多尺度 受激发射损耗显微镜 图像分割卷积网络 残差通道注意力网络 结构相似性指数测量 峰值信噪比 归一化均方误差 互相关 余弦退火 去相关 显微镜导图
🎯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
stateDiagram-v2
s0:显微镜学
s1:多尺度
s2:受激发射损耗显微镜
s3:图像分割卷积网络
s4: 残差通道注意力网络
s5:结构相似性指数度量
s6:峰值信噪比
s7:归一化均方误差
s8:互相关
s9:余弦退火
s10:去相关
s11:荧光显微镜
s12:图像恢复模型
s13:深度学习
s14:对抗网络
m:模型
n:指标
x:信号处理
st:Python(TensorFlow和PyTorch)两种显微镜成像重建算法模型
state st {
direction LR
s0-->s2
s0-->s11
state m {
s3-->s4
s4-->s9
}
s2-->m
m-->s1
state s12 {
s13--s14
}
s11-->s12
state n {
s5-->s6
s6-->s7
}
state x {
s8-->s10
}
s1-->n
n-->x
}
pie title 语言分比
"Python":90
"TensorFlow":70
"PyTorch":60
"C/C++":30
"CUDA":10
pie title 内容分比
"算法模型":90
"显微镜学":80
"数学":40
"数字图像处理":30
"统计估计器":30
"数字信号处理":30
"量化评估":40
"受激发射损耗和荧光显微镜":30
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 $I:\left\{ X \subseteq R ^n\right\} \rightarrow\{ Min, .., Max \}$ 进行变换，强度值在 $(Min, Max)$ 范围内)，转换为新图像 $I_N:\left\{ X \subseteq R ^n\right\} \rightarrow\{ newMin, .., newMax \}$，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：
$$ I_N=(I-\operatorname{Min}) \frac{\text { newMax }- \text { newMin }}{\operatorname{Max}-\text { Min }}+\text { newMin } $$
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 $I$ 和 $I_N$ 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：
$$ I_N=(\text { newMax }- \text { newMin }) \frac{1}{1+e^{-\frac{I-\beta}{\alpha}}}+\text { newMin } $$
其中 $\alpha$ 定义输入强度范围的宽度，$\beta$ 定义输入强度范围的中心强度。