CN111832191B - 基于生长域的微管内增量式细胞质速度场评估方法 - Google Patents

基于生长域的微管内增量式细胞质速度场评估方法 Download PDF

Info

Publication number
CN111832191B
CN111832191B CN202010747432.4A CN202010747432A CN111832191B CN 111832191 B CN111832191 B CN 111832191B CN 202010747432 A CN202010747432 A CN 202010747432A CN 111832191 B CN111832191 B CN 111832191B
Authority
CN
China
Prior art keywords
cytoplasmic
domain
incremental
time
growth
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010747432.4A
Other languages
English (en)
Other versions
CN111832191A (zh
Inventor
赵新
刘曜玮
张天航
孙明竹
赵启立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nankai University
Original Assignee
Nankai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nankai University filed Critical Nankai University
Priority to CN202010747432.4A priority Critical patent/CN111832191B/zh
Publication of CN111832191A publication Critical patent/CN111832191A/zh
Application granted granted Critical
Publication of CN111832191B publication Critical patent/CN111832191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Processing (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明涉及一种基于生长域的微管内增量式细胞质速度场检测结果是否准确，真实有效的评估方法，所述评估方法基于以下步骤实现：S1，定义微管内增量式细胞质的生长域；S2，基于生长域建立微管内增量式细胞质的位移关系模型；S3，基于步骤S2所建立的位移关系模型，检测微管内增量式细胞质的速度场；S4，通过图像灰度误差对步骤S3计算得到的速度场的真实性进行评估。其中，所述的评估方法通过定义微管内增量式细胞质的生长域，并基于该生长域进行胞质定义域内质点的位移关系建模，然后通过该位移关系模型，计算微管内细胞质的速度场、灰度值以及灰度值误差，该灰度值误差可以对微管内增量式细胞质速度场的准确性、有效性进行评估。

Description

基于生长域的微管内增量式细胞质速度场评估方法
技术领域
本发明涉及显微操作领域，具体涉及一种基于生长域的微管内增量式细胞质速度场检测结果是否准确，真实有效的评估方法。
背景技术
对于简单的运动，可以直接通过理论模型来进行表达，但是对于微管内增量式不规则物质的运动，由于其具有脉动性、多尺度变化、无规律等特性的运动行为，对这类运动的描述目前仍缺乏成熟的理论支撑。因此，相关研究人员通常通过实验观察和测量来直观的分析复杂运动的规律，从而为其运动模型提供验证依据。对于上述这样微管内增量式不规则物质的运动的估计方法，对于检测结果的真实性评价要求更高。
对于一些简单的物体运动，其运动存在理论计算模型，可以将其理论模型作为真实值计算方法，从而进行检测结果的评估。但是，对于微管内增量式不规则物质的运动，没有普适的理论模型作为其速度真值的参照。对于真实速度场(真值，ground-truth)可以获得的场景，其评价主要有平均角度误差(Average Angular Error，AAE)和均方根误差(RootMean Square Error，RMSE)。平均角度误差和均方根误差虽然都能够有效的评估检测方法的检测结果，但是都要求检测对象的真实速度场已知，因此常用于仿真等人工生成的数据。针对实际实验数据，检测对象的速度场真实值的获取是有很高成本的，甚至无法获得。因此，对于微管内增量式不规则物质的运动，其速度场检测方法的研究，以及检测结果的评价均具有重要的意义。
在细胞去核过程中，微管内不规则物质为细胞质。由于细胞去核是一个动态过程，微管内细胞质存在一个从无到有、从少到多的过程。通过对微管内细胞质的动态过程进行研究，对显微操作细胞去核方法的好坏，实验参数的选择具有重要的指导意义。但是，目前在显微操作领域内，针对这种在速度场真实值无法直接获得环境中，缺乏一种对微管内增量式细胞质进行速度场检测的方法或理论模型，更没有一种可以实现对微管内增量式细胞质速度场检测结果真实性、准确性进行有效评价的方法。
发明内容
为了实现对微管内增量式细胞质速度场检测结果的有效性、真实性进行验证、评估，本发明提供了一种基于生长域的微管内增量式细胞质速度场评估方法。
本发明解决上述技术问题所采用的技术方案是：一种基于生长域的微管内增量式细胞质速度场评估方法，所述速度场评估方法，包括以下步骤：
S1，定义微管内增量式细胞质的生长域；
S2，基于生长域建立微管内增量式细胞质的位移关系模型；
S3，基于步骤S2所建立的位移关系模型，检测微管内增量式细胞质的速度场；
S4，通过图像灰度误差对步骤S3计算得到的速度场的真实性进行评估。
进一步地，在步骤S1中，所述生长域由微管内增量式细胞质的胞质定义域进行实时更新得到，所述胞质定义域定义为：
Ωt＝{(x，y)|0＜x＜L(t)，0＜y＜Y}
其中，Ωt表示t时刻微管内的胞质定义域；(x，y)表示胞质定义域中的质点p的坐标；L(t)表示胞质定义域Ωt在t时刻沿x轴方向上的长度，Y表示胞质定义域在y方向上的固定长度。
进一步地，在步骤S2中，基于步骤S1所得到的胞质生长域建立微管内增量式细胞质位移关系模型的具体方法为：在生长域中，假设在t0时刻胞质定义域
Figure BDA0002607453420000021
内一点p(t0)的坐标为(x(t0)，y(t0))，在t时刻该点p(t)在定义域Ωt内的坐标为(x(t)，y(t))，那么基于泰勒展开式，在p(t0)附附近的点p(t)的坐标可以表达为：
Figure BDA0002607453420000031
其中，Rn(t)为泰勒公式的余项；那么对于t时刻胞质定义域Ωt内的质点运动到t+1时刻胞质定义域Ωt+1的过程中，该质点在x方向的位移表示为dx(t)，在y方向的位移表示为dy(t)，考虑一阶变化率和二阶变化率，该质点在t时刻沿x和y方向的位移分别为：
Figure BDA0002607453420000032
那么，对于在t时刻定义域Ωt内坐标为(x，y)的点，其在t+1时刻的定义域Ωt+1内的坐标为(x+dx(t)，y+dy(t))。
进一步地，在步骤S3中，根据步骤S2所建立的胞质位移关系模型，确定胞质生长域内，质点在不同时刻的位置差，通过位移除以采样时间，继而得到胞质生长域内细胞质的速度场。
进一步地，在步骤S4中，图像灰度误差的具体算法为：对于时刻t胞质定义域Ωt内的一点p，其灰度值可表示为u(x，y，t)，将t时刻的胞质定义域Ωt内的质点的灰度值，与通过平移估计值
Figure BDA0002607453420000033
和/>
Figure BDA0002607453420000034
平移后得到的t+1时刻胞质定义域Ωt+1中新位置的灰度值之间的差异定义为灰度误差，如下式所示：
Figure BDA0002607453420000035
其中，N为定义域Ωt中检测目标点的总数目；u(x，y，t)表示t时刻的定义域Ωt中坐标为(x，y)点的灰度值，
Figure BDA0002607453420000036
表示该点经过平移估计值/>
Figure BDA0002607453420000037
和/>
Figure BDA0002607453420000038
进行平移后，在定义域Ωt+1中位置为/>
Figure BDA0002607453420000039
处的灰度值，mean_pixel为定义域Ωt内检测目标点的灰度平均值。
本发明同现有技术相比具有以下优点及效果：
1、本发明提出了一种基于生长域的微管内增量式细胞质速度场评估方法，该方法首先通过定义增量式细胞质的生长域；其次，基于该生长域建立相邻两个时刻的微管内细胞质质点的位移关系模型，获取不同时刻增量式细胞质内质点的位置关系；并通过该位移关系模型，计算微管内细胞质的速度场、灰度值以及灰度值误差，该灰度值误差可以对微管内增量式细胞质速度场的准确性、有效性进行评估。
2、本发明所述的评估方法可以对不易获取真实值的环境中的检测结果进行评估，可应用于多种场景下的速度场检测结果有效性验证。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述评估方法的流程图。
图2是去核过程中微管内胞质定义域Ωt生长过程示意图。
图3是胞质定义域Ωt及其内部质点示意图。
图4是生长域内质点的平移过程，其中(a)定义域Ωt内图像It的三维灰度分布图；(b)胞质质点平移估计值的分布图；(c)图像It经平移估计值平移后的三维灰度分布图；(d)胞质定义域Ωt+1内图像It+1的三维灰度分布图。
图5是速度场检测结果示意图。
图6是速度场检测结果的灰度误差示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1：如图1的流程框图所示，一种基于生长域的微管内增量式细胞质速度场评估方法，所述速度场评估方法，包括以下步骤：
S1，定义微管内增量式细胞质的生长域；
S2，基于生长域建立微管内增量式细胞质的位移关系模型；
S3，基于步骤S2所建立的位移关系模型，检测微管内增量式细胞质的速度场；
S4，通过图像灰度误差对步骤S3计算得到的速度场的真实性进行评估。
具体地，本发明所述的基于生长域的微管内增量式细胞质速度场评估方法适用于细胞去核过程中。本实施例1所使用的细胞是从当地屠宰场所取的家猪卵母细胞。卵母细胞的获取方法如下：
卵巢从屠宰场取出后，在两个小时之内用装有35°到37°的生理盐水的保温瓶运送到实验室。然后立刻用37°的含有100IU/L的盘尼西林和50mg/L的链霉素的无菌生理盐水清洗两次。卵母细胞从卵巢上的2到6毫米直径的小囊中抽取，将抽出的细胞用TL-Hepes-PVA冲洗三次后在39°、二氧化碳浓度5％的培养箱内体外成熟培养(IVM)42小时。经过IVM后，将细胞用0.1％的透明质酸酶进行脱卵。最后用M199将细胞清洗三次，得到的这些细胞为本例中所用卵母细胞。
本实施例1实验采用NK-MR601显微操作系统进行，该装置系统构架中包括将在显微视野范围内放置细胞群的移动载物台，包括两个三自由度的操作臂，包括用于固定卵母细胞的吸持微针，包括用于刺入细胞的刺入微针。其中，吸持微针的针口半径范围为50到80微米，刺入微针的针口半径范围为9到12微米，刺入微针的回程误差为1μm，移动范围为50mm×50mm×50mm。采用的镜头为Panasonic的W-V-460。
下面结合附图对本发明实施例1所述的评估方法做进一步说明，如图2所示，在步骤S1中，对微管内增量式细胞质的生长域进行定义时：使用一个二维的矩形来表示微管内的胞质定义域，由于微管是刚性体，约束了物质定义域的随机生长，所以假定胞质定义域在微管内的生长是单向的，即沿x轴方向上的单向生长，y轴上的宽度保持不变。因此，以一个二维单向生长的矩形来表示t时刻微管内的胞质定义域Ωt，以L(t)表示胞质定义域Ωt在t时刻沿x轴方向上的长度，由于微管是刚性的，胞质定义域在y方向上有固定的长度Y，所述胞质定义域Ωt表示如下：
Ωt＝{(x，y)|0＜x＜L(t)，0＜y＜Y}
在胞质定义域Ωt内的胞质图像I表示为It＝{p∶p∈Ωt}，其中胞质定义域中的质点p用(x，y)表示，因此有0≤x≤L(t)，0≤y≤Y，对于时刻t物质定义域Ωt内的一点p，其灰度值可表示为u(x，y，t)；其次，通过对胞质定义域Ωt进行实时更新得到微管内的胞质生长域。在图2中，吸持针固定细胞，去核微针刺入细胞抽取细胞质，细胞质在微管内进行单向生长运动，胞质内的质点位置随着时间变化不断改变，其在胞质定义域Ωt内部的位置示意图，如图3所示。
进一步地，如图4所示，在步骤S2中，基于步骤S1所得到的胞质生长域建立微管内增量式细胞质位移关系模型的具体方法为：
胞质的运动是通过去核过程中显微图像序列中不同图像灰度分布的不同体现的，因此对于细胞去核过程中胞质位移建模的本质就是对不同时刻的定义域Ωt内的胞质图像It的灰度值进行关联。
在生长域中，假设在t0时刻胞质定义域
Figure BDA0002607453420000063
内一点p(t0)的坐标为(x(t0)，y(t0))，在t时刻该点p(t)在定义域Ωt内的坐标为(x(t)，y(t))，那么基于泰勒展开式，在p(t0)附附近的点p(t)的坐标可以表达为：
Figure BDA0002607453420000061
其中，Rn(t)为泰勒公式的余项；那么对于t时刻胞质定义域Ωt内的质点运动到t+1时刻胞质定义域Ωt+1的过程中，该质点在x方向的位移表示为dx(t)，在y方向的位移表示为dy(t)，考虑一阶变化率和二阶变化率，该质点在t时刻沿x和y方向的位移分别为：
Figure BDA0002607453420000062
那么，对于在t时刻定义域Ωt内坐标为(x，y)的点，其在t+1时刻的定义域Ωt+1内的坐标为(x+dx(t)，y+dy(t))。
在胞质生长域内，假设生长域中的同一质点在临近帧的灰度值是保持不变的，因此胞质定义域Ωt内坐标为(x，y)的质点的灰度值u(x，y，t)理论上应与胞质定义域Ωt+1中坐标为(x+dx(t)，y+dy(t))相等。那么通过胞质的位移模型即可建立生长域内质点的关系。图4为生长域内质点的平移过程。
进一步地，如图5所示，在步骤S3中，根据步骤S2所建立的胞质位移关系模型，确定胞质生长域内，质点在不同时刻的位置差，通过位移除以采样时间，继而得到胞质生长域内细胞质的速度场。本实施例1对五组真实的去核实验数据进行计算检测，其中胞质运动的实验检测结果的两个典型状态如图5所示，其中图5(a)为速度分布比较均匀时的状态，图5(b)为速度分布差异比较大时的状态，在胞质运动的实验中，每个时刻的胞质速度分布是多种多样的。
进一步地，如图6所示，在步骤S4中，在检测过程中，可以获得胞质定义域Ωt到Ωt+1的过程中所检测质点(x，y)的沿x轴方向的位移估计值
Figure BDA0002607453420000071
和沿y轴方向的位移估计值/>
Figure BDA0002607453420000072
基于位移的估计值/>
Figure BDA0002607453420000073
知/>
Figure BDA0002607453420000074
对胞质定义域Ωt内的所检测质点进行平移，将质点平移后得到的灰度分布与胞质定义域Ωt内对应质点的灰度分布进行对比计算得到去核过程中当前时刻的灰度误差。
图像灰度误差的具体算法为：将t时刻的胞质定义域Ωt内的质点的灰度值，与通过平移估计值
Figure BDA0002607453420000075
和/>
Figure BDA0002607453420000076
平移后得到的t+1时刻胞质定义域Ωt+1中新位置的灰度值之间的差异定义为灰度误差，如下式所示：
Figure BDA0002607453420000077
其中，N为定义域Ωt中检测目标点的总数目；u(x，y，t)表示t时刻的定义域Ωt中坐标为(x，y)点的灰度值，
Figure BDA0002607453420000078
表示该点经过平移估计值/>
Figure BDA0002607453420000079
和/>
Figure BDA00026074534200000710
进行平移后，在定义域Ωt+1中位置为/>
Figure BDA00026074534200000711
处的灰度值，mean_pixel为定义域Ωt内检测目标点的灰度平均值。具体灰度值的计算过程，为现有技术，本发明不做赘述。
在图6中，本发明通过对质点的灰度误差进行比较来评价检测结果。根据理论上生长域内同一质点在不同时刻的灰度值是相等的，所以胞质定义域Ωt内的质点(x，y)通过检测得到的沿x轴和y轴方向平移后，新位置的灰度值与上一时刻在没有误差的情况下应该是相等的。因此，本发明通过用两个时刻不相等的灰度值误差来评估运动检测结果。实验结果表明不同组数的微管内胞质运动检测结果的灰度误差均在2％-4％之间，说明了检测结果的有效性。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (2)

1.基于生长域的微管内增量式细胞质速度场评估方法，其特征在于，所述速度场评估方法，包括以下步骤：
S1，定义微管内增量式细胞质的生长域；
在步骤S1中，所述生长域由微管内增量式细胞质的胞质定义域进行实时更新得到，所述胞质定义域定义为：
Ωt＝{(x，y)|0＜x＜L(t)，0＜y＜Y}
其中，Ωt表示t时刻微管内的胞质定义域；(x，y)表示胞质定义域中的质点p的坐标；L(t)表示胞质定义域Ωt在t时刻沿×轴方向上的长度，Y表示胞质定义域在y方向上的固定长度；假定胞质定义域在微管内的生长是单向的，即沿x轴方向上的单向生长，y轴上的宽度保持不变；
S2，基于生长域建立微管内增量式细胞质的位移关系模型；
在步骤S2中，基于步骤S1所得到的胞质生长域建立微管内增量式细胞质位移关系模型的具体方法为：在生长域中，假设在t0时刻胞质定义域
Figure FDA0004124128550000012
内一点p(t0)的坐标为(x(t0)，y(t0))，在t时刻该点p(t)在定义域Ωt内的坐标为(x(t)，y(t))，基于泰勒展开式，在p(t0)附近的点p(t)的坐标可以表达为：
Figure FDA0004124128550000011
其中，Rn(t)为泰勒公式的余项；对于t时刻胞质定义域Ωt内的质点运动到t+1时刻胞质定义域Ωt+1的过程中，该质点在x方向的位移表示为dx(t)，在y方向的位移表示为dy(t)，考虑一阶变化率和二阶变化率，该质点在t时刻沿x和y方向的位移分别为：
Figure FDA0004124128550000021
那么，对于在t时刻定义域Ωt内坐标为(x，y)的点，其在t+1时刻的定义域Ωt+1内的坐标为(x+dx(t)，y+dy(t))；
S3，基于步骤S2所建立的位移关系模型，检测微管内增量式细胞质的速度场；
S4，通过图像灰度误差对步骤S3计算得到的速度场的真实性进行评估；
在步骤S4中，图像灰度误差的具体算法为：对于时刻t胞质定义域Ωt内的一点p，其灰度值可表示为u(x，y，t)，将t时刻的胞质定义域Ωt内的质点的灰度值，与通过平移估计值
Figure FDA0004124128550000027
和/>
Figure FDA0004124128550000028
平移后得到的t+1时刻胞质定义域Ωt+1中新位置的灰度值之间的差异定义为灰度误差，如下式所示：
Figure FDA0004124128550000022
其中，N为定义域Ωt中检测目标点的总数目；u(x，y，t)表示t时刻的定义域Ωt中坐标为(x，y)点的灰度值，
Figure FDA0004124128550000023
表示该点经过平移估计值/>
Figure FDA0004124128550000024
和
Figure FDA0004124128550000025
进行平移后，在定义域Ωt+1中位置为/>
Figure FDA0004124128550000026
处的灰度值，mean_pixel为定义域Ωt内检测目标点的灰度平均值。
2.根据权利要求1所述的基于生长域的微管内增量式细胞质速度场评估方法，其特征在于，在步骤S3中，根据步骤S2所建立的胞质位移关系模型，确定胞质生长域内，质点在不同时刻的位置差，通过位移除以采样时间，得到胞质生长域内细胞质的速度场。
CN202010747432.4A 2020-07-29 2020-07-29 基于生长域的微管内增量式细胞质速度场评估方法 Active CN111832191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010747432.4A CN111832191B (zh) 2020-07-29 2020-07-29 基于生长域的微管内增量式细胞质速度场评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010747432.4A CN111832191B (zh) 2020-07-29 2020-07-29 基于生长域的微管内增量式细胞质速度场评估方法

Publications (2)

Publication Number Publication Date
CN111832191A CN111832191A (zh) 2020-10-27
CN111832191B true CN111832191B (zh) 2023-06-30

Family

ID=72920717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010747432.4A Active CN111832191B (zh) 2020-07-29 2020-07-29 基于生长域的微管内增量式细胞质速度场评估方法

Country Status (1)

Country Link
CN (1) CN111832191B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001011340A1 (en) * 1999-08-05 2001-02-15 Cellomics, Inc. Optical system analysis of cells
US6671624B1 (en) * 1997-02-27 2003-12-30 Cellomics, Inc. Machine readable storage media for detecting distribution of macromolecules between nucleus and cytoplasm in cells
US7117098B1 (en) * 1997-02-27 2006-10-03 Cellomics, Inc. Machine-readable storage medium for analyzing distribution of macromolecules between the cell membrane and the cell cytoplasm
CN103703368A (zh) * 2011-07-01 2014-04-02 剑桥企业有限公司 用于预测哺乳动物胚胎发育能力的方法
CN107909570A (zh) * 2017-11-10 2018-04-13 南开大学 一种测量细胞内应变的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6671624B1 (en) * 1997-02-27 2003-12-30 Cellomics, Inc. Machine readable storage media for detecting distribution of macromolecules between nucleus and cytoplasm in cells
US7117098B1 (en) * 1997-02-27 2006-10-03 Cellomics, Inc. Machine-readable storage medium for analyzing distribution of macromolecules between the cell membrane and the cell cytoplasm
WO2001011340A1 (en) * 1999-08-05 2001-02-15 Cellomics, Inc. Optical system analysis of cells
CN103703368A (zh) * 2011-07-01 2014-04-02 剑桥企业有限公司 用于预测哺乳动物胚胎发育能力的方法
CN107909570A (zh) * 2017-11-10 2018-04-13 南开大学 一种测量细胞内应变的方法

Also Published As

Publication number Publication date
CN111832191A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN107677997B (zh) 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法
Jurjo et al. Experimental methodology for the dynamic analysis of slender structures based on digital image processing techniques
CN111127613B (zh) 基于扫描电子显微镜的图像序列三维重构方法及系统
CN112818990A (zh) 目标检测框的生成方法、图像数据自动标注方法及系统
CN112785654A (zh) 轨道几何检测系统标定方法及装置
CN112562006A (zh) 一种基于强化学习的大视场摄像机标定方法
CN112633248A (zh) 深度学习全在焦显微图像获取方法
Shi et al. An adaptive grid search algorithm for fitting spherical target of terrestrial LiDAR
CN111832191B (zh) 基于生长域的微管内增量式细胞质速度场评估方法
JP2019101987A (ja) 点群レジストレーション装置、方法、及びプログラム
CN106097277B (zh) 一种基于视觉测量的绳索物质点跟踪方法
Cui et al. Three-dimensional visual tracking and pose estimation in scanning electron microscopes
CN116958439B (zh) 一种满水环境中基于多传感融合的管道三维重建方法
CN109579845A (zh) 一种基于电场探测阵列的船舶跟踪定位方法
CN106055774B (zh) 地面灌溉中地表水流运动的模拟方法
Sabato et al. Development of an IMU-radar sensor board for three-dimensional digital image correlation camera triangulation
Wang et al. Full Period Three-dimensional (3-D) Reconstruction Method for a Low Cost Singlelayer Lidar.
CN111830278B (zh) 基于生长域的微管内增量式细胞质的速度场检测方法
CN109934333A (zh) 基于全连接神经网络的目标定位方法
Bogatyrenko et al. Visual stabilization of beating heart motion by model-based transformation of image sequences
Baur et al. Shape tracking using Fourier-Chebyshev double series for 3D distance measurements
Chen et al. Kalman filter tracking algorithm simulation based on angle expansion
Shilin et al. Application of a Depth Camera for Constructing Complex Three-Dimensional Models in Multiple Scanning Complexes
CN117553778B (zh) 一种编码成像星敏感器、动态测量精度提升方法和系统
Delgado et al. Morphology clustering software for AFM images, based on particle isolation and artificial neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant