ImageJ基础教程

终于把面向初学者的 ImageJ¹ 基础教程完成了。虽然网上各种教程很多，但大多都是针对特定分析需求的知识碎片，或难或易，或深或浅。而初学者到底要掌握哪些知识却并不清楚。

且慢，为啥要学 ImageJ 呢？我想如果你必须要自己处理一些图像数据的话，ImageJ是最佳的入门选择。原因如下：

ImageJ 发展历史悠久，应该是大量软件工具中的「鼻祖」，具有类似于「C语言」在各类高级编程语言中的地位，后面各种工具的功能和操作逻辑都深受它的影响。
也正因为历史悠久，网上存在大量ImageJ教程，而且官方的Wiki更是详细丰富。
ImageJ 有大量插件可用，这极大地扩展了它的分析功能，而且插件的数量还在不断上升。
ImageJ 开源免费，开箱即用无需安装，支持对上百种不同格式成像数据的分析

总之，学好了 ImageJ，你就相当于获得了成像数据分析的「最大公约数」。

我刚开始也不知道「ImageJ基础」应当要包括哪些内容，完全是写着写着，不断勾起自己过往的回忆，逻辑才逐渐清晰。这个「ImageJ基础」系列的内容，要满足的是最常见最基本的需求：在论文里放一张符合规范²的图像展示和结果统计。

所以「ImageJ基础」的第一部分对应了“图像展示”。对于小白来说，因为知识储备不足很容易导致的过度图像处理造成一些问题，所以我非常克制地以介绍一些基本概念为主，例如数据维度，位深谈到对比度调节，伪彩选择和图像标尺等。通过这个部分的内容，我相信大家能够很轻松且稳妥地展示出符合规范的图像。

那么「ImageJ基础」的第二部分就对应了“结果统计”。由于每个人要分析的目标，要统计的指标可能各不相同，所以这里我也只能是从「点线面」也就是维度的视角来展示不同类别的分析目标的测量过程。而统计的指标，既有 ImageJ 本身提供的各种指标，也可以根据需求使用其他指标，比如单颗粒示踪，就增加了时间这个属性。

需要注意的是，作为基础内容，这些测量过程都默认输入的数据是质量非常好的，不需要额外的预处理（比如降噪滤波等）。而且使用的都是手动测量分析而不是自动分析。因为降噪滤波等图像处理难免造成原始数据的轻微变化，而自动分析哪怕再好的算法，也总是会需要额外的过滤，这些处理都需要结合实际情况，依赖充分的知识和经验来选择和调节，所以我认为也不属于基础部分的内容。

总之「ImageJ基础」这一系列的内容，仅展示了比较理想的这种情况：基于好的数据，通过简单的处理和测量分析，得到符合规范的论文图表。但我认为这正是初学者需要的。说白了，好的数据分析起来事半功倍，不好的数据才需要绞尽脑汁地分析。所以对于刚开始做实验的同学们来说，努力提高实验技能尽可能拿到高质量的数据，是比掌握复杂数据处理方法更优先的事情。

另附 ImageJ 软件包，以及「ImageJ基础」中示例的数据，感兴趣的同学可以下载尝试。

链接：https://pan.baidu.com/s/1xkaieQPyuBsHcH_7GN5cug

提取码： pj7p

版权和免责申明：本教程所有内容皆为原创，如转载请符合相应规范。由于本人能力有限难免出现疏漏，这里仅是基于个人经验抛砖引玉。如有疑问错误、以及其他补充请直接在评论区指出。

最后呼吁大家在论文中别忘了对Fiji (Fiji is just imagej) 的引用👇：

Schindelin, J., Arganda-Carreras, I., Frise, E. et al. Fiji: an open-source platform for biological-image analysis. Nat Methods 9(7), 676–682 (2012). https://doi.org/10.1038/nmeth.2019 ↩
Schmied, C., Nelson, M.S., Avilov, S. et al. Community-developed checklists for publishing images and image analyses. Nat Methods 21, 170–181 (2024). https://doi.org/10.1038/s41592-023-01987-9 ↩

Footnotes