-
X-Y亚像素注册 ：在FFT域中使用改进的相位相关算法和亚像素平移。 如果GPU可用，则每1小时以30Hz和512x512分辨率录制20分钟即可完成。 -
SVD分解 ：这为细胞检测提供了输入并加速了算法。 -
细胞检测 ：在低维空间中使用聚类方法。 聚类算法为识别的每个ROI提供了一个正掩码，并允许掩码之间的重叠。 还可以选择执行自动红细胞检测。 -
信号提取 ：默认情况下，在计算每个ROI内的信号时，会丢弃所有重叠像素，以避免使用可能有偏差的“分层”方法。 神经膜信号也针对每个ROI独立计算，作为加权像素平均值，从每个ROI周围的大区域汇集，但不包括细胞检测期间分配给ROI的所有像素。 -
尖峰反褶积 ：进一步处理细胞和神经膜痕迹，以获得棘波时间和棘波“振幅”的估计值。 振幅与突发/箱中的峰值数量成正比。即使在低信噪比条件下，瞬变可能很难识别，反褶积仍有助于暂时缩小响应。 使用（过度）平滑跟踪的最小值对单元格跟踪进行基线化。 -
Neuropil减法 ：系数与尖峰反褶积一起迭代估计，以最小化尖峰反卷积的残差。 鼓励用户也尝试改变这个系数，以确保任何科学结果都不依赖于它。 -
自动和手动管理 ：可以使用包含的GUI可视化并进一步细化细胞检测算法的输出。 GUI旨在使单元格排序成为一种有趣而愉快的体验。 它还包括一个自动分类器，该分类器根据用户提供的手动标签逐步完善自身。 这使得自动分类器能够适应在不同条件下采集的不同类型的数据。 ( GUI自述文件 https://github.com/cortex-lab/Suite2P/blob/master/gui2P/README.md )
i=i+1； db（i）.mouse_name=“M150329_MP009”； db（i）.date='2015-04-27'； db（i）.expts=[56]；% 一起进行哪些实验 运行管道（db，ops）； addpath（genpath（“路径OASIS”）） 添加卷积（ops0，db）； ops0.deconvType=“L0”； iscell公司 ：基于解剖的自动标签 神经膜系数 ：神经膜信号的乘法系数 xpix、ypix ：属于此最大值的像素的x和y索引。这些索引进入图像的有效部分（由ops.yrange、ops.xrange定义）。 ipix公司 ：属于此掩码的像素的线性化索引（（ypix，xpix）-->ypix+（xpix-1）x Ly）。 等覆层 ：像素是否与其他遮罩重叠。 兰姆，兰姆达 ：对应像素的遮罩系数。 lambda与lam相同，但归一化为1。 医学 ：ROI中y和x像素的中位数（图像有效部分的索引，由ops.yrange和ops.xrange定义）。 阻止启动 ：每个块的累积帧数。 Clould对正确连接实验很有用（某些平面的帧/块更少）。 足迹，mrs，mrs0，cmpct，aspec_ratio，椭圆，mimgProj，斜交，标准，最大减中，top5pcMinusMed ：自动分类器使用这些标记将ROI标记为单元格或非单元格。 详见第九节。
最小分子量 ：在所有帧对齐的注册开始时计算的目标平均图像 mimg1型 ：从所有实验的所有帧计算的平均图像 DS公司 ：以XY计算的偏移
根存储 ---存储原始tiff文件的根位置。 注册文件根 ---本地磁盘上保存二进制格式注册电影的位置。 这将被多次加载，因此理想情况下应该是SSD驱动器。 （要查看已注册的电影，请使用主文件夹中的脚本“view_registeredbinaries.m”） 结果保存路径 ---保存最终结果的位置。 删除Bin ---删除为存储注册电影而创建的二进制文件 注册文件Tiff位置 ---保存注册tiff的位置（如果为空，则不保存） 如果要保存redtiff，请指定ops。 RegFileTiffLocation和设置操作。 红色二进制=1
showTargetRegistration（显示目标注册） ---是否在计算后立即显示目标帧的图像。 相位相关性 ---是否使用相位相关（默认为相位相关，如果为0，则使用互相关）。 子像素 ---亚像素配准的精度级别（默认为10=0.1像素精度） 克里金 ---使用宽度为1的高斯核的核回归计算偏移到1/SubPixel的网格上（默认为kriging=1） 最大移位 ---FOV中允许的最大移动量（默认为最大值的10%（y像素，x像素）） 遮罩坡度 ---应用于图像的锥形遮罩上的斜率（默认为2像素指数衰减） 尼姆首次注册 ---用于计算目标图像的随机采样图像数 NiterPrealign公司 ---目标计算的迭代次数（帧子集的迭代重新对齐） 平滑时间空间 ---用指定尺寸的高斯函数卷积原始电影； [t] ：与高斯卷积时间。 标准t，[ts]：在时间和空间上卷积， [t x y]：在时间上卷积，在空间上卷积为椭圆而不是圆 尼格伯恩 ---在实验开始和结束时平均的帧数（如果担心偏移）（默认为0帧）
非刚性的 ---将非刚性注册设置为1（或将numBlocks设置为>1） num块 ---1x2数组，表示用y和x划分图像的块数（默认值为[8 1]） 区块压裂 ---每个块要使用的图像百分比（默认值为1/（numBlocks-1）） 四边形块 ---通过拟合二次函数（默认值为1）将块移位插值为单线移位（6块->512行） 平滑块 ---如果quadBlocks=0，则smoothBlocks是高斯平滑核的标准偏差
多比迪 ---计算图像的双向相位偏移（默认值为1） 双二相 ---用于计算的双向相位偏移值（不会计算双向相位偏移）
对齐到红色通道 ---对红色通道（非功能通道）而不是绿色通道进行注册 （这假设db.expts中的所有录制都有一个红色通道） 红色平均值 ---从红色和绿色通道的实验中计算红色通道的平均图像 （您不需要为所有的db.expt都设置一个红色通道，只需要从db.expred进行计算——所以请确保它不是空的！！） 红色二进制 ---从db.expred计算红色通道的二进制文件（类似于绿色通道的二进制文件）
splitFOV---1x2数组，以y和x为单位指定块大小（默认值为[11]）
信号发生器 ---空间平滑常数：在空间上平滑SVD。 间接地迫使ROI更圆。 nSVD用于ROI ---要保留多少SVD组件用于聚类。通常为预期的单元格数。 显示单元格映射 ---是否每隔10次聚类迭代将聚类结果显示为图像 获取ROI ---注册后是否运行ROI检测算法 停止Sourcery ---如果提取的ROI数量<（迭代1提取的ROIs）x（stopSourcery）（默认值为1/10），则停止集群 maxIterRoi检测 ---集群迭代的最大次数（默认值为100） 精炼 ---无论是否细化ROI，suite2p都会平滑PC以找到掩码，细化使用未平滑PC从平滑估计值重新计算掩码
导航框架SVD ---对于SVD，数据必须临时装箱。 该数字指定了装箱后要获得的最终点数。 换句话说，具有多个时间点的数据集在较高的窗口中装箱，而较小的数据集装箱较少。 获取SVDcomps ---是否获取已注册电影的SVD组件并将其保存到磁盘。 用于像素级分析和检查注册质量（残留运动将显示为SVD组件）。 这是一个独立于单元聚类的SVD分解（不删除每个像素的运行基线）。 nSVD用于ROI ---要保留多少SVD组件。 获取SVDcomps ---是否获取已注册电影的SVD组件并将其保存到磁盘。 用于像素级分析和检查注册质量（残留运动将显示为SVD组件）。 这是一个独立于细胞聚类的SVD分解（不删除每个像素的运行基线）。 nSVD公司 ---如果 获取SVD组件 =1，则 nSVD公司 指定要保存的组件数量
信号提取 ---如何提取荧光？ “原始”选项限制单元格不重叠，“回归”选项允许单元格重叠。 神经膜模型是一组空间基函数，用于平铺视野。 “环绕”选项意味着单元格的活动是检测到的像素的加权和（按λ加权）。 神经膜被计算为周围像素活动的总和（计算中不包括其他细胞）。
神经磷脂比率 ---用于空间基函数和周围神经膜-神经膜的空间范围乘以细胞半径（ops.ratioNeuropil*细胞半径=神经膜半径）
内神经细胞 ---在细胞周围填充像素以从神经膜中排除 外神经磷脂 ---神经膜周围半径（设置为Inf以使用ops.ratioNeuropil） 最小神经像素 ---神经膜周围的最小像素数（半径将扩大，直到达到这个数字）
图像速率 ---每个平面的成像速率。 传感器Tau ---衰减时间刻度（秒）。 最大神经元 ---神经膜污染系数必须小于此值（有时最好将上限设置为1，即中间神经元） 反病毒类型 ---使用哪种类型的反褶积（“L0”或“OASIS”）
redratio=内部红色像素/外部红色像素 redcell=redratio>平均值（redratio）+ 红色的 x标准（重画） notred=redratio<平均值（redratio）+ 红色最大值 x标准（重画）
红色 ---thres越高表示红色单元格越少（默认值为1.35） 红色最大值 ---最大值越高，非红色单元格越多（默认值为1）
std=细胞轨迹的标准偏差，标准化为神经膜轨迹的大小 skew=神经白介素消减细胞轨迹的偏斜 pct=从ROI中心到像素的平均距离，标准化为完美磁盘的相同被测对象 footprint=ROI轨迹和附近像素之间相关性的空间范围 mimgProjAbs=此ROI形状是否与平均图像上的形状相关 aspect_ratio=与ROI拟合的椭圆