点检测器是检测图像中物体的TrackMate模块。 它们是检测或分割算法，生成对象，稍后将对其进行过滤，然后使用其他 TrackMate 模块进行跟踪。
在 TrackMate 中，有两种检测器：
-
点检测器。 它们可以_检测_对象，即：它们输出仅以其 X、Y、Z 位置和半径为特征的点。 这些点没有形状信息。 检测算法通常快速且稳健，并且可以在 2D 和 3D 中正常工作。
-
分段器。 这些检测器是 TrackMate v7 中引入的新产品。 它们可以“分割”对象，即：它们输出对象形状，稍后可以使用该形状来获取对象的形态描述符和准确的强度测量。 截至目前，TrackMate 仅限于分割 2D 图像的对象。 一些分割器适用于 3D 图像，但将对象输出为无形状的点。
点探测器。
此类探测器用于识别图像中的亚分辨粒子或圆形、无形物体。 当您要跟踪的对象的形状与下游分析不相关时，它们适用。
高斯拉普拉斯 (LoG) 检测器
内置。
亚分辨粒子或圆形物体的首选探测器。 检查此tutorial以获取有关此检测器的文档。
高斯差分 (DoG) 检测器
与 LoG 检测器的方法类似，但使用了近似值，使该检测器对于非常小的物体更快。
Hessian 探测器
hessian-detector - 内置
该检测器扩展了上面的 LoG 和 DoG 检测器，它们基于图像的拉普拉斯算子。 它基于 Hessian 矩阵，并且与这两个相比要慢一些。 然而，它对于出现在大物体边界旁边的点更加准确，通过在 XY 和 Z 中指定不同的物体形状可以提高其 3D 精度，并且它可以单独处理图像中的多个 ROI。
斑点流
使用 Spotiflow 使用深度学习模型来检测斑点。 该工具可以自动检索斑点的大小，并以亚像素精度获取它们的位置。 该工具附带的模型对于不同的背景和非特异性染色具有良好的鲁棒性。
优洛
使用 Python 中的 Ultralytics’ YOLO 实现来检测图像中的各种对象。 TrackMate 集成运行 YOLO 的检测管道，并返回近似为 TrackMate 点圆或球体的边界框。
分段器。
TrackMate 版本 7 中引入的新检测器可以在 2D 中分割物体，here。 TrackMate 版本 8 中引入的新探测器首次发布 on the ImageJ forum
单独的文档页面：
口罩检测器
将黑白蒙版导入为 TrackMate 中的对象。
阈值检测器
trackmate-thresholding-detector
对灰度通道设置阈值以在 TrackMate 中生成对象。
标签图像检测器
trackmate-label-image-detector
将标签图像导入为 TrackMate 中的对象。
TrackMate-Ilastik
使用在 TrackMate 中使用 ilastik 训练的像素分类器模型。
TrackMate-MorphoLibJ
使用 MorphoLibJ 库的morphological segmentation插件通过边界检测对象。
TrackMate-StarDist
使用斐济的StarDist实现来检测荧光图像中的原子核和星凸物体。 提供两种版本的检测器：一种是与荧光核模型配合使用的基本版本，另一种是允许指定自定义模型和微调检测参数的高级版本。
TrackMate Cellpose 和 Omnipose
单个更新站点提供五个检测器：两个用于 Cellpose（适用于 Cellpose 版本 3.1.1.2，简单和高级），两个用于Omnipose（相同），一个用于 Cellpose-SAM（从版本 4 开始）。
- TrackMate-Cellpose（适用于 v3.1.1.2）：trackmate-cellpose
- TrackMate-Cellpose-SAM（v4 及更高版本）trackmate-cellpose-sam
- TrackMate-Omnipose trackmate-omnipose
TrackMate-Weka
trackmate-weka 运行 Weka 像素分类器来检测对象。
点检测器生成的点特征
TrackMate 中的特征是为 TrackMate 对象之一定义的数值。 所有探测器必须至少提供以下共同点特征：
X、Y和Z：空间中的点坐标。坐标以物理单位（μm，…）表示。R点半径，也采用物理单位。当前的探测器仅将此半径值设置为用户指定的值。更先进的探测器（尚未实现）可以从原始图像中检索每个点半径。Quality：不同检测器的实现差异很大，但该值反映了自动检测的质量。它必须是正实数，较大的值表示对目标点的检测结果有良好的置信度。然后在初始过滤步骤中使用这个唯一的特征，其中质量低于指定阈值的点被纯粹且简单地丢弃。
另外两个时间特征 - T 和 FRAME 编号 - 由 TrackMate 在对目标原始数据的所有时间点执行检测时自行设置。 T以物理单位表示，而FRAME数字——从0开始——就是发现该点的帧。
物体形态分析
生成物体形状的主要目标之一是测量它们的形状。 返回物体轮廓的探测器会自动触发 TrackMate 中形态特征的计算。 当相关时，这些功能使用源图像的物理校准和单位。 这意味着，如果您的图像使用 µm 像素大小进行校准，则物体的面积将以 µm² 表示。 这些形态特征是：
Area
只是空间单位平方中的物体面积。
Perimeter
空间单位中轮廓的长度。
Circularity
圆度是衡量物体形状接近圆形程度的指标。 对于圆形，它的值为 1，对于非常细长的物体，它的值接近 0。 对于 2D 对象，其计算公式为
\[\frac{4 \times \pi \times \text{面积}}{\text{周长}^2}\]Solidity
硬度范围从 0 到 1，报告对象轮廓的平滑度和凸度。 轮廓凹陷且有许多空腔的物体硬度较低，接近 0。 完全凸的物体的值为 1。 为了计算它，我们首先确定对象的凸包。 直观地说，如果我们将橡皮筋缠绕在物体上，就会得到这样的轮廓。 它会围绕物体轮廓延伸，并且不会延伸到物体的空腔内。 因此，该凸面物体的面积总是大于初始物体的面积。 然后坚固性计算如下：
\[\text{实体} = \frac{\text{面积}}{\text{凸面积}}\]椭圆拟合
一些二维形态特征最好通过拟合对象轮廓上的椭圆并报告椭圆参数来获得。 在 TrackMate 中，我们首先使用 Chernov 方法直接拟合将椭圆拟合到轮廓，并使用 Moore-Penrose 伪逆（由 Kim van der Linde 设计）进行计算，以提高速度和鲁棒性。 TrackMate 然后报告生成的椭圆参数：
Ellipse center x0 和 Ellipse center y0
这是相对于对象中心位置的椭圆中心位置。 您可以使用以下方法获取对象中心位置
double x = spot.getDoublePosition( 0 );
double y = spot.getDoublePosition( 1 );
您需要添加废弃中心值来计算废弃中心的绝对位置。
Ellipse long axis 和 Ellipse short axis
椭圆长轴和短轴的长度（以物理单位表示）。
Ellipse angle
椭圆长轴与图像X轴的角度，以弧度为单位。 请注意，在图像中，Y轴从上到下延伸，因此与图像上的经典图（正角度是逆时针方向）相比，正角度方向是正确的。
Ellipse aspect ratio
椭圆长径比是长轴与短轴的区别：
\[\text{椭圆AR} = \frac{\text{长轴}}{\text{短轴}}\]对于形状圆形的椭圆形，其范围从1开始；对于拉长的椭圆形，其范围会变大。 一条完美的线作为正无限长宽比。
