三維電子顯微鏡/二維粒子對齊

什麼是對齊？

這顯示了對齊前後沒有分類的結果。

對齊 是將粒子旋轉和移動以將其放置在相似方向的過程。為了獲得粒子適當的平均二維影像，使用對齊過程 。大多數對齊方法要求粒子居中。在二維粒子對齊方面有多種方法。主要型別的分類涉及對參考影像的可訪問性，將方法分為基於參考的對齊和無參考對齊。

基於參考的對齊

基於參考的對齊涉及將每個粒子與其位置和方向與參考影像對齊的過程。在這種方法中，粒子可能會翻轉，需要應用映象方向。接下來，評估互相關係數，以確定粒子與參考影像之間的相似度。基於參考的對齊有許多優點。例如，該技術速度快，易於執行，並且由於參考是已知的，因此它允許對感興趣粒子的準確方向進行視覺化驗證。另一方面，基於參考的對齊也有一些缺點。粒子對齊可能會出現偏差。這是因為假設粒子需要看起來像可用的參考影像。將粒子與有缺陷的參考影像對齊會導致噪聲資料，這將看起來像參考影像。這使得在評估相似度時變得困難。需要區分相似度是真實存在還是噪聲造成的。

無參考對齊

當資料集中沒有明顯的組裝並且參考影像不可用時，通常使用無參考對齊。這種特定技術會查詢整個資料集中所有具有最佳比較方向的可能對。透過應用互相關函式來計算它。該方法利用了全域性平均值的隨機近似演算法，並迭代直到達到收斂。無參考對齊有一些優點。該方法中使用的演算法允許對一系列影像進行位移和旋轉對齊。它也很快，只需要粒子的半徑。這種方法的主要缺點之一是難以對具有多種形狀、低信噪比或非常小的資料集的粒子進行對齊。從技術上講，所有無參考方法都建立了一個參考來處理資料集。

對齊方法

經典二維對齊方法

經典二維對齊方法是一種基於參考的技術。它涉及在 x 和 y 座標上的位移，然後是在平面上的影像旋轉，同時與參考影像進行比較。每個旋轉都伴隨著影像與參考影像之間的互相關計算。最高的互相關值對應於最佳對齊。

蜘蛛方法

蜘蛛方法，也稱為基於環的相關，利用環。它獲取畫素的不同環，將其切成小圓圈，將其平鋪，並堆疊這些環以進行互相關。它不進行 x, y 位移，而是透過角度來表示最佳相關值。這種方法的特點是存在大量噪聲，從而導致假陽性。

拉東變換

正弦圖結果 - 兩個正方形幻影

拉東變換 在模式識別和影像處理等技術中非常有用。它涉及影像的橫截面掃描。它在圍繞其中心旋轉後，對每個旋轉後的影像進行平均以生成一個切片。切片堆疊是影像的最終拉東變換。該過程的下一步涉及角度近似，該角度可以透過拉東變換的 y 位移來計算，這對應於參考影像的角度。這也可以透過使用互相關來實現，其中最高峰將給出最佳角度。最後一步是將影像旋轉到其參考影像。除了平均過程之外，這種方法還計算二維對齊技術中使用的誤差度量和解析度。拉東變換遵循三維重建過程，其中二維和三維的平移和旋轉對齊可以完成 。

最大似然（ML）

最大似然 或 ML 是一種無參考方法，它涉及找到最有可能的模型來擬合獲得的資料。在這種方法中，測量觀察值的機率。這些是基於原始模型，並且它是互相關技術的替代方法，該技術基於整個資料集的差異做出選擇。ML 方法評估粒子的相對方向，這些方向被處理為隱變數，這些變數被納入似然計算。這種 ML 細化方法還考慮了誤差模型，這反過來又減少了大型資料集中的偏差 。它是最慢的方法之一，因為它涉及大型資料集。

分類

分類步驟中使用的網路地圖背後的思考樣本檢視？

彩色神經網路

分類是三維重建步驟之前的關鍵步驟。重建所使用的單個影像需要滿足嚴格的要求。這些是研究中同一個生物樣本的不同檢視。它允許從同質種群中分離出粒子的不同檢視。就像 Gro-El 分子一樣，分類應用於分離頂部檢視和側面檢視 (Pascual-Montano 233-245)。

主成分分析

主成分分析 用於影像識別和壓縮技術。它被稱為一種數學方法，用於將事物分組在一起，然後降低其維度，同時保留最接近原始資料集的資料。當記錄的變數之間存在強相關性時，此屬性效果很好，因為它沿特徵向量投影資料。首先，它將影像轉換為大型矩陣資料。接下來，它分析不同檢視的關鍵特徵，並建立分配了特徵值的特徵影像。該方法的主要功能是減少冗餘、提取一般特徵以及對影像和資料壓縮進行預測。這種方法通常用於人臉識別過程中，它可以找到將影像類別區分開來的關鍵特徵。

自組織對映

自組織對映 是一種出色的資料對映和分類方法，當資料集和類別數量很大時，它非常有用。如果類別之間的邊界不清晰，這將特別有用。SOM 也被稱為 Kohonen 自組織對映，因為這些是在 1997 年由 Kohenen 首次發現的。SOM 是將高維資料非線性投影到低維空間。神經網路的結構由 3 層組成。分別是輸入層、中間隱藏層和輸出層。SOM 模擬了人腦在輸入資料呈現給它時進行的自組織過程。