🎯要点

1. 交互式设备控制和图像处理
2. 图像背景和阴影校正
3. 可视化萤光团位置算法和读取光学图像
4. 读写转换显微镜图像
5. 生物医学细胞图像分析
6. 荧光图像算法计算亮度数据和模拟
7. 表征新型染料和缓冲液强度估计
8. 细菌图像分析
9. 扫描透射和高分辨率透射图像模拟
10. 多模态成像分割可视化
11. 透射电子显微图像成像动态
    

Python荧光图像

荧光成像是一种非侵入性成像技术，可帮助观察生物体内发生的生物过程。图像可通过多种方法生成，包括：显微镜、成像探针和光谱学。荧光本身是一种发光形式，是物质吸收电磁辐射后发射一定波长的光而产生的。吸收光后重新发射光的分子称为荧光团。荧光成像通过拍摄荧光染料和荧光蛋白来标记分子机制和结构。它使人们能够通过实验观察活细胞中基因表达、蛋白质表达和分子相互作用的动态。它本质上是一种精确的定量工具，可用于生化应用。

当某种分子吸收光时，分子的能量会短暂地升高到更高的激发态。随后返回基态，导致发射可检测和测量的荧光。发射光是由吸收能量为 $hv$ 的光子产生的，具有特定的波长。事先知道这个波长很重要，这样在进行实验时，测量设备就知道要将波长设置为什么来检测光的产生。该波长由以下公式确定：
$${\lambda }_{\text{发射 }}=\frac{hc}{{\text{ 能量 }}_{\text{发射 }}}$$
其中$h=$普朗克常数，$c=$光速。通常，此处使用大型扫描设备或 CCD 来测量强度并以数字方式拍摄图像。

可以采用不同的显微镜技术来改变图像的可视化和对比度。每种方法都有优点和缺点，但都利用相同的荧光机制来观察生物过程。

图像内外段偏差

根据光感受器的输入荧光图像，我们想要计算每个外段（红色部分）相对于其内段（蓝色部分）的偏差。第一步是加载和显示数据。数据由形状为 (1024,1024,4) 的三维数组组成。第一幅图像不是我们应用程序的关注点，所以我们将忽略它。每个 (1024,1024) 数组都表示 uint32 中的荧光图像，第一个是蓝色，第二个是绿色，第三个是红色。

根据给定通道中的荧光强度计算彩色图像。

def gray2color(u,channel):

    u_color = np.dstack((
        rescale_intensity(u if channel==0 else np.zeros_like(u), out_range='float'),
        rescale_intensity(u if channel==1 else np.zeros_like(u), out_range='float'),
        rescale_intensity(u if channel==2 else np.zeros_like(u), out_range='float'),
        ))
    return u_color
    
def display_initial_dataset(u):

    R = u[:,:,3]
    G = u [:,:,2]
    B = u[:,:,1]
    u_rgb = np.dstack((
        rescale_intensity(R, out_range='float'),
        rescale_intensity(G, out_range='float'),
        rescale_intensity(B, out_range='float')
        ))
    R_rgb = gray2color(R,0)
    G_rgb = gray2color(G,1)
    B_rgb = gray2color(B,2)
    fig, ax = plt.subplots(1,4,sharex=True,sharey=True)
    ax[0].imshow(u_rgb)
    ax[0].set_title('Original color image')
    ax[1].imshow(R_rgb)
    ax[1].set_title('Red channel')
    ax[2].imshow(G_rgb)
    ax[2].set_title('Green channel')
    ax[3].imshow(B_rgb)
    ax[3].set_title('Blue channel')
    return (ax, fig)

从布尔映射中获取具有属性的形状列表。

def get_cells_from_bool(mask, plot=False):

    label_image = label(mask)
    cells = []
    for region in regionprops(label_image):
        cells.append(region)
            
    if plot:
        image_label_overlay = label2rgb(label_image, alpha=0.2, bg_label=0)
        plt.imshow(image_label_overlay)
        plt.title('Detected cells ' + str(len(cells)))
    return cells

在此步骤中，您应该将每个外部段放在一个列表中，其中包含由 regionprops 计算的几个属性。现在的目标是循环遍历外部段并要求用户使用 plt.ginput 手动选择一些点。为了帮助用户，您可以绘制描述每个部分方向的不同向量：

然后，计算每对向量之间的角度。为此，我们需要做一些几何工作。给定两个点 $a$ 和 $b$ 的坐标：
$$a=\left(\genfrac{}{}{0ex}{}{x_1}{y_1}\right)b=\left(\genfrac{}{}{0ex}{}{x_2}{y_2}\right)$$
向量 $\overrightarrow{ab}$ 可以写成：
$$\overrightarrow{ab}=\left(\genfrac{}{}{0ex}{}{x_2-x_1}{y_2-y_1}\right)$$
计算 $\overrightarrow{ab}$ 和 $\overrightarrow{u_x}$ 之间的点积，我们有：
$$\overrightarrow{ab}\cdot \overrightarrow{u_x}=\Vert \overrightarrow{ab}\Vert \times \Vert \overrightarrow{u_x}\Vert \times \cos \left(\overrightarrow{ab},\overrightarrow{u_x}\right)$$
我们将 $\overrightarrow{ab}$ 和 $\overrightarrow{u_x}$ 之间的角度称为 $\alpha$，我们可以用以下等式计算它：
$$\alpha =\arccos \left(\frac{x_2-x_1}{\sqrt{{\left(x_2-x_1\right)}^2+{\left(y_2-y_1\right)}^2}}\right)$$
创建一个函数 get_angle ，它计算由两个给定点定义的向量与横坐标酉向量之间的角度。要实现此目的，需要使用 arccos 函数 np.arccos 和平方根函数 np.sqrt。

def get_angle(a,b):
    return np.arccos((b[0]-a[0])/(np.sqrt((b[0]-a[0])**2+(b[1]-a[1])**2)))

👉更新：亚图跨际