文论述了基于欧式距离和曼哈顿距离的彩色图像分割算法，并用python实现了各个算法。之后将二者的优势结合，提出了改进后的曼哈顿距离算法：基于加权曼哈顿距离的彩色图像分割算法，在分割效果和速度上超越了传统的欧式距离分割算法。

图像相加常常被用来进行图片降噪处理，图像相减常用于增强图像之间的差。

锐化处理的主要目的是突出灰度的过度部分。图像锐化的用途多种多样，应用范围从电子印刷和医学成像到工业检测和军事系统的制导等。利用图像微分可以增强边缘和其他突变（如噪声），而削弱灰度变化缓慢的区域。