开源
Sparse deconvolution
本仓库提供稀疏解卷积软件的最新版本。该软件是一种适用于荧光显微成像的通用后处理框架。
基本功能：
1. 降噪；
2. 解卷积(三维分辨率提升)；
3. 上采样；
4. 去除背景(获得接近TIRF的成像效果)；
5. 去除伪影。
SACD
1. SACD仅需20帧图像，即可实现横向和轴向分辨率约两倍提升。
2. SACD无需额外光学器件，可在商用显微镜或自建系统上灵活增加直接超分辨成像功能。
3. 稀疏解卷积辅助SACD(Sparse-SACD)可实现快速四维活细胞超分辨成像。
RIED
1. RIED可在极端光子受限条件下实现反应发光的超分辨成像，包括生物发光(BL)和电化学发光(ECL)。
2. RIED无需外部光激发或光化学调制，通过提取微弱发光信号的内在时空涨落，实现高对比度超分辨重建。
3. 熵加权涨落解码与解卷积相结合，可实现稳健的二维和三维超分辨成像，将超分辨显微成像拓展到传统荧光成像之外。
PANEL
rFRC(滚动傅里叶环相关)用于定量表征局部图像质量，包括有效分辨率和数据不确定性；有效分辨率越低，出现误差的概率越高，因此该指标可用于表征不确定性并揭示误差分布。PANEL进一步将滤波后的rFRC与截断的RSM(分辨率尺度误差图)结合，形成完整的逐像素误差定位图；没有宽场参考图像时，可关闭RSM这一可选功能。PANEL以简洁的可视化方式，帮助生物学研究人员直观定位可靠性较低的区域。
MATLAB Python Java ImageJ plugin
SN2N
SN2N(自启发Noise2Noise)的性能可媲美监督学习方法，同时无需大规模数据集或干净真值。首先，我们利用超分辨图像的空间冗余构建自监督数据生成策略，通过对角重采样和傅里叶插值实现单帧Noise2Noise。随后引入自约束学习过程，以进一步提升性能和数据效率。最后，我们提供Patch2Patch数据增强策略，通过在多个维度上随机变换图块，进一步提高数据效率。
基本功能：
1. 无监督学习降噪；
2. 数据增强。
ImagePy
ImagePy是一个使用Python编写的开源图像处理框架。其用户界面、图像数据结构和表格数据结构分别基于wxPython、NumPy和pandas。此外，它支持任何基于NumPy和pandas的插件，并可方便地与scipy.ndimage、scikit-image、SimpleITK、OpenCV及其他图像处理库协同工作。
Python风格的ImageJ：
1. 具有友好的用户界面；
2. 可读取和保存多种图像数据格式；
3. 支持ROI设置、绘图、测量及其他鼠标操作；
4. 可执行图像滤波、形态学处理及其他常规操作；
5. 可进行图像分割、区域计数、几何测量和密度分析；
6. 可对从图像中提取的参数执行数据分析、筛选和统计分析等操作；
7. 易于在机器学习应用中使用和扩展。