科研图片处理不端，一直是学术造假的重灾区。学术界的“方舟子”、知名学术打假人ElizabethBik在年对2万多篇生物医学论文进行了人工分析，发现多达4%的图片存在不当复制问题，其中牵涉数篇Nature和Science重磅论文，涉及不少学术大咖，知名学术打假网站Retractionwatch甚至评选出了全球“撤稿10大强人”，日本直接垄断前4位。
还有比如心肌干细胞发现者PieroAnversa一次被撤稿31篇文章，然后整个如火如荼的心肌干细胞研究领域就这样，全*覆没了…
圈外的吃瓜群众看热闹看的起劲，但是广大基层科研民工却不寒而栗，默默裹紧了自己的小白褂，以后发paper的道路恐怕要更谨小慎微，生怕一不小心踩了“造假”的坑。
前有一个翟博士引发的毕业生的论文查重惨案，近日诸位院士引发的科研图片处理不端不知又会掀起什么风波，也有很多科研小白不禁风声鹤唳，甚至认为P图就等于造假...那么，究竟什么样子的图像处理才不算是学术造假呢？二者之间的界限又是怎么界定的？
为了帮助大家远离图像造假的重灾区，避免踩学术不端的坑，我们整理了Nature官方给出的图像数据处理的一般准则和注意事项，并以大家最常用的电镜图的处理方法为教程，手把手帮大家解决科研图像处理的各种疑难。
文末福利
电镜图的上色与伪彩的规范化处理教程
获取方式详见文末
快速入门科研绘图，全面提升文章质量
我们为你准备了保姆级的培训课程
图像处理／数据统计／排版设计／三维建模
3dsMax/Ps/Ai/ImageJ/Graphpad
多种软件综合特训
让你的文章更上一区！
总有一款课程适合你
1
2
具体课程介绍详见后文或戳图片链接
#文末还有免费试听课视频#
Nature：图像数据处理的基本准则
研究人员的日常：努力积累好的数据并尽可能清晰地呈现出来。那么对于图像而言，何所谓“清晰”呢？过去，由于处理技巧的匮乏，我们在实验中获得的数据与最终发表的数据没太大不同，所以高质量图像的公认标准就是——所见即所得。
如今，数字图像采集和处理工具搬除了图像完善之路上的绊脚石，为了获得更清晰、更完美、更符合实验结果的最佳图像，各种“美化”手段出现在数据的数字化处理中，比如用橡皮擦工具清除照片上的灰尘，裁剪凝胶条带，使用荧光显微照片增强特定效果……合法获取的数据经过处理后会产生比实际更理想化的图像效果。
但在Nature看来，“美化”是一种歪曲和失实，略有瑕疵的图像反而更能反映真实的世界。因此，Nature系列期刊发布了一个图像适当处理的简明指南*供作者参考。
*