简介：这是一份面向计算神经科学研究者的开源代码资源，围绕格伦特曼等人2018年发表的果蝇T4神经元模型，结合“单星定位”（即以单个视觉目标为参照的方向判断方式）式的视觉方位感知思路，把神经形态重建、刺激设定与仿真分析整合在一起，用于复现论文中的核心实验。压缩包共13个文件，以9个.hoc脚本为主体，在NEURON模拟器中负责形态导入、突触参数配置和视觉刺激协议启动；另有1个.m脚本处理与绘制仿真结果，1个.swc文件保存三维形态，1个.dat参数文件记录数值参数，1个.txt说明文档指导运行与代码阅读，整体仅43KB，结构精炼。脚本覆盖闪烁光、移动光栅等经典范式，并包含树突轴定义、条件向量生成等环节，可系统检验T4神经元对方向性运动的响应特性。已有224人学习浏览，适合希望从代码层面理解果蝇视觉导航机制，或调整参数、拓展应用的计算建模研究者与学生。

1. 单星定位MATLAB代码：处理果蝇T4神经元数据时，这一步为什么卡住了所有人

第一次拿到果蝇T4神经元钙成像数据的人，多半会在一开始就被同一个问题卡住：图像栈里密密麻麻的荧光点，每个都像星点，怎么知道它们的准确坐标？Gruntman等人2018年发表的果蝇T4神经元研究里，整套图像分析的最前端就是这种单星定位——把每个信号源从三维体数据里提取成亚像素坐标，后续的方向选择性、神经元类型匹配全部依赖这一步输出。这篇笔记就把单星定位MATLAB代码背后的原理、参数和坑一次讲清楚，给正被坐标问题折磨的分析流程一个能直接落地的方案。

2. 果蝇T4神经元成像里的星点对象：数据形态、方法与数学模型

2.1 T4神经元数据里的“星”到底是什么

果蝇视觉系统里，T4神经元是视叶中专门处理运动方向的关键环节。双光子显微镜下，表达GCaMP的T4胞体在活动时会产生局部荧光升高，成像出来就是一个亮斑。因为激发波长、物镜数值孔径和体素采样共同决定了点扩散函数（PSF）的形状，这个亮斑在xy平面上基本服从二维高斯分布，直径通常只有2到4个像素。所谓“单星”，指的就是这样一个独立的、近似高斯形状的荧光信号源。

在Gruntman等人2018年的T4神经元研究框架下，单星定位要解决的核心问题不是“图像里有没有神经元”，而是“这个神经元在三维空间里的精确位置在哪里、它的信号强度是多少”。后续提取钙信号时间序列、把不同样本对齐到共同坐标系，甚至判断一个胞体属于T4的哪个亚型，都希望定位误差控制在0.1到0.3个像素以内。肉眼看起来两个距离很近的星点，如果没有亚像素定位，坐标抖动会直接变成时间序列里的噪声。

常见成像协议的体素尺寸，xy方向是0.2到0.5微米每像素，z方向步长0.5到1微米。这种采样条件下，一个直径3微米的胞体在xy平面上占6到7个像素，但有效信号核心只有2到4个像素。换句话说，星点在成像里本身就是“欠采样”的，定位误差的主要来源不是算法，而是成像系统和采样参数。

2.2 最大值法、质心法和高斯拟合：为什么最终大家都选高斯拟合

定位一个星点，常见的有三种选择：最大值法、质心法、高斯拟合法。峰值很亮的时候它们都能跑，但输出质量差别明显。

最大值法直接取局部最大值的像素坐标，速度快到可以忽略不计，但结果只有一个像素的分辨率。更麻烦的是，像素噪声会让最大值位置在一两帧之间跳变，哪怕信号本身没有移动。对T4神经元这种需要跨帧比较信号的场景，最大值法一般只用来做粗定位。

质心法以局部最大值为中心，取一个窗口，按强度加权求质心。它能做到亚像素，但有一个系统性偏差：如果窗口内背景强度不均匀，质心会被背景拉偏。比如深层信号衰减导致一侧背景比另一侧高0.5个灰度级，质心就会向高背景侧偏出0.1到0.2个像素。这个量级恰好落在T4神经元分析不能容忍的范围里。

高斯拟合把星点建模为参数化二维高斯函数，用最小二乘同时估计位置、幅度、宽度和背景。相比前两者，它对背景不均匀和邻近微弱信号更稳健，输出也不只是坐标，还有sigma和幅度，这两个值本身就是质控信号。代价是需要非线性优化，每个点大概几毫秒到几十毫秒，在几百个点的数据量下完全可接受。所以处理这类点源定位，最终基本都收敛到高斯拟合这条路上。

选择可以概括成一句话：最大值法看个大概，质心法做快速估计，高斯拟合做最终精定位。实际管线里通常先用前两者找一个候选点，再用高斯拟合把坐标钉死在亚像素级。

2.3 单星定位的数学模型：二维高斯函数与最小二乘参数估计

单个星点在xy平面上的强度分布，写成参数化高斯函数就是：

I(x,y) = A · exp(-((x-x0)² + (y-y0)²) / (2·σ²)) + B

其中A是星点峰值幅度，x0和y0是星点中心的亚像素坐标，σ是PSF在xy平面的标准差，B是局部背景强度。定位问题就变成：给定图像贴片里的实测强度值，找到一组(A, x0, y0, σ, B)，让模型计算值与实测值的残差平方和最小。

用MATLAB实现，最顺手的是lsqnonlin。它采用trust-region-reflective算法，可以指定参数上下界，比fminsearch更适合这种带物理意义的拟合——比如σ不能为负，A不能小于零。边界约束不只是为了防止报错，它能把拟合结果限制在合理区间里，减少迭代漂移。

真实PSF并不完全是高斯，尤其是光学切片数据里会有旁瓣和背景散射。但2到4像素直径的胞体信号，高斯近似做定位已经足够；强行用更复杂的PSF模型，在小窗口里反而容易过拟合。这一点在低信噪比数据上尤其明显，参数多了，模型会把噪声也拟合进去。

2.4 定位结果怎么影响后续的T4神经元分析

单星定位在Gruntman等2018年这类研究里的位置，可以这样理解：它把图像里的每一个活动神经元，从“一个亮点”变成“一个带有坐标和强度特征的观测对象”。有了坐标，才能定义ROI、提取荧光时间序列；有了强度特征，才能把同一细胞在时间序列中稳定匹配。

更重要的是，T4神经元有四个亚型，它们对运动方向的选择性不同，亚型之间的区分有时就落在胞体或树突的相对位置上。定位误差过大，这种区分就会失真。后续类似“方向选择性曲线”的统计，每一个数据点都来自某个星点的坐标和响应序列，坐标误差会逐级传导。

双光子成像还有一个常被忽略的问题：运动伪影。果蝇头部固定不好时，整张图像的漂移量能达到1到2个像素，这会让单帧定位坐标在时间维度上出现系统性偏移。常见做法是先做刚性配准，但配准的种子点往往也来自单星定位，所以定位质量会一层层传导到最终结果。

3. 单星定位MATLAB代码：从读图到亚像素坐标表的完整流程

3.1 读取TIF图像栈与预处理：先消除像素噪声和背景

网上流传的单星定位代码，大半都从直接找最大值开始。实际在果蝇T4神经元数据上，这样跑出来的坐标会有一堆毛刺，原因就两个：像素噪声和背景不均匀。先把这两个问题解决掉，后续拟合的稳定性会完全不一样。

读取体数据时，我习惯用循环imread而不是新版封装函数，因为不同实验室保存的TIF格式兼容性差异很大，循环读取加double转换是最稳妥的写法。

% 读取多页TIF图像栈，兼容老版本MATLAB的通用写法 imgStack = []; info = imfinfo('T4_stack.tif'); % 读取TIF元数据 numSlices = numel(info); % 获取总层数 for k = 1:numSlices imgStack(:,:,k) = imread('T4_stack.tif', k); end imgStack = double(imgStack); % uint16转double再做后续运算

这里有几个要点：imfinfo只读取元数据，速度快、不吃内存；每一页经imread单独读入，最后拼接成三维double数组；不直接使用高版本封装函数，是因为老版本MATLAB没有，且对压缩TIF支持不稳定。double转换必须做，否则uint16数据在减背景时容易发生溢出截断。

接下来做两步预处理：三维高斯滤波去像素噪声，形态学开运算估计背景。

% 轻度平滑：sigma取0.6~0.9像素，只抑制像素噪声，不动星点主体 imgSmooth = imgaussfilt3(imgStack, 0.8); % 背景估计：disk半径要大于星点直径，通常设5~10像素 bg = zeros(size(imgStack)); for k = 1:numSlices bg(:,:,k) = imopen(imgStack(:,:,k), strel('disk', 8)); end imgBC = imgSmooth - bg; % 减背景后的信号图

imgaussfilt3的sigma设0.8像素，是对着常见采样间隔调出来的；设太大会让星点变圆滑，亚像素位置被拉偏。形态学开运算估计的是低频背景，disk半径8像素远大于星点直径（约2到4像素），不会把星点本身算进背景。这里是对每一层单独做开运算，因为不同深度的背景亮度不同，全局背景减除会把深层信号一起减掉。

3.2 候选点检测：先找“哪里有星”，再做精定位

高斯拟合只能处理“一个贴片里有一个星”的情况，所以之前要先做候选点检测。常见做法是局部极大值加全局阈值。局部极大值负责找峰，阈值负责排除背景噪声造成的伪峰。

% 候选点检测：局部极大值 + 自适应全局阈值 thresh = mean(imgBC(:)) + 5 * std(imgBC(:)); isLocalMax = (imgBC == imdilate(imgBC, ones(3,3))) & (imgBC > thresh); stats = regionprops(isLocalMax, 'Centroid', 'PixelIdxList');

imdilate用3×3结构元素，等价于检查每个像素是否为3×3邻域最大值。阈值取“背景均值+5倍标准差”，信噪比不够的数据可以放宽到4倍，伪峰多时收到6倍。regionprops的Centroid是连通域质心，此时只是粗定位，最终坐标要交给高斯拟合。如果候选点之间距离太近，这里会合并成一个连通域，这个坑在第5章会专门处理。

3.3 高斯拟合核心函数：lsqnonlin的边界、初值与收敛

有了粗定位坐标，接下来从原图裁一个贴片，做非线性最小二乘拟合。这一步是整个单星定位MATLAB代码的核心。

function p = fitSingleStar(patch, p0) % 输入： % patch : 以候选点为中心的二维图像贴片，double类型 % p0 : 初值 [A0, x0, y0, sigma0, B0] % 输出： % p(1:5) 拟合后的 [A, x0, y0, sigma, B] % p(6) 残差平方和 % p(7) lsqnonlin退出标志，>0视为收敛 [nY, nX] = size(patch); [Xg, Yg] = meshgrid(1:nX, 1:nY); % 贴片内像素坐标网格 % 残差函数：模型减实测 residualFcn = @(p) ... p(1) * exp(-((Xg - p(2)).^2 + (Yg - p(3)).^2) / (2 * p(4)^2)) + p(5) - patch; options = optimoptions('lsqnonlin', ... 'Display', 'off', ... % 不打印每次迭代 'Algorithm', 'trust-region-reflective', ... % 支持边界约束 'MaxFunctionEvaluations', 2000, ... 'MaxIterations', 200, ... 'FunctionTolerance', 1e-8, ... 'StepTolerance', 1e-8); % 参数边界：x0/y0限定在贴片内，sigma限定在0.3~5像素 lb = [0, 1, 1, 0.3, -inf]; ub = [inf, nX, nY, 5, inf]; [pFit, resnorm, ~, exitflag] = lsqnonlin(residualFcn, p0, lb, ub, options); p = [pFit(:)', resnorm, exitflag]; end

初值p0由主循环根据贴片灰度计算，不能写死；A0取贴片最大值减中位数，sigma0取1.5像素，B0取贴片中位数。sigma下界设0.3像素，防止退化成一个点脉冲；上界设5像素，限制拟合自由度，避免把邻近星点吃进去。trust-region-reflective算法支持上下界，Levenberg-Marquardt在MATLAB的lsqnonlin里不支持边界约束，所以这里显式指定算法。返回残差和exitflag不是画蛇添足，是为了后面筛选坏点——实际批量处理中，10%的拟合点不收敛是常态。

3.4 主循环：贴片裁剪、初值计算与结果输出

最后把上面的函数套到每个候选点上，形成完整定位管线。

% 主循环：对每个候选点精定位 nCand = numel(stats); xFit = zeros(1, nCand); yFit = zeros(1, nCand); ampFit = zeros(1, nCand); sigFit = zeros(1, nCand); residVec = zeros(1, nCand); flagVec = zeros(1, nCand); patchNorm = zeros(1, nCand); winHalf = 4; % 贴片半宽，单位像素；按sigma大小在3~6之间调整 for i = 1:nCand cx = stats(i).Centroid(1); cy = stats(i).Centroid(2); % 裁剪贴片，注意边界截断 xr = max(1, round(cx) - winHalf) : min(size(imgBC,2), round(cx) + winHalf); yr = max(1, round(cy) - winHalf) : min(size(imgBC,1), round(cy) + winHalf); patch = imgBC(yr, xr, 1); % 单层定位，z方向循环见第6章 % 初值与归一化能量，供质控使用 p0 = [max(patch(:)) - median(patch(:)), ... numel(xr)/2, numel(yr)/2, 1.5, median(patch(:))]; patchNorm(i) = sum(patch(:).^2); p = fitSingleStar(patch, p0); % 转换回全图坐标 xFit(i) = p(2) + xr(1) - 1; yFit(i) = p(3) + yr(1) - 1; ampFit(i) = p(1); sigFit(i) = p(4); residVec(i) = p(6); flagVec(i) = p(7); end % 质控：收敛标志 + 相对残差小于5% ok = (flagVec > 0) & (residVec < 0.05 * patchNorm); % 输出坐标表 resultTable = table(xFit(:), yFit(:), ampFit(:), sigFit(:), residVec(:), ok(:), ... 'VariableNames', {'x','y','amp','sigma','resid','ok'});

贴片半宽winHalf是定位结果最敏感的参数。winHalf太小会截断PSF，导致x0偏移；winHalf太大则容易并入邻近神经元信号。常见做法是取sigma的3到5倍，sigma约1.5像素时winHalf取4到5像素。patchNorm是贴片总能量，残差除以它得到相对拟合误差，这个值比绝对残差好解释——只要小于5%，定位基本可靠。exitflag为负代表收敛失败，常见原因是初值太差或贴片里没有星点；这部分点应当单独拿出来人工复核，而不是直接丢弃。表里的sigma可以用来判断是否把两个星点误合并：正常T4胞体sigma大约1.2到2.5像素，超出这个范围的候选点多半有问题。

提示：这段代码里的第1层定位只是为了说明核心逻辑。完整的三维T4数据需要外层再套一个z循环，并在z方向做抛物线插值，详见最后一章。

4. 单星定位参数怎么设：窗口尺寸、sigma初值与拟合约束的作用

4.1 五个必调参数与推荐范围

单星定位的代码框架不难，难在参数。换一组数据，哪怕只是换了物镜倍率，参数就要跟着改。下面这五个参数是按优先级排的，调参时按顺序走，不要一上来就动拟合边界。

winHalf是第一位要调的。它决定了拟合窗口里有多少信号、多少邻居。sigma初值第二位，因为它在初值计算里直接影响x0的收敛路径。A初值第三位，它决定起始迭代的高度，给错会导致迭代次数增加，但不改最终结果。拟合边界和候选阈值放在最后，它们是兜底和过滤，不是核心精度来源。

有一个经验很值钱：如果改动一个参数后，定位结果变化超过0.2个像素，说明这个参数的敏感度太高，多半是窗口本身设置不合理，而不是那个参数的问题。这时候先检查winHalf和sigma初值，而不是继续微调当前参数。

4.2 精度验证：仿真星点加噪声，量化定位偏差

很多论文报告亚像素定位精度0.05像素，听上去很美。但那是高信噪比条件下的结果。在T4神经元成像里，信噪比3到5时，定位误差通常在0.1到0.3像素。要验证你的参数是否合适，最可靠的办法是造一组真值已知的仿真图，跑完流程算偏差。

% 生成已知真值的仿真星点，验证参数是否合理 rng(42); truePos = [12.3, 15.7; 20.1, 18.2]; % 两个真实坐标 [X, Y] = meshgrid(1:40, 1:40); img = zeros(40, 40); for i = 1:size(truePos, 1) img = img + 50 * exp(-((X - truePos(i,1)).^2 + ... (Y - truePos(i,2)).^2) / (2 * 1.6^2)); end img = img + 2 + 3 * randn(40, 40); % 背景2 + 高斯噪声 % 用第3章的定位流程跑，这里省略候选点检测，直接给定初值 % 运行后比较 xFit 与 truePos 的偏差 errX = xFit - truePos(:,1); errY = yFit - truePos(:,2); rmseXY = sqrt(mean(errX(:).^2 + errY(:).^2)); fprintf('RMSE = %.3f pixel\n', rmseXY);

真值小数部分故意设成非整数，用来检验亚像素定位能力。噪声强度3灰度级对应信噪比约15，属于中等偏上场景；真实低信噪比数据可以按比例提高到5到6灰度级，再观察RMSE如何恶化。如果RMSE超过0.3像素，优先检查winHalf是否小于2倍sigma。仿真这一步看起来多花十分钟，实际上能省掉后面一整天调参时间。

4.3 结合Gruntman等2018年T4神经元数据的调试顺序

真实数据和仿真的差别在于，真实数据的背景不干净、邻近星点多、还有组织散射。调试顺序建议分成四步走。

第一步，仿真数据跑通，确认RMSE达标。第二步，取一张真实数据层，手动标注10个星点，用定位代码跑一遍，对比手动标注坐标。第三步，打印残差图和sigma分布，看是否有离群。第四步，批量跑之前做一个干跑，确保exitflag大于零的比例在90%以上。

手动标注这一步最容易被跳过后又捡回来。标注工具可以很简单：用MATLAB的data tips在图上点，保存坐标。对比时看的是偏差分布而不是平均偏差——平均偏差可能被正负抵消，分布能告诉你系统偏差是否存在。T4神经元数据里，如果sigma分布出现双峰，说明候选点里混进了非神经元信号，比如背景散射的斑点。这种情况要去调候选阈值，而不是调拟合参数。

5. 单星定位避坑指南：果蝇T4神经元数据里的五个翻车现场

5.1 邻近星点融成一个峰，定位结果落在两峰中间

现象：两个T4胞体间距只有3到4像素，拟合出的x0不在任何一个峰上，而是偏向两者之间的鞍部。看一眼拟合出来的sigma，明显比平时大50%以上。

原因：ROI窗口把两个信号都框进去了，单高斯模型只能折中表达双峰结构，拟合位置被“吸”到中间。这种情况在T4数据里很常见，因为视叶里同一层内胞体排列紧密。

解决：先把winHalf缩小到3像素，让窗口只覆盖主星点的核心区域。如果收缩后残差变大，再考虑双高斯拟合。双高斯参数从5个变成8个，数据点不够时容易过拟合，所以只在确认融峰时才用。融峰还有个特征是残差呈“甜甜圈”状——中心两侧都有一条暗带，这是模型无法匹配双峰时留下的系统图案。

5.2 背景不均匀：定位结果被渐变背景带偏

现象：同一张图上，亮的星点定位还好，暗的星点定位明显偏高背景一侧。残差图里出现系统性条纹，不是随机噪声。

原因：形态学开运算估计的背景与实际背景不完全吻合，或者背景里叠加了组织散射的梯度。质心法对这类问题更敏感，高斯拟合虽然稳健，但如果B项的初值偏得太远，迭代也会落入局部最优。

解决：把形态学背景估计的disk半径从8加大到12到15像素，让背景图更平滑。也可以用imflatfield做多项式背景拟合，它对渐变背景的建模比开运算更精细。另外，给B项一个自适应初值：取贴片四个角的均值，比取中位数更接近真实背景。

5.3 光漂白导致低信号帧漏检：固定阈值是罪魁祸首

现象：时间序列前20帧星点清晰，后50帧信号衰减一半，检测到的星点数量明显下降，最后十几帧直接漏检一大半。

原因：阈值写成了固定值。信号漂白后峰值降到阈值以下，即使星点还在，候选点检测阶段就把它们丢掉了。

解决：改成逐帧自适应阈值，也就是把第3章里的thresh计算放到每帧内部执行。另一个有效做法是做坐标延续：用上一帧的定位坐标作为下一帧拟合初值，并把搜索窗口缩小到3像素。这其实就是追踪的思路，对弱信号帧特别有效。

% 逐帧自适应阈值替代全局阈值 for k = 1:numSlices frame = imgBC(:,:,k); threshFrame = mean(frame(:)) + 5 * std(frame(:)); isLocalMaxFrame = (frame == imdilate(frame, ones(3,3))) & (frame > threshFrame); % 后续处理同前，注意把上一帧坐标作为初值传入 end

逐帧阈值的问题是帧间波动会导致候选点数量不稳定，所以配上坐标延续一起用。坐标延续还有一个好处：即使某一帧信号弱到检测不到，也能通过上一帧坐标强行拟合，得到一个低置信度但可追踪的坐标，然后在后续帧里看它是否连续。

5.4 z轴定位偏差：二维定位结果直接拼成三维坐标会翻车

现象：三维坐标里，xy方向重复性很好，z坐标却在相邻层之间来回跳。看起来神经元在“闪烁”，实际是定位伪影。

原因：2D定位只能给出xy坐标，z坐标通常取最大亮度层或者质心层。但z方向采样步长大、PSF沿z不对称，直接取最大值层的做法对层间变化非常敏感。

解决：每一层做2D高斯拟合，得到该层的A值，然后把A沿z方向做抛物线插值。拟合抛物线的顶点位置就是z坐标。这个方法不需要三维拟合，计算量小，稳定性高。更严格的做法是直接拟合三维高斯函数，参数从5个变成8到9个，但数据量和收敛难度都上去了，实际收益有限。

5.5 批量拟合不收敛却不报错，下游ROI提取全部错位

现象：批处理几百个贴片后，没有报任何error，但结果表里ok=0的比例超过20%，下游画图、提取时间序列全乱套。

原因：lsqnonlin返回exitflag=0或负值，但脚本没有检查，直接把坐标写进结果表。坐标是NaN或者停在边界上，都不会触发异常。

解决：用exitflag和相对残差双重筛选，所有ok=0的点单独导出成图，人工复核。坐标错了还能再拟合，贴片丢了就什么都没有了，所以失败贴片一定要保存下来。

badIdx = find(~ok); for i = 1:numel(badIdx) % 把对应贴片和失败坐标保存到当前目录 cx = stats(badIdx(i)).Centroid(1); cy = stats(badIdx(i)).Centroid(2); xr = max(1, round(cx)-winHalf) : min(size(imgBC,2), round(cx)+winHalf); yr = max(1, round(cy)-winHalf) : min(size(imgBC,1), round(cy)+winHalf); patch = imgBC(yr, xr, 1); save(sprintf('bad_%03d.mat', badIdx(i)), 'patch', 'xFit', 'yFit'); end

这里保存贴片比只保存坐标有用得多。失败的坐标，人工复核时还会想看原始贴片长什么样——是融峰、是边界截断、还是纯噪声，一眼就能判断。把这段加入到批量流程里，是最值得花时间的一步。

6. 进阶：从单层定位到三维批量、并行加速与响应对齐

把单星定位从“能跑”变成“好用”，有三件事值得做：z轴插值、并行加速、坐标与时间序列对齐。

z轴插值延续5.4的思路。外层循环每一层做2D拟合，拿到一组z方向上的A值序列，再用polyfit做抛物线拟合，顶点就是z坐标。这个做法在T4神经元数据上能稳定把z精度从一层步长提升到0.2到0.3层步长。

并行加速很简单，fitSingleStar函数是纯计算，没有共享变量，直接把主循环里的for改成parfor就能吃满多核。注意把imgBC、stats这些只读数组设为广播变量。

% parfor版本的主循环核心段 parfor i = 1:nCand cx = stats(i).Centroid(1); cy = stats(i).Centroid(2); xr = max(1, round(cx)-winHalf) : min(size(imgBC,2), round(cx)+winHalf); yr = max(1, round(cy)-winHalf) : min(size(imgBC,1), round(cy)+winHalf); patch = imgBC(yr, xr, 1); p0 = [max(patch(:)) - median(patch(:)), ... numel(xr)/2, numel(yr)/2, 1.5, median(patch(:))]; p = fitSingleStar(patch, p0); out(i,:) = [p(2)+xr(1)-1, p(3)+yr(1)-1, p(1), p(4), p(6), p(7)]; end

坐标与时间序列对齐这步，属于把定位结果接回分析管线的最后一小步。用定位坐标作为ROI圆心，取一个与sigma匹配的圆形或方形区域，逐帧提取荧光均值，就得到每条神经元的钙信号时间序列。再按Gruntman等2018年研究里的方向选择性分析逻辑，把不同运动方向的响应平均化，就能画方向调谐曲线。

这里有个个人习惯想分享：我最初做这套流程时，总是想省事用固定阈值跑批，结果某批数据后半段因为光漂白漏了一半星点，重新处理后坐标和之前对不上。自那以后，任何批量处理的开始前，我都会先看一眼阈值分布在所有帧上的变化，再做一次干跑检查exitflag。这个习惯帮我避开了后面大部分翻车时刻。

这套从单星定位到下游分析的链路，每一步都不复杂，但每一步的边界条件都必须明确。希望帮到你。

本文还有配套的精品资源，点击获取