数字旗手

简介 本文的目的是介绍霄龙新开发的用于cellpose后处理加速的算法。 前面已写了两篇文章介绍了cellpose，它是一个非常强大的用于胞状物体分割的算法，具体见： 胞状物体通用分割算法Cellpose解析：使用篇 胞状物体通用分割算法Cellpose解析：开发篇 总体而言，cellpose由两部分组成：第一部分是Unet网络，建立了原图与其流场图flow之间的关系；第二部分是将上一步流场图复原为掩膜mask，即转换为最终的分割结果。 第一部分主要是神经网络的训练和推理，可以跑在CPU或GPU上（当然GPU会更快）；第二部分只能由CPU计算。两者的计算用时见cellpose作者的实测结果：

概览 赛事描述 Kaggle上正在进行一项名为“HuBMAP: Hacking the Kidney”的竞赛，链接见这里，总奖金是6万美金，该竞赛的目的是为了检测人体组织中的functional tissue units (FTUs)。FTU的定义是：three-dimensional block of cells centered around a capillary, such that each cell in this block is within diffusion distance from any other cell in the same block，感觉类似于细胞的概念，

本文是对极客时间app上王争老师的<数据结构与算法之美>的课堂笔记。 基础概念 算法与数据结构是编程的内功。 从广义上讲，数据结构就是指一组数据的存储和逻辑结构。算法就是操作数据的一组方法。 数据结构和算法是相辅相成的。数据结构是为算法服务的，算法要作用在特定的数据结构之上。 因此，我们无法孤立数据结构来讲算法，也无法孤立算法来讲数据结构。（比如，因为数组具有随机访问的特点，常用的二分查找算法需要用数组来存储数据。但如果我们选择链表这种数据结构，二分查找算法就无法工作了，因为链表并不支持随机访问。） 数据结构与算法中最重要的概念——复杂度分析：数据结构和算法解决的是如何更省、更

sknw是一个从骨架图中创建图网络的库，代码在这里。 它不仅可以实现将单线转变成图graph的效果，而且里面的trace函数还可以实现像素追踪，将图像中的单线的坐标序列依次提取出来，从而将图像转变为矢量图。（sknw可以对闭合曲线进行坐标提取，对于闭合曲线，也可以使用find_contour来提取这些坐标序列） 输入图像 输入图像必须是一个二值的骨架图。 比如，这里的示例图像矩阵为： 1 2 3 4 5 6 7 8 9 10 img = np.array([ [0,0,0,1,0,0,0,0,0], [0,0,0,1,0,0,0,1,0], [0,0,0,1,0

Cellpose是一个对于胞状物体（比如细胞、晶粒、核、砖块等）进行分割的非常优秀的通用算法，其体现了深度学习在分割这类物体时的强大能力，同时其泛化效果也远超过传统图像处理算法，展现了数据驱动的深度学习所特有的“暴力美学”。 试用 Cellpose的源代码见这里。 同时开发者还搭建了网站来方便用户试用Cellpose： Cellpose快速体验网站：用户可以直接上传自己的图像来直接调用Cellpose，第一时间获得Cellpose的处理效果。 如果用户觉得好，那么可以接着往下深度体验或钻研Cellpose了。 安装 Cellpose的安装有多种方式： Google Colab在线运行 开

概览 上一篇介绍了如何安装和使用Cellpose，相当于将Cellpose当做一个开箱即用的软件。实际上Cellpose还是一个开源的代码库，开发者可以深入研究它的算法，并进行调用、修改和完善等。 本文尝试对Cellpose的运行机理做一个研究，包括它的标注数据的格式、神经网络的架构、神经网络的输入和输出等。 标注数据格式 假设有这么一张要分割的图像，大小为10像素乘以10像素（选择这么小的像素矩阵以方便打印和查看数值），背底为黑色，图像中间有一个白色圆盘，即： 它的像素矩阵为： 1 2 3 4 5 6 7 8 9 10 11 array([[ 0., 0., 0., 0

简介 本文是对ZetCode上wxPython的摘抄学习，原系列文章见这里。 wxPython是一个开发桌面端图形界面的跨平台函数库，开发语言为Python，它是基于C++的函数库wxWidgets的封装。 wxpython有大量组件，它们可以从逻辑上（注意是逻辑上）这样划分： （1）基础组件 这些组件为其所派生的子组件提供基础功能，通常不直接使用。 （2）顶层组件 这些组件相互独立存在。 （3）容器 这些组件包含其他组件。 （4）动态组件 这些组件可以被用户所交互编辑。 （5）静态组件 这些组件用来展示信息，无法被用户所交互编辑。 （6）其他组件 这些组件包括状态栏、工具栏、菜

原文在这里，中间增加了一些额外的内容辅助理解。 角点检测(Corner Detection)也称为特征点检测，是图像处理和计算机视觉中用来获取图像局部特征点的一类方法，广泛应用于运动检测、图像匹配、视频跟踪、三维建模以及目标识别等领域中。 局部特征 不同于HOG、LBP、Haar等基于区域(Region)的图像局部特征，Harris是基于角点的特征描述子，属于feature detector，主要用于图像特征点的匹配(match)，在SIFT算法中就有用到此类角点特征；而HOG、LBP、Haar等则是通过提取图像的局部纹理特征(feature extraction)，用于目标的检测和识别等

%%%%%%%% 2021.2.14更新：增加了ICanvas绘制ROI的原理介绍。 %%%%%%%% 前面有两篇文章介绍了ImagePy/sciwx的Mark模式和几何矢量，这两个的结合就是图像处理中经典的ROI(Region Of Interest)操作，即选定一个范围（矩形、圆形、自由区域），然后对该区域进行进一步的操作。 这个过程说起来非常简单，但实际实现起来却是非常不容易，因为这里面涉及到了图像这一位图格式和几何这一矢量格式的统一。 这一篇文章就着重剖析一下ImagePy/sciwx是怎样实现的。 本文选定的入手案例是“绘制矩形ROI，然后裁剪”。 矩形ROI 首先看矩形ROI

ImagePy经过一次大的重构后，软件架构有了很大改变，将前端UI和后端数据结构进行了解耦： * sciapp是一套数据接口，包含图像Image、网格Mesh、表格Table、几何矢量Shape等基础数据结构； * sciwx是符合sciapp接口标准的可视化组件库； * ImagePy是后端基于sciapp、前端基于sciwx的一个插件集，包含了大量常用的图像处理算法等。 因此可以很容易地基于分离后的sciapp和sciwx构建自定义的独立图像处理软件。 Sciapp版Hello World 1 2 3 4 5 6 7 8 9 10 11 12 13 import wx fr