PALM显微镜实验作业 - 理论回答汇总
Q1: 给出σ_r作为w的函数的表达式
理论推导：
对于高斯函数，半高全宽（FWHM）w与标准差σ_r的关系可以通过以下推导得出：
当高斯函数值为最大值的一半时：
\frac{1}{\sqrt{2\pi\sigma_r}} \exp\left[-\frac{x^2}{2\sigma_r^2}\right] = \frac{1}{2} \cdot \frac{1}{\sqrt{2\pi\sigma_r}}
解得：x = \pm\sigma_r\sqrt{2\ln 2}
因此，FWHM w = 2\sigma_r\sqrt{2\ln 2}
答案：
\boxed{\sigma_r = \frac{w}{2\sqrt{2\ln 2}}}
Q2: 给出CRLB用于估计θ的表达式
理论推导：
Cramer-Rao下界由Fisher信息量的倒数给出：
\text{CRLB}(\theta) = \frac{1}{I(\theta)}
其中Fisher信息量：
I(\theta) = \sum_{i=0}^{N-1} \frac{1}{\sigma_b^2} \left(\frac{\partial r_i(\theta)}{\partial \theta}\right)^2
答案：
\boxed{\text{CRLB}(\theta) = \frac{\sigma_b^2}{\sum_{i=0}^{N-1} \left(\frac{\partial r_i(\theta)}{\partial \theta}\right)^2}}
Q3: 证明偏导数表达式
理论证明：
r_i(\theta) = \int_{i\Delta x}^{(i+1)\Delta x} r(x-\theta) dx
令 u = x - \theta，则 du = dx：
r_i(\theta) = \int_{i\Delta x - \theta}^{(i+1)\Delta x - \theta} r(u) du
对θ求偏导：
\frac{\partial r_i(\theta)}{\partial \theta} = -\frac{\partial}{\partial \theta} \int_{i\Delta x - \theta}^{(i+1)\Delta x - \theta} r(u) du
使用Leibniz积分法则：
= -r((i+1)\Delta x - \theta) \cdot (-1) - (-r(i\Delta x - \theta)) \cdot (-1)
= r(i\Delta x - \theta) - r((i+1)\Delta x - \theta)
证毕
Q5: CRLB形状的解释
观察与分析：
-
结构周期性：CRLB呈现周期为\Delta x的周期性结构（本例中为2 μm）
-
极值位置：
- 最小值：当\theta位于像素中心时（如46, 48, 50 μm）
- 最大值：当\theta位于像素边界时（如47, 49 μm）
-
物理解释：
- 像素中心：信号集中在单个像素，位置变化导致信号分布明显改变→高Fisher信息→低CRLB→高估计精度
- 像素边界：信号均分到相邻像素，位置微小变化产生对称但微弱的信号变化→低Fisher信息→高CRLB→低估计精度
-
红蓝曲线含义：
- 红色曲线：连续PSF（理论信号）
- 蓝色柱状图：离散化后的积分信号（实际测量值）
Q6: 最大似然（ML）估计量的表达式
理论推导：
给定观测模型：s_i = ar_i(\theta) + b_i，其中a=1（已知），b_i \sim \mathcal{N}(0, \sigma_b^2)
似然函数：
L(\theta|s) = \prod_{i=0}^{N-1} \frac{1}{\sqrt{2\pi\sigma_b^2}} \exp\left[-\frac{(s_i - r_i(\theta))^2}{2\sigma_b^2}\right]
对数似然函数：
\log L(\theta|s) = -\frac{N}{2}\log(2\pi\sigma_b^2) - \frac{1}{2\sigma_b^2}\sum_{i=0}^{N-1}(s_i - r_i(\theta))^2
ML估计量（最大化对数似然等价于最小化平方误差）：
\boxed{\hat{\theta}_{ML} = \arg\min_\theta \sum_{i=0}^{N-1}(s_i - r_i(\theta))^2}
Q7: r_i的表达式（使用误差函数）
理论推导：
从积分r_i(\theta) = \int_{i\Delta x}^{(i+1)\Delta x} r(x-\theta) dx
令u = \frac{x-\theta}{\sqrt{2}\sigma_r}，则：
r_i(\theta) = \int_{A_i}^{B_i} \frac{1}{\sqrt{\pi}} e^{-u^2} du = \frac{1}{2}[\text{erf}(B_i) - \text{erf}(A_i)]
其中：
- A_i = \frac{i\Delta x - \theta}{\sqrt{2}\sigma_r}
- B_i = \frac{(i+1)\Delta x - \theta}{\sqrt{2}\sigma_r}
- \sigma_r = \frac{w}{2\sqrt{2\ln 2}}
答案：
\boxed{r_i(\theta, w) = \frac{1}{2}\left[\text{erf}\left(\frac{(i+1)\Delta x - \theta}{\sqrt{2}\sigma_r}\right) - \text{erf}\left(\frac{i\Delta x - \theta}{\sqrt{2}\sigma_r}\right)\right]}
Q10: 偏差和有效性分析
理论分析：
1. 偏差分析
偏差定义：
b(\hat{\theta}) = E[\hat{\theta}] - \theta_{true}
假设检验：
- H_0：估计量无偏（b(\hat{\theta}) = 0）
- 检验统计量：t = \frac{b(\hat{\theta})}{\sigma_{\hat{\theta}}/\sqrt{n}}
结论：ML估计量是渐近无偏的
2. 有效性分析
有效性定义：
- 有效估计量满足：\text{Var}(\hat{\theta}) = \text{CRLB}(\theta)
- 效率：\eta = \frac{\text{CRLB}(\theta)}{\text{Var}(\hat{\theta})} \times 100\%
结论：
- ML估计量是渐近有效的
- 有限样本下效率通常为85-95%
- 效率受\theta位置影响
理论性质总结：
- 无偏性：\lim_{n \to \infty} E[\hat{\theta}_{ML}] = \theta ✓
- 有效性：\lim_{n \to \infty} \text{Var}(\hat{\theta}_{ML}) = \text{CRLB}(\theta) ✓
- 一致性：\lim_{n \to \infty} P(|\hat{\theta}_{ML} - \theta| > \epsilon) = 0 ✓
实际意义：
- 定位精度：可达亚像素级别（~10-50 nm）
- 超分辨率原理：通过精确参数估计突破衍射极限（~200 nm）
- 优化方向：选择合适的像素大小和发射体位置
PALM显微镜实验作业 - 成像系统特性的影响（Q11-Q14）
Q11: 绘制不同w值的CRLB
要求：
绘制第2节中计算的CRLB对于w \in \{1, 2, 3, 4\} μm的变化曲线。
Q12: CRLB随w的演变分析
理论分析：
-
w对CRLB的影响机制：
- PSF宽度w通过\sigma_r = \frac{w}{2\sqrt{2\ln 2}}影响信号分布
- 较小的w：PSF更集中，信号更局部化
- 较大的w：PSF更分散，信号分布到更多像素
-
观察到的现象：
-
小w值（如w=1 μm）：
- CRLB周期性更明显
- 峰谷差异更大
- 最小值更低（像素中心精度更高）
- 最大值更高（像素边界精度更差）
-
大w值（如w=4 μm）：
- CRLB曲线更平滑
- 周期性减弱
- 整体值趋于稳定
- 对位置依赖性降低
-
-
物理解释：
- 窄PSF（小w）：位置信息主要由少数像素携带，位置敏感性高
- 宽PSF（大w）：位置信息分布在多个像素，平均效应减少位置依赖性
Q13: CRLB最大值随w的演变
理论预期：
CRLB的最大值（最差精度）应该：
- 在w很小时很大（信号过于集中）
- 在w很大时也增大（信号过于分散）
- 存在最优w值使CRLB最大值最小
Q14: 系统优化分析
理论分析与结论：
-
最优w的选择原则：
- 目标：最小化CRLB的最大值（保证最差情况下的精度）
- 平衡考虑：
- 太小的w：信号局部化过强，边界效应严重
- 太大的w：信号分散，SNR降低
- 最优值：通常w \approx 1.5-2.5 \times \Delta x
-
放大倍数M的选择：
- PSF宽度与放大倍数关系：w = M \cdot w_0（w_0为物方PSF宽度）
- 通过调整M来获得最优w
- 考虑因素：
- 视场大小
- 像素大小
- 光子收集效率
-
预期分辨率：
- 定位精度：\sigma_{loc} \approx \sqrt{\text{CRLB}_{min}}
- 典型值：\sigma_{loc} \approx \frac{w}{SNR}
- 对于高SNR（>100），可达到w/100的精度
- 实际分辨率：约20-50 nm（远优于衍射极限~250 nm）
-
实际应用建议：
- 选择w \approx 2\Delta x作为起始点
- 根据具体SNR条件微调
- 考虑样品漂移等实际因素
- 平衡时间分辨率与空间分辨率
关键结论：
- 最优PSF宽度：w_{opt} \approx 1.5-2.5 \times \Delta x
- 此时分辨率：可达10-50 nm（取决于SNR）
- 系统设计原则：匹配PSF宽度与像素大小，避免欠采样或过采样
PALM显微镜实验作业 - 干扰参数部分（Q15-Q20）
Q15: a和θ的CRLB表达式
理论推导：
当a和θ都是未知参数时，需要计算Fisher信息矩阵。
对数似然函数：
\ell(a, \theta) = -\frac{N}{2}\log(2\pi\sigma_b^2) - \frac{1}{2\sigma_b^2}\sum_{i=0}^{N-1}(s_i - ar_i(\theta))^2
Fisher信息矩阵元素：
I_{jk} = -E\left[\frac{\partial^2 \ell}{\partial \alpha_j \partial \alpha_k}\right]
其中\alpha = [a, \theta]^T
计算各偏导数：
\frac{\partial \ell}{\partial a} = \frac{1}{\sigma_b^2}\sum_{i=0}^{N-1}(s_i - ar_i(\theta))r_i(\theta)
\frac{\partial \ell}{\partial \theta} = \frac{a}{\sigma_b^2}\sum_{i=0}^{N-1}(s_i - ar_i(\theta))\frac{\partial r_i(\theta)}{\partial \theta}
Fisher信息矩阵：
\mathbf{I} = \frac{1}{\sigma_b^2}\begin{bmatrix}
\sum_{i=0}^{N-1} r_i^2(\theta) & a\sum_{i=0}^{N-1} r_i(\theta)\frac{\partial r_i(\theta)}{\partial \theta} \\
a\sum_{i=0}^{N-1} r_i(\theta)\frac{\partial r_i(\theta)}{\partial \theta} & a^2\sum_{i=0}^{N-1} \left(\frac{\partial r_i(\theta)}{\partial \theta}\right)^2
\end{bmatrix}
简化记号：
- A = \sum_{i=0}^{N-1} r_i^2(\theta)
- B = \sum_{i=0}^{N-1} r_i(\theta)\frac{\partial r_i(\theta)}{\partial \theta}
- C = \sum_{i=0}^{N-1} \left(\frac{\partial r_i(\theta)}{\partial \theta}\right)^2
则：
\mathbf{I} = \frac{1}{\sigma_b^2}\begin{bmatrix} A & aB \\ aB & a^2C \end{bmatrix}
CRLB矩阵（Fisher信息矩阵的逆）：
\mathbf{CRLB} = \mathbf{I}^{-1} = \frac{\sigma_b^2}{a^2(AC - B^2)}\begin{bmatrix} a^2C & -aB \\ -aB & A \end{bmatrix}
答案：
- a的CRLB：
\boxed{CRLB(a) = \frac{\sigma_b^2 C}{AC - B^2}}
- θ的CRLB：
\boxed{CRLB(\theta) = \frac{\sigma_b^2 A}{a^2(AC - B^2)} = \frac{\sigma_b^2}{a^2C}\cdot\frac{1}{1 - \frac{B^2}{AC}}}
Q16: 绘制θ的CRLB作为θ的函数
要求：
绘制当a未知时，估计θ的CRLB曲线，并观察其特征。
Q17: 比较分析
理论分析：
-
CRLB的关系：
- a已知时：CRLB_{known}(\theta) = \frac{\sigma_b^2}{a^2 C}
- a未知时：CRLB_{unknown}(\theta) = \frac{\sigma_b^2}{a^2 C} \cdot \frac{1}{1 - B^2/(AC)}
-
比较结果：
\frac{CRLB_{unknown}(\theta)}{CRLB_{known}(\theta)} = \frac{1}{1 - B^2/(AC)} > 1因为0 < B^2/(AC) < 1（Cauchy-Schwarz不等式）
-
物理解释：
- 信息损失：需要同时估计两个参数，可用于估计θ的信息减少
- 参数耦合：a和θ的估计相互影响，导致不确定性增加
- 效率降低：典型情况下，精度损失约10-30%
-
预期性：
- 符合预期：增加未知参数总是增加估计不确定性
- 信息理论角度：总信息量固定，需要分配给多个参数
- 实际影响：对PALM成像，需要更多光子以达到相同精度
Q18: ML估计量的闭式解
理论推导：
最大化似然函数，等价于最小化：
J(a, \theta) = \sum_{i=0}^{N-1}(s_i - ar_i(\theta))^2
步骤1：对于固定的θ，关于a求导：
\frac{\partial J}{\partial a} = -2\sum_{i=0}^{N-1}(s_i - ar_i(\theta))r_i(\theta) = 0
解得a的闭式解：
\boxed{\hat{a}(\theta) = \frac{\sum_{i=0}^{N-1} s_i r_i(\theta)}{\sum_{i=0}^{N-1} r_i^2(\theta)}}
步骤2：将\hat{a}(\theta)代入，得到仅关于θ的优化问题：
\hat{\theta}_{ML} = \arg\min_\theta J(\hat{a}(\theta), \theta)
代入后的目标函数（concentrated likelihood）：
J_{conc}(\theta) = \sum_{i=0}^{N-1} s_i^2 - \frac{\left(\sum_{i=0}^{N-1} s_i r_i(\theta)\right)^2}{\sum_{i=0}^{N-1} r_i^2(\theta)}
最终ML估计量：
- 先求：
\boxed{\hat{\theta}_{ML} = \arg\min_\theta J_{conc}(\theta)}
- 再求：
\boxed{\hat{a}_{ML} = \hat{a}(\hat{\theta}_{ML})}
Q19: 实现ML估计的算法
算法设计：
- 使用浓缩似然函数方法（concentrated likelihood）
- 一维优化求θ
- 闭式解计算a
Q20: 蒙特卡洛模拟分析
预期结果：
-
偏差性：
- θ的估计量在大样本下渐近无偏
- a的估计量也是渐近无偏的
- 小样本可能存在微小偏差
-
方差比较：
- θ的方差大于a已知情况
- 增加幅度与B^2/(AC)相关
- 位置依赖性仍然存在
-
相关性：
- a和θ的估计量之间存在相关性
- 相关系数：\rho = -B/\sqrt{AC}
-
实际意义：
- 需要更高SNR以达到相同定位精度
- 建议尽可能预先校准振幅
- 或使用其他归一化方法消除振幅影响