数据处理：CTF 与剂量加权
对齐与重构之间的预处理 —— 估计并校正 CTF、按剂量加权、反卷积提升低频对比
倾转序列对齐告诉你每张图是从哪个角度、对准哪个位置拍的；重构把这些图叠成三维体。但在这两步之间，还有一层经常被忽略却决定成像质量的预处理：每张投影本身就是被显微镜的成像物理”扭曲”过的，要先把这层扭曲尽量还原，叠加出来的频率才能相干地对齐、而不是互相抵消。两件事最关键：CTF 校正和剂量加权。
这一页讲清楚这层预处理：CTF 是什么、为什么不校正就会糊、怎么估、怎么校；剂量加权回顾；反卷积为什么有用又为什么”不增信息”；元数据怎么不丢；以及一条新手最容易踩的实操规则。先说输入和输出：
- 输入：对齐过的倾转序列（一摞已知倾角的二维投影，
.mrc/.st栈），加上一份记录像素尺寸、每帧累积剂量、显微镜参数的元数据。 - 输出：同一摞投影，但每张都做过 CTF 校正、按剂量加权（可选地再反卷积一道），元数据齐全、可交给重构。
CTF：显微镜把频率拧过一道
电镜不是理想成像系统。为了让低对比的生物样品可见，要让物镜欠焦 (defocus) 一点——而欠焦的代价是，不同空间频率被乘上了一个随频率振荡的传递函数，这就是对比传递函数 (CTF, contrast transfer function)。它最要命的特点是会翻转符号：某些频率区间的对比是正的，相邻区间却是负的，在频谱上表现为一圈圈明暗交替的环（Thon 环）。
为什么这件事必须在重构之前修好？因为重构本质是把各张图在频域里叠加。如果不管 CTF，符号被翻转的那些频率会和没翻转的互相抵消，本该相干叠加变成相互抹平，细节就糊掉了。所以要做两步：先估、后校。
估计：从 Thon 环反推欠焦
逐张图去拟合频谱里那圈环的间距，就能反推欠焦值——欠焦越深，环越密。常用工具：
- CTFFIND4 —— 单张图拟合 CTF、给出欠焦量与像散，cryo-EM/ET 通用。
- IMOD 的
ctfplotter—— 专为倾转序列设计，能交互地看拟合、并处理倾转带来的欠焦梯度。
为什么倾转序列要特别处理？因为样品是有厚度的一片，倾转后沿倾转轴方向不同位置离焦平面的距离不同，欠焦会随样品高度沿倾转轴变化。所以不能只估一个全局值，要逐条带 (per-strip) 或逐角度地估。
校正：相位翻转 vs Wiener / 反卷积
知道了每张图的 CTF，就能把它的影响除掉。两种常见做法：
- 相位翻转 (phase flipping) —— 最简单也最保守。只把被翻转的那些频率乘回 ，纠正符号、不动幅度。它绝不放大噪声，是子断层平均等下游分析里稳妥的默认选择。
- Wiener / 反卷积滤波 —— 在校正符号的同时，按信噪比对幅度做加权，试图把 CTF 压低的那些频率适当抬回来。它能恢复更多对比，但要小心：在 CTF 过零点附近信号本就为零，盲目放大只会放大噪声，所以要用一个随信噪比收手的滤波器。
写成频域的乘法，观测谱 大致是真实信号谱 被 CTF 调制的结果：
其中 ， 是欠焦量、 是电子波长、 是球差。 过零点的地方对比为零、过零之后符号翻转，这正是 Thon 环和符号翻转的来源。相位翻转就是乘 ；Wiener 反卷积则乘 ，在过零点附近自动收手、不放大噪声。CTF 的傅里叶背景见信号处理基础。
剂量加权：先坏的频率，权重就低
这一步在 运动校正与剂量加权里已经详细讲过，这里只回顾它和 CTF 的关系。电子束在记录信号的同时也在破坏样品。高分辨率（高频）信息对累积剂量最敏感，往往在序列拍到一半时就已经被打没了；低频信息则耐受得多。
剂量加权 (dose weighting) 就是按”这个频率在这个累积剂量下还剩多少信号”去给它分配权重：剂量小、频率低的成分权重高，已经被剂量打坏的高频成分权重压低，避免把纯噪声当信号叠进重构里。它和 CTF 校正是互补的两件事——CTF 修的是符号被成像系统拧反，剂量加权压的是被电子束打坏的频段——通常都在运动校正阶段（如 MotionCor2）或重构前完成，都需要知道每帧的累积电子剂量。所以从拍摄起就记录剂量元数据很重要。
反卷积：不增信息，但让人和算法都看得清
CTF 校正和剂量加权之后，断层图的低频对比往往还是偏弱，看起来发灰、发糊。反卷积 (deconvolution) ——Warp、IsoNet 这类工具里都有——再额外提一道低频对比，让膜、细胞器这些大尺度结构跳出来。
要点是：反卷积不增加新信息，它只是把已有频率重新加权、让肉眼和算法更容易抓住结构。但这恰恰对可视化和颗粒挑选很有用——人和挑选算法都更依赖低频轮廓。换句话说，反卷积过的体适合用来”看”和”挑”，但要做定量分析、子断层平均时，更稳妥的是回到只做了相位翻转的体上。
由此引出一条新手最容易踩的坑：训练和预测要喂同一种数据类型。如果一个模型（去噪、缺失楔形补全、分割……）是在反卷积过的断层图上训练的，那预测时也必须喂反卷积过的图；在原始（未反卷积）体上训练，就只能在原始体上预测。反卷积、剂量加权、滤波都改变了数据的频谱分布，模型学到的是那个分布下的统计规律——换一种预处理就等于换了输入域，结果会悄悄变差却不报错。像 CryoGEN / CryoWGEN 这类学先验的方法尤其要守住这条：从准备训练数据到推理，保证预处理链一字不差地一致。
元数据：别让信息散落
上面每一步都依赖一组贯穿全程的参数：像素尺寸（决定频率到分辨率的换算）、倾转角（重构要用）、逐图欠焦量（CTF 校正要用）、每帧累积剂量（剂量加权要用）。这些通常集中存在 star 文件里——一种纯文本表格，每行一个对象、每列一个参数——作为对齐、CTF 估计、重构各环节之间传递的契约。
元数据错位——比如像素尺寸填错、欠焦的正负号约定搞反、倾转角顺序和栈里的图对不上——往往比算法本身更常成为重构失败的原因，而且通常不报错，只是结果莫名其妙地差。养成习惯：每换一个工具，先核对它对像素尺寸单位（Å/px）、欠焦正负号、角度顺序的约定。
一条可照做的清单
新手按顺序走一遍，这层预处理就齐了：
- 核对元数据：像素尺寸（Å/px）、每帧累积剂量（e⁻/Ų）、显微镜电压与 、每张图的倾转角，是否都和原始数据对得上。
- 估计 CTF：对每张倾转图跑 CTFFIND4 或 IMOD
ctfplotter，得到逐图欠焦量；倾转序列要让工具处理沿倾转轴的欠焦梯度。 - 检查拟合：看一眼 Thon 环拟合好不好——拟合的环和实测的环要对齐。倾角越大、信号越弱，拟合越不稳，必要时手动调。
- 剂量加权：确认运动校正阶段已经按每帧累积剂量做过加权（见帧处理一节）。
- CTF 校正：选相位翻转（保守、稳妥，适合定量与子断层平均）或 Wiener/反卷积（对比更足，适合看与挑）。
- （可选）反卷积：若主要为了可视化或颗粒挑选，再生成一份反卷积体——但单独存放、标好，别和未反卷积体混用。
- 锁定数据类型：决定下游（重构、训练、分析）用哪一种体，并从此一以贯之——训练和预测必须同型。
CTF 和频域调制的傅里叶基础见信号处理基础与傅里叶变换；预处理完成后如何叠成三维体，见从倾转序列到断层图。