- 综合排序
- 最热优先
- 最新优先
球差校正扫描透射电子显微镜（STEM）数据处理步骤
球差校正STEM技术的出现，进一步提高了STEM的分辨率和图像质量。掌握球差STEM数据处理步骤，有助于充分发挥这一技术的优势，为科学研究提供有力支持。 一、球差校正原理球差是光学系统的一种像差，会导致图像分辨率降低。球差校正技术通过对光学系统进行优化，减小球差对图像质量的影响。 球差校正STEM通过在探测器下方加入一个球差校正器，使电子束在通过样品时具有更高的平行度，从而提高图像分辨率。二、球差STEM数据处理步骤1. （2）对解包后的数据进行背景校正，去除探测器噪声和样品背景。（3）对数据进行归一化处理，消除电子束流波动等因素的影响。3. 球差校正（1）提取探测器收集到的球差信息，通过球差校正算法对图像进行校正。 （2）根据校正后的球差信息，调整光学系统参数，优化电子束斑形状。（3）重复球差校正步骤，直至获得满意的图像质量。4. 图像重构（1）对校正后的数据进行图像重构，得到高分辨率STEM图像。
91710编辑于 2024-08-06- 来自专栏聊点学术
图像背景校正操作错误，结果千差万别......
在进行图像定量分析之前，必须首先对图像背景进行校正。如果不作此操作，有时可能会出现极大或极小值，批量分析后得到的数据是不可信的。 ▼1. 背景校正的原理是什么？ 背景校正操作可以修正图像不均匀的背景强度，补偿不均匀光照、不均匀底片、微小的瑕疵。 因此，光密度值测量前的背景校正（红和绿和蓝）需要在平面场校正下进行，而不是单纯的线性函数扣减。 ◣2.2 荧光染色图像分析的本质是灰度分析。 灰度值背景校正可以直接通过线性函数扣减，即分析目标的灰度值减去图像背景灰度平均值。 ▼3. 免疫组化（DAB）和荧光染色图像校正方法？ ◣3.2 荧光染色图像背景校正 （1）先打开一幅需要校正的荧光图像，然后打开一幅无任何组织或细胞的图像（空白图像）。
1.3K10发布于 2020-10-21 中科院金属研究所/苏州实验室/大连理工Matter：焦耳热秒级合成2nm铂立方体，用于高效氨氧化电催化
图2：SWCNT与铂纳米立方体的结构表征通过高分辨透射电镜（AC-TEM）和球差校正高角环形暗场扫描透射电镜（AC-HAADF-STEM）图像可见，铂纳米立方体均匀锚定在SWCNT束表面，其长边平行于碳管轴向
14610编辑于 2026-02-07- 来自专栏思影科技
BRAIN：X连锁肌张力障碍-帕金森综合症的基底节和小脑病理研究
2.3.2基于感兴趣区的分析 用WFU模板提取感兴趣区，包括：壳核、尾状核（尾状核头、尾状核体、尾状核尾）、苍白球（内侧苍白球、外侧苍白球）、黑质和初级运动区（M1，BA4），并将感兴趣区转化至MNI空间 组间比较结果的多重比较校正采用Monte Carlo模拟校正，校正阈值为p<0.05；两侧半球间的比较采用Bonferroni校正。 2.6统计分析 统计分析利用SPSS实现，主要进行了校正年龄的ANCOVA，混合模型ANCOVA和校正年龄和颅内总体积（如需）的偏相关分析。所有的结果中均报告了校正的F值和P值和未校正的自由度。 3.结果 3.1人口统计学特征和临床评估 文章共分析了17位男性XDP患者和17位男性年龄匹配（P=0.240）的健康对照的数据[均值（标准差），患者组：40.1（SD：7.5），对照组：35.2（SD 同时，结果显示外侧苍白球比内侧苍白球有更大程度的萎缩[F(1,31) = 70.43， P<0.001]。
92120发布于 2020-04-01 - 来自专栏医学和生信笔记
超级无敌详细的R语言非参数检验（与SPSS对照，符号秩、秩和Kruskal Wallis H、Nemenyi、FriedmanM
# 标准差 Z <- (W_plus - mu_W) / sigma_W # Z 值（无连续性校正） cat("正秩和 (W⁺ # 标准差 Z <- (W_plus - mu_W) / sigma_W # Z 值（无连续性校正） cat("正秩和 (W⁺ 计算 Z 值 (渐近正态近似) # 均值 mu_U <- n1 * n2 / 2 # 标准差 (包含对结ties的校正) # 统计结的信息 N <- n1 + n2 ties <- table(data_combined 计算 Z 值 (渐近正态近似) # 均值 mu_U <- n1 * n2 / 2 # 标准差 (包含对结ties的校正) # 统计结的信息 N <- n1 + n2 ties <- table(data_combined 孙振球《医学统计学》第4版例8-10。用的是例8-9的数据。
30410编辑于 2026-03-17 - 来自专栏思影科技
BRAIN：基于致病性颅脑病灶的颈肌张力障碍的网络定位
颈肌张力障碍的病灶网络图 (A).连接颈肌张力障碍病灶超过90%或23/25的脑区，正向连接（橙/黄）、负向连接（蓝/绿）；从左到右：丘脑（z=10）、苍白球（z=-2）、中脑（z=-13）、小脑（z= 多重比较校正针对t检验及Liebermeister 检验分别采用基于全脑体素FWE校正及FDR校正。校正后P<0.05被认为具有显著性。 由于通过4次校正的感觉运动皮层的团块很小（14个体素），因此将通过3次校正的体素组成感兴趣区。 该研究同时可以得到与临床反应差的相关体素（P<0.01）。 （A）引起颈肌张力障碍病灶与小脑正向连接与躯体感觉皮层负向连接； （B）与颈肌张力障碍、（C）肌张力障碍患者临床治疗反应良好的DBS位点苍白球内侧部，与躯体感觉皮层负向连接及与小脑正向连接； （D）控制临床反应差相关体素后
89120发布于 2019-12-17 - 来自专栏点云PCL
鱼眼摄像头畸变校正方法概述
相机投影模型 鱼眼相机的成像过程通常近似为一个单位球投影模型。 鱼眼相机的成像过程可以分解为两个步骤：首先，将空间中的三维点线性投影到虚拟单位球上；然后，将单位球上的点投影到图像平面上，这是一个非线性过程。 在此投影模型中，相机坐标系中的三维点（X、Y、Z）与二维图像坐标（u、v）之间的映射可以表达如下： 这里，(θ, φ) 表示单位球上的球坐标，r 是光学中心到点的径向距离，(u, v) 表示归一化图像坐标 它涉及使用等角网格将单位球上的3D点映射到2D图像坐标。 在这个投影模型中，单位球上的3D点 (X, Y, Z) 与2D图像坐标 (u, v) 之间的映射可以表示如下： 这里，(θ, φ) 表示单位球上的球坐标，而 (u, v) 表示归一化的图像坐标，取值范围从
1.7K10编辑于 2024-01-17 - 来自专栏医学和生信笔记
R语言球对称检验（Sphericity Test）
球对称检验在孙振球《医学统计学》中是作为重复测量方差分析中的一个知识点出现的，并没有单独介绍，我这里单独拎出来是因为当初的学习使用R语言进行球形检验的时候，费了很大的精力（当时网上资源很少）。 如果不满足球对称假设可采用以下方法： 使用校正自由度的方法（近似F检验）： Greenhouse–Geisser 校正（较保守，推荐当ε<0.75）； Huynh–Feldt 校正（较宽松，当ε>0.75 Greenhouse–Geisser(GG)和Huynh–Feldt(HF)就是根据这个偏离程度来打补丁（校正P值）的。 unsetunset单因素重复测量unsetunset 孙振球《医学统计学》第4版表12-3的数据，这是一个只有1组的，而且是一个不符合球对称假设的数据。 此时你可以查看GG法或HF法校正的结果，Greenhouse-Geisser法校正后的球对称系数ε=0.52827，Huynh-Feldt法校正后的球对称系数ε=0.6573076，本次两个校正结果的P
7210编辑于 2026-04-09 - 来自专栏机器之心
有钱有闲有知识：「百发百中」篮板作者又出新作：百发百中台球杆
如图所示，这个智能球杆的末端是可以活动的，球桌的上方还安装了智能摄像头，用于拍摄球桌战况和计算击球路线。 ? 为了校正拍摄画面，Wighton 给球桌的四个角贴上了一个基准点贴纸（类似于二维码三个角上的小方块）。这些贴纸不仅可以帮助计算机程序校正画面，还可以作为球洞、球等关键位置的参考。 ? 当然，投影仪也需要定点和校正，这里依然借助基准点来完成。 ? 一切就绪，开始第一轮测试： ? Wighton 妻子的脸上泛起了神秘的笑容：就这？ 痛苦的复盘 到底是哪里出了问题？ 为了找出导致这一问题的原因，Wighton 开始复盘整个系统：首先，他安装了一个摄像头来记录球桌画面，然后用一个计算机程序来校正拍到的画面，另一个程序来抽取每个关键点的位置。 但是，他的镜头是自带校正功能的，因此问题可能出在其他方面。 接下来又是四天筋疲力尽的复盘行动，Wighton 甚至自己做了一套校准系统，但一切并没有好转。
54620发布于 2021-03-15 - 来自专栏DeepHub IMBA
基于偏差校正似然的贝叶斯参数估计
假设我们参加一次抽奖，从一个抽奖盒中抽出不同颜色的球，一次一个。我们假设球的总数很大或者每次试验后球都被放回盒中。 换句话说，颜色在球之间均匀分布。 通过观察试验的有限序列（不是全部，而是仅包含在盒子中所包含的球的一个样本）我们可以尝试估算不同颜色的总数，从而可以通过正确猜出所绘制的颜色来估计下一次抽取中的正确的几率。 这使我们可以按先验偏差校正的可能性写出后验分布，如下所示： ? 当我们知道似然估计的偏差是真实参数值(包含样本大小)的函数时，可以使用这个公式。 如下图所示，当先前的估计本身具有负偏差（λ= 18）时，经偏差校正的MAP也显示出更高的鲁棒性：λ= 18的MLE与MAP以及经偏置校正的MAP的关系图 ?
59510发布于 2021-03-10 - 来自专栏医学和生信笔记
龙虾教你如何用car::Anova重复测量方差分析？
关于重复测量方差分析前的球对称检验，大家可以参考之前的文章R语言球对称检验 数据还是使用孙振球《医学统计学》第4版的数据 unsetunset单因素重复测量unsetunset 孙振球《医学统计学》第4 版表12-3的数据，这是一个只有1组的，而且是一个不符合球对称假设的数据。 Mauchly’s W = 0.06273，P<0.001，拒绝球对称假设。 此时你可以查看GG法或HF法校正的结果，Greenhouse-Geisser法校正后的球对称系数ε=0.52827，Huynh-Feldt法校正后的球对称系数ε=0.6573076，本次两个校正结果的P unsetunset两因素重复测量unsetunset 使用孙振球《医学统计学》第4版例12-3的数据。
9410编辑于 2026-04-09 - 来自专栏聊点学术
【Image J】图像的背景校正
（荧光场：光强不均匀，左弱右强） 2、如何使用Image j进行图像背景校正？ 答：打开Image j 后，再打开需要校正过的图像。 想象一个二维灰度图有一个第三维度，其值是每个点的像素值的大小，一个有特定半径的球在这个表面下面滚动，碰到该图的点就是要去除的背景。 Rolling Ball Radius：抛物线的曲率半径。 Sliding Paraboloid：勾选后，球被一个有相同曲率的的抛物面所替代。 3、还有其它校正方法吗？ 答：当然有。 如果要进行荧光强度测定，个人不赞同进行背景校正。因为校正操作会影响阳性表达区域的荧光强度（或灰度）。
7.4K20发布于 2021-01-11 - 来自专栏计算摄影学
手机中的计算摄影5-基于深度学习的畸变校正
在手机中的计算摄影4-超广角畸变校正中，我为你描述了广角镜头的镜头畸变校正和透视畸变校正，尤其是花了很多篇幅讲述施易昌等人的论文如何校正因为透视畸变导致的人脸拉伸现象。 因为他们的算法只针对人脸区域采用球极投影进行校正，因此一定需要输入人脸的Mask，而这个Mask是通过专门训练的人脸分割网络计算出来的。 这里，LineNet用于进行镜头畸变校正，经过LineNet后直线被校直。而ShapeNet则用于进行人脸的球极畸变校正。 1.3 网络结构 如前所述，作者的网络结构如下图所示，其中 LineNet用于进行镜头畸变校正，经过LineNet后直线被校直 ShapeNet则用于进行人脸的球极畸变校正。 ，图(b)是在此基础上进行球极投影校正的结果，图(c)是施易昌等人的方法，图(d)则是谭婧等的方法。
1.4K30发布于 2021-12-01 - 来自专栏生信技能树
如何让你的kegg注释结果图分门别类
多重检验校正：由于一次分析中可能涉及多个通路的检验，因此需要使用如Bonferroni校正或False Discovery Rate (FDR)等方法来校正P值，以减少假阳性结果。 超几何分布检验的朴素理解 随机抽取：你从箱子里随机抽取球（不把抽出来的球放回去），看能抽到多少红球。 期望比例：整个箱子中红球和蓝球的比例给你一个期望值，也就是在随机抽取的情况下，你期望抽到的红球的比例。 实际观察：你实际抽出来的样本中红球的比例与你的期望值进行比较。 这意味着只有校正后的P值（通过多重假设检验校正）小于0.05的通路才会被认为在富集分析中是显著的。yy变量存储了富集分析的结果。 head()函数默认显示前6行，但通过[,1:3]选取了前3列的数据，即通路ID、通路名称和校正后的P值。
1.4K10编辑于 2024-05-09 - 来自专栏测试GO材料测试
gpc凝胶渗透色谱仪原理-分子筛分技术
凝胶填料：常见的凝胶填料包括交联聚苯乙烯凝胶、交联聚乙酸乙烯酯凝胶、多孔硅球、多孔玻璃和多孔氧化铝等；凝胶填料具有化学惰性，不具有吸附、分配和离子交换作用，填料孔径大小与待分离的高分子化合物分子量相匹配 校正曲线：使用已知分子量的标准样品，建立淋洗体积与分子量之间的校正曲线；在相同的测试条件下，测定一系列标准样品的保留时间，以lgM对t作图，得到校正曲线；通过校正曲线，可以从GPC谱图上计算出未知高分子化合物的分子量分布 检测系统：通用型检测器适用于所有高聚物和有机化合物的检测，包括示差折光检测器、紫外吸收检测器、粘度检测器、光散射检测器等；选择型检测器适用于对该检测器有特殊响应的高聚物和有机化合物，包括紫外、红外、荧光
1.1K10编辑于 2024-12-03 - 来自专栏医学和生信笔记
一文搞定：现代化高级R包afex与重复测量方差分析（代码+可视化+结果解读+多重检验）
这两种方法各有优缺点：aov函数简单易用，但在处理违反球对称假设时较为繁琐；car::Anova在自由度校正上更加灵活，但语法相对复杂。 关于重复测量方差分析前的球对称检验，大家可以参考之前的文章R语言球对称检验。 需要特别说明的是，这是一个不符合球对称假设的数据，因此在分析时需要对自由度进行校正，这也是我们在后文中选择afex包（而非直接用aov函数）的重要原因之一。 ，afex都会默认采用Greenhouse-Geisser（GG）校正法自动调整自由度和p值（输出中标注为Sphericity correction method: GG），从而避免因球对称假设违反而产生的 如果你希望得到与car::Anova()输出格式相同的详细结果（包括球对称检验Mauchly’s test以及GG、HF两种校正结果），可以使用summary()： summary(f) ## ##
2800编辑于 2026-04-16 - 来自专栏计算摄影学
手机中的计算摄影4-超广角畸变校正
为了解决人像的这种拉扯现象，以前的方法是利用球极投影(Stereographic projection)或者墨卡托投影(Mercator projection)来对图像进行进一步处理。 他们的想法很直接：既然透视畸变矫正能够校直图像中的直线，而球极投影又能够恢复人脸的形状。 那么不如先对图像做人脸分割，对非人脸的背景区域计算透视畸变的校正map，再对人脸部分做球极投影的校正map，然后把两部分的变换map整合到一起，用最终的变换图来对图像进行插值变换： 听起来这是个清晰、 我们一起来直观的想一想： 首先，校正后的图像在人脸部分是非常接近球极投影的 越是靠近图像中心的人脸，越接近透视投影本来的样子 人脸在变换前后不应该有异常的尺度变化 经过透视投影校直的直线，不应该被球极投影重新变弯曲 这里面，首先是人脸目标项 Ef， 它是所有人脸处的目标函数值Es,k之和，正如我们上面的直观感觉，这个目标函数约束了下面几个目标： 校正后的图像在人脸部分是非常接近球极投影的 越是靠近图像中心的人脸，越接近透视投影本来的样子
3.1K10发布于 2021-12-01 - 来自专栏思影科技
QSM研究：帕金森病的全脑磁化扰动模式
皮质下容量测定法 左侧和右侧丘脑、尾状核、壳核、苍白球、海马体和杏仁核使用FIRST算法（结合既往解剖知识的自动表面感知方法，包含在FMRIB的软件库FSL v5.0.9中）从射频偏置校正的MPRAGE 最后，使用共轭梯度法通过形态学启用的非线性偶极子反演公式，对嵌套在高斯-牛顿回路中的500个操作的迭代块上的磁化率非线性概图进行了估计，外圈的停止容差比设置为0.01。 将绝对值用作QSM，以改善用于全脑分析的统计条件，并改善电晕效应的虚假影响，即陡峭的磁化率梯度附近的残差。 苍白球 与黑质相反，在帕金森病患者的苍白球中仅观察到不显著的QSM增加。值得注意的是，苍白球铁含量的尸检报告尚无定论；虽然一些研究显示帕金森病增加，但其他研究显示水平正常甚至降低。 ，平均UPDRS-Ⅲ为16.3±8.0，因此提示苍白球铁负荷可能是相对晚期疾病特征。
1.7K30发布于 2021-05-11 校正随机MALA：神经网络的不确定性量化
我们引入了一种校正的随机MALA (csMALA)，它带有一个简单的校正项，使得由此产生的替代后验与原始吉布斯后验之间的距离随着完整样本量的增加而减小，同时保持了可扩展性。 聚焦于贝叶斯神经网络，我们分析了浅层神经网络的可信球的直径和覆盖范围，并证明了深度神经网络的最优收缩率。我们的可信性结果独立于校正项，也可应用于标准的吉布斯后验。
11210编辑于 2026-03-15- 来自专栏CVer
把光头识别成足球？AI「摄像」直播翻车：我的眼里只有它
这是一个界外球。球员将球掷回场内，双方正在激烈地争抢……哦不，光头边裁再次入镜……嗯，我们看不到场上的那颗足球经历了什么，只能从边裁帅气的挥旗中推断一二。 ? 人工校正也不能阻止这只AI对光头的执着…… ? 于是，在家里观看这场比赛的球迷，90分钟的大部分时间里其实一直在围观边裁的光头，甚至连球是怎么进的都没看着…… 看来是时候要求边裁必须要戴帽子或假发了。 有球迷在看完这场比赛后，如是说道。 有网友表示，根据Ta的经验，光头、足够亮的白鞋、灯光、比赛场地旁训练场上的球、球员用来热身的球，都是训练AI时需要考虑的干扰因素。 ? 对此，有网友笑称，看来需要的不仅“这是球”数据集，还需要一个“这不是球”数据集。 比如这种： ?
1K20发布于 2020-11-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号