信号反褶积算法的张量流实现
flowdec的Python项目详细描述
[！[构建状态]（https://travis-ci.org/hammerlab/flowdec.svg？branch=master）]（https://travis ci.org/hammerlab/flowdec）
目前，只有[理查森-露西反褶积]（https://en.wikipedia.org/wiki/richardson%e2%80%93lucy_deconvolution）已经实现，但其他的可能会在将来实现。
BR/> *突出**BR/> BR/>＊＊支持Windows、MAC和Linux **，因为TySoFoad可以在这些平台上运行，Flowdec也可以。使用Python和Java的FuffDEC图对Java、GO、C++和Python **进行了测试，但从理论上讲，它们也可以被任何[TunSorFaseAPI客户端库]使用（http://www. tTorsFor.org/APIIODCOS/）。使用[Fast Gibson Lanni近似模型]（http://www.ee.cuhk.edu.hk/~jzli/microscpsf/）在反褶积过程中动态生成的文件（也可以创建Born&；Wolf内核是一个退化的案例。
-**GPU加速**-执行[TensorFlow Graphs on GPU]（https://w w w.tensorflow.org/programmers_guide/using_GPU）很简单，如果满足所有TensorFlow要求（即安装CUDA工具包，NVIDIA），默认情况下会执行w/flowdec驱动程序等）。
-**性能**-还有其他开源和商用反褶积库运行*部分*GPU加速，这通常意味着只有FFT和IFFT操作在GPU上运行，而所有其他操作在CPU上运行。例如，在一个大约10000x1000x11的3D卷上，具有相同尺寸的PSF，这意味着执行时间看起来像：
-仅限CPU的解决方案：**10分钟**
-其他具有FFT/IFFT GPU加速的解决方案：**~40秒**
-具有完整GPU加速的FlowDec/TensorFlow:**1第二个**
-**信号尺寸**-FlowDec可以支持1、2或3维图像/信号。
-**多GPU使用**-这有待测试，但是理论上这是可能的，因为TF可以做到这一点（并且这个[多GPU实例]（Java/Fuffe/Src/Ma/Java/OrgReal/HaveLab/Fuffe/Exp/MulgPUpase.java）是一个开始）。使用更快的fft实现所需的裁剪——在flowdec中，可以手动指定使用图像沿每个轴的反射的图像填充，或者让它自动取整并填充到最接近的2次方（这将使使用更快的cooley tukey算法而不是由tf使用的nvidia cufft提供的bluestein算法）。
-**可视化迭代**-迭代反褶积算法的另一个困难是确定何时应该停止。和理查森·露西在一起，这通常是基于对不同迭代次数的结果的可视化而主观地完成的，flowdec至少有助于实现这一点，它让``observer``函数给出，这些函数将反褶积过程的中间结果写入图像序列或堆栈人工检查。未来的工作可能包括使用[tensorboard]来代替它（https://www.tensorflow.org/programmers_guide/summaries_and_tensorboard），但目前，很难获得在tf"while"循环中工作的图像摘要。一些熟悉编程的人使用，但一些未来的工作可能包括imagej插件（如果有兴趣的话）。对于那些想要更具互动性的人，[imagej ops]（https://github.com/imagej/imagej-ops）可能是您的最佳选择，它目前支持flowdec和richardson-lucy反褶积中使用的相同psf生成模型。目前它还没有包括完整的gpu加速，但这可能是[imagej ops实验]（https://github.com/imagej/ops实验）的一部分。请参阅[Github问题]（https://github.com/hadim/deconvolutionlab2/issues/1）了解更多详细信息。
-**没有盲目的反褶积**-目前，在这个领域中没有尝试过任何东西，但由于最近对这个问题的研究都集中在深入学习的解决方案上，TensorFlow有望在未来成为一个良好的平台。
inline
将numpy导入为np
将matplotlib.pyplot导入为plt
从skipage导入exposure
从scipy导入ndimage，信号
从FlowDec导入数据作为FD PCT数据
从FlowDec导入还原作为FD PCT数据
256）
使用我们的假psf
data=signal.fftconvolve（actual，kernel，mode='same'）
data.shape=（50，256，256）
运行反褶积过程，注意反褶积初始化最好与执行分开，因为"initialize"操作对应于创建张量流图，这是一个
相对昂贵的操作，不应在多个执行过程中重复
algo=fd廑restoration.richardsonlucydecondalver（data.ndim.initialize（）
res=algo.run（fd廑data.acquisition（data=data，kernel=kernel），niter=30.data
fig，axs=plt.subblots（1，3）
axs=axs.ravel（）
fig.set廑size廑in（18，12）
中心=元组（[切片（无），切片（10，-10），切片（10，-10）]）
标题=["原始图像"，"模糊图像"，"重建图像"]
对于枚举中的i，d（[实际，数据，分辨率]）：
img=曝光。调整γ（d[中心]）.max（轴=0），γ=.2）
axs[i].imshow（img，cmap="光谱u r"）
axs[i]。设置γ标题（标题[i]）
axs[i].axis（'off'）
````
！[神经元示例]（docs/images/neuron.png"neuron results"）
作为一个更现实的用例，这里有一个示例展示了点扩散函数配置如何在无头反褶积中使用：
*请参见完整的反褶积脚本[此处]（python/flowdec/cmd/deconvolution.py）*
`` bash
包含PSF参数（有关详细信息，请参阅flowdec.psf模块）
echo{"na"：0.75，"wavelength"：0.425，"size_z"：32，"size_x"：64，"size_y"：64}>；/tmp/psf.json
您可以运行"deconvolution"命令。
python examples/scripts/deconvolution.py\
--data path=flowdec/datasets/bars-25pct/data.tif\
--psf config path=/tmp/psf.json\
--output path=/tmp/result.tif\
--n-iter=25--log level=debug
>；debug:加载了形状为32、64、64的数据，加载了形状为32、64、64的psf
>；信息：开始数据文件"flowdec/datasets/bars-25pct/data.tif"的反褶积"信息：反褶积完成（在7.427秒内）
>；信息：结果保存到"/tm"p/result.tif"
```
elegans]（python/examples/notebooks/celegans%20-%20multiple%20channel%20example.ipynb）-3个独立通道712x672x104采集的反褶积
-[宇航员]（python/examples/notebooks/宇航员%20-%20ringing%20artifacts.ipynb）-处理反褶积图像中的伪影
-[监视迭代]（python/examples/notebooks/monitoring%20iterations.ipynb）-通过可视化每次迭代的结果来跟踪反褶积过程
-[空心条]（python/examples/notebooks/hollow%20bar%20-%20synthetic%20deconvolution.ipynb）-下采样64x64x32的反褶积合成卷（作为一个CPU友好的示例）
-[空心条GPU基准]（python/examples/notebooks/hollo%20bar%20-%20benchmarking.ipynb）-在启用GPU系统的完整256x256x128卷上测试运行时间
-[反卷积lab2比较]（python/examples/notebooks/deconvolutionlab2%20-%20benchmarking.ipynb）-比较[deconvolutionlab2]（http://bigwww.epfl.ch/deconvolution/deconvolutionlab2/）和flowdec
-[图形导出]（python/examples/notebooks/algorithm%20graph%20export.ipynb）之间的执行时间-定义并导出张量流图
- [命令行接口]（Python／FuffDC/CMD/反褶积，Py）-CLI，用于执行预先定义的或动态生成的点扩展函数
BR/＞Java
BR/> -[多GPU ]示例：（如何在多个GPU上并行执行反褶积（未经测试-等待用例出现，虽然很可能做到））安装
该项目可以安装，最好是在python 3.6环境中（尽管它也应该在3.5环境中工作），方法是运行：
``bash
pip install flowdec[tf-gpu]
````
但也要确保'tensorflow'
安装时支持gpu。出于测试目的，您可以通过运行以下命令安装未启用gpu的"tensorflow"版本：
``bash
`pip install flowdec[tf]
````
，如果未指定`[tf]`或`[tf-gpu]`，TensorFlow安装保留为外部管理的先决条件。
该项目可以通过以下操作从源代码安装：
``bash
git clone https://github.com/hammerlab/flowdec.git
cd flowdec/python
pip install-e.
````
docker指令
运行：
`` bash
cd flowdec注意：不是flowdec/docker，只是cd flowdec
docker build--没有cache-t flowdec-f docker/dockerfile。
启用GPU的版本可以通过以下方式生成：
nvidia docker build--no cache-t flowdec-f docker/dockerfile.gpu。
````
然后可以使用：
``bash
在前台运行映像（端口映射为主机：如果已使用8888，则为容器）
docker run-ti-p8888:8888 flowdec
类似地，在前台运行它会自动启动jupyter笔记本，并打印一个链接，通过主机系统上的浏览器连接到它。
上一个图像是从github.com/hammerlab/flowdec.git的当前主分支构建的。要使用源代码的本地副本构建映像，可以使用以下命令：
``bash
docker build——没有cache-t flowdec-f docker/dockerfile.devel.
````
您可能希望将其与本地源树的绑定装载合并到正在运行的容器中。此安装程序允许您对源进行编辑，并使其立即在运行容器中生效。
``bash
local_src=$（pwd）
dest_src=/repos/flowdec
docker run-ti-p 88888:88888-v${local{dest{dest{dest{dest{dest{dest{dest{dest{dest}flowdec
`` ```
` ` ` ` ` ` ` ` ` `>通过在很大程度上，本项目的目的是通过更快的实现，实现与[反褶积lab2]（http://bigwww.epfl.ch/deconvolution/deconvolutionlab2/）和[psfgenerator]（http://bigwww.epfl.ch/algorithms/psfgenerator/）提供的功能子集几乎相等。验证这一点已经完成，[python/validation]（python/validation）文件夹中有两个笔记本，演示了以下内容：
-[deconvolution validation]（python/validation/deconvolution/validation.ipynb）-此笔记本汇总了应用于多个参考的flowdec和deconvolutionlab2的结果数据集并验证解除卷合并后的卷几乎完全相同
-[psf生成验证]（python/validation/psf generation/validation.ipynb）-此笔记本聚合了flowdec和psfgenerator的结果，这些结果用于从各种不同的配置生成psf，以及评估它们的相似性（这也是非常高的）
李济州帮助更好地理解衍射模型，玛丽为开放源代码反褶积库的状态提供了良好的背景，诺桑为图书馆的性能提供了良好的建议/背景，盲反褶积和点扩散函数的一般工作原理。
方法-生物学家图像处理，115，2017。<；br>；
-[2]J.Li，F.Xue和T.Blu<；br>；
荧光显微镜快速准确的三维点扩散函数计算<；br>；
J.opt。SOC。是。A，第34卷，第6期，第1029-10342017页。<；br>；
-[3]Brandner，D.和Withers，G.<；br>；
细胞图像库，CIL:10106、10107和10108。<；br>；
可从http://www.cell image library.org获得。2010年12月8日访问。<；br>；
目前，只有[理查森-露西反褶积]（https://en.wikipedia.org/wiki/richardson%e2%80%93lucy_deconvolution）已经实现，但其他的可能会在将来实现。
BR/> *突出**BR/> BR/>＊＊支持Windows、MAC和Linux **，因为TySoFoad可以在这些平台上运行，Flowdec也可以。使用Python和Java的FuffDEC图对Java、GO、C++和Python **进行了测试，但从理论上讲，它们也可以被任何[TunSorFaseAPI客户端库]使用（http://www. tTorsFor.org/APIIODCOS/）。使用[Fast Gibson Lanni近似模型]（http://www.ee.cuhk.edu.hk/~jzli/microscpsf/）在反褶积过程中动态生成的文件（也可以创建Born&；Wolf内核是一个退化的案例。
-**GPU加速**-执行[TensorFlow Graphs on GPU]（https://w w w.tensorflow.org/programmers_guide/using_GPU）很简单，如果满足所有TensorFlow要求（即安装CUDA工具包，NVIDIA），默认情况下会执行w/flowdec驱动程序等）。
-**性能**-还有其他开源和商用反褶积库运行*部分*GPU加速，这通常意味着只有FFT和IFFT操作在GPU上运行，而所有其他操作在CPU上运行。例如，在一个大约10000x1000x11的3D卷上，具有相同尺寸的PSF，这意味着执行时间看起来像：
-仅限CPU的解决方案：**10分钟**
-其他具有FFT/IFFT GPU加速的解决方案：**~40秒**
-具有完整GPU加速的FlowDec/TensorFlow:**1第二个**
-**信号尺寸**-FlowDec可以支持1、2或3维图像/信号。
-**多GPU使用**-这有待测试，但是理论上这是可能的，因为TF可以做到这一点（并且这个[多GPU实例]（Java/Fuffe/Src/Ma/Java/OrgReal/HaveLab/Fuffe/Exp/MulgPUpase.java）是一个开始）。使用更快的fft实现所需的裁剪——在flowdec中，可以手动指定使用图像沿每个轴的反射的图像填充，或者让它自动取整并填充到最接近的2次方（这将使使用更快的cooley tukey算法而不是由tf使用的nvidia cufft提供的bluestein算法）。
-**可视化迭代**-迭代反褶积算法的另一个困难是确定何时应该停止。和理查森·露西在一起，这通常是基于对不同迭代次数的结果的可视化而主观地完成的，flowdec至少有助于实现这一点，它让``observer``函数给出，这些函数将反褶积过程的中间结果写入图像序列或堆栈人工检查。未来的工作可能包括使用[tensorboard]来代替它（https://www.tensorflow.org/programmers_guide/summaries_and_tensorboard），但目前，很难获得在tf"while"循环中工作的图像摘要。一些熟悉编程的人使用，但一些未来的工作可能包括imagej插件（如果有兴趣的话）。对于那些想要更具互动性的人，[imagej ops]（https://github.com/imagej/imagej-ops）可能是您的最佳选择，它目前支持flowdec和richardson-lucy反褶积中使用的相同psf生成模型。目前它还没有包括完整的gpu加速，但这可能是[imagej ops实验]（https://github.com/imagej/ops实验）的一部分。请参阅[Github问题]（https://github.com/hadim/deconvolutionlab2/issues/1）了解更多详细信息。
-**没有盲目的反褶积**-目前，在这个领域中没有尝试过任何东西，但由于最近对这个问题的研究都集中在深入学习的解决方案上，TensorFlow有望在未来成为一个良好的平台。
inline
将numpy导入为np
将matplotlib.pyplot导入为plt
从skipage导入exposure
从scipy导入ndimage，信号
从FlowDec导入数据作为FD PCT数据
从FlowDec导入还原作为FD PCT数据
256）
使用我们的假psf
data=signal.fftconvolve（actual，kernel，mode='same'）
data.shape=（50，256，256）
运行反褶积过程，注意反褶积初始化最好与执行分开，因为"initialize"操作对应于创建张量流图，这是一个
相对昂贵的操作，不应在多个执行过程中重复
algo=fd廑restoration.richardsonlucydecondalver（data.ndim.initialize（）
res=algo.run（fd廑data.acquisition（data=data，kernel=kernel），niter=30.data
fig，axs=plt.subblots（1，3）
axs=axs.ravel（）
fig.set廑size廑in（18，12）
中心=元组（[切片（无），切片（10，-10），切片（10，-10）]）
标题=["原始图像"，"模糊图像"，"重建图像"]
对于枚举中的i，d（[实际，数据，分辨率]）：
img=曝光。调整γ（d[中心]）.max（轴=0），γ=.2）
axs[i].imshow（img，cmap="光谱u r"）
axs[i]。设置γ标题（标题[i]）
axs[i].axis（'off'）
````
！[神经元示例]（docs/images/neuron.png"neuron results"）
作为一个更现实的用例，这里有一个示例展示了点扩散函数配置如何在无头反褶积中使用：
*请参见完整的反褶积脚本[此处]（python/flowdec/cmd/deconvolution.py）*
`` bash
包含PSF参数（有关详细信息，请参阅flowdec.psf模块）
echo{"na"：0.75，"wavelength"：0.425，"size_z"：32，"size_x"：64，"size_y"：64}>；/tmp/psf.json
您可以运行"deconvolution"命令。
python examples/scripts/deconvolution.py\
--data path=flowdec/datasets/bars-25pct/data.tif\
--psf config path=/tmp/psf.json\
--output path=/tmp/result.tif\
--n-iter=25--log level=debug
>；debug:加载了形状为32、64、64的数据，加载了形状为32、64、64的psf
>；信息：开始数据文件"flowdec/datasets/bars-25pct/data.tif"的反褶积"信息：反褶积完成（在7.427秒内）
>；信息：结果保存到"/tm"p/result.tif"
```
elegans]（python/examples/notebooks/celegans%20-%20multiple%20channel%20example.ipynb）-3个独立通道712x672x104采集的反褶积
-[宇航员]（python/examples/notebooks/宇航员%20-%20ringing%20artifacts.ipynb）-处理反褶积图像中的伪影
-[监视迭代]（python/examples/notebooks/monitoring%20iterations.ipynb）-通过可视化每次迭代的结果来跟踪反褶积过程
-[空心条]（python/examples/notebooks/hollow%20bar%20-%20synthetic%20deconvolution.ipynb）-下采样64x64x32的反褶积合成卷（作为一个CPU友好的示例）
-[空心条GPU基准]（python/examples/notebooks/hollo%20bar%20-%20benchmarking.ipynb）-在启用GPU系统的完整256x256x128卷上测试运行时间
-[反卷积lab2比较]（python/examples/notebooks/deconvolutionlab2%20-%20benchmarking.ipynb）-比较[deconvolutionlab2]（http://bigwww.epfl.ch/deconvolution/deconvolutionlab2/）和flowdec
-[图形导出]（python/examples/notebooks/algorithm%20graph%20export.ipynb）之间的执行时间-定义并导出张量流图
- [命令行接口]（Python／FuffDC/CMD/反褶积，Py）-CLI，用于执行预先定义的或动态生成的点扩展函数
BR/＞Java
BR/> -[多GPU ]示例：（如何在多个GPU上并行执行反褶积（未经测试-等待用例出现，虽然很可能做到））安装
该项目可以安装，最好是在python 3.6环境中（尽管它也应该在3.5环境中工作），方法是运行：
``bash
pip install flowdec[tf-gpu]
````
但也要确保'tensorflow'
安装时支持gpu。出于测试目的，您可以通过运行以下命令安装未启用gpu的"tensorflow"版本：
``bash
`pip install flowdec[tf]
````
，如果未指定`[tf]`或`[tf-gpu]`，TensorFlow安装保留为外部管理的先决条件。
该项目可以通过以下操作从源代码安装：
``bash
git clone https://github.com/hammerlab/flowdec.git
cd flowdec/python
pip install-e.
````
docker指令
运行：
`` bash
cd flowdec注意：不是flowdec/docker，只是cd flowdec
docker build--没有cache-t flowdec-f docker/dockerfile。
启用GPU的版本可以通过以下方式生成：
nvidia docker build--no cache-t flowdec-f docker/dockerfile.gpu。
````
然后可以使用：
``bash
在前台运行映像（端口映射为主机：如果已使用8888，则为容器）
docker run-ti-p8888:8888 flowdec
类似地，在前台运行它会自动启动jupyter笔记本，并打印一个链接，通过主机系统上的浏览器连接到它。
上一个图像是从github.com/hammerlab/flowdec.git的当前主分支构建的。要使用源代码的本地副本构建映像，可以使用以下命令：
``bash
docker build——没有cache-t flowdec-f docker/dockerfile.devel.
````
您可能希望将其与本地源树的绑定装载合并到正在运行的容器中。此安装程序允许您对源进行编辑，并使其立即在运行容器中生效。
``bash
local_src=$（pwd）
dest_src=/repos/flowdec
docker run-ti-p 88888:88888-v${local{dest{dest{dest{dest{dest{dest{dest{dest{dest}flowdec
`` ```
` ` ` ` ` ` ` ` ` `>通过在很大程度上，本项目的目的是通过更快的实现，实现与[反褶积lab2]（http://bigwww.epfl.ch/deconvolution/deconvolutionlab2/）和[psfgenerator]（http://bigwww.epfl.ch/algorithms/psfgenerator/）提供的功能子集几乎相等。验证这一点已经完成，[python/validation]（python/validation）文件夹中有两个笔记本，演示了以下内容：
-[deconvolution validation]（python/validation/deconvolution/validation.ipynb）-此笔记本汇总了应用于多个参考的flowdec和deconvolutionlab2的结果数据集并验证解除卷合并后的卷几乎完全相同
-[psf生成验证]（python/validation/psf generation/validation.ipynb）-此笔记本聚合了flowdec和psfgenerator的结果，这些结果用于从各种不同的配置生成psf，以及评估它们的相似性（这也是非常高的）
李济州帮助更好地理解衍射模型，玛丽为开放源代码反褶积库的状态提供了良好的背景，诺桑为图书馆的性能提供了良好的建议/背景，盲反褶积和点扩散函数的一般工作原理。
方法-生物学家图像处理，115，2017。<；br>；
-[2]J.Li，F.Xue和T.Blu<；br>；
荧光显微镜快速准确的三维点扩散函数计算<；br>；
J.opt。SOC。是。A，第34卷，第6期，第1029-10342017页。<；br>；
-[3]Brandner，D.和Withers，G.<；br>；
细胞图像库，CIL:10106、10107和10108。<；br>；
可从http://www.cell image library.org获得。2010年12月8日访问。<；br>；
欢迎加入QQ群-->： 979659372
