pimiПриборы и методы измеренийDevices and Methods of Measurements2220-95062414-0473BNTU10.21122/2220-9506-2025-16-2-147-157pimi-961Research ArticleМетоды измерений, контроля, диагностикиMethods of measurements, monitoring, diagnosticsКоррекция влияния помех на результаты зондовой микроскопии вытянутых объектов с использованием прогнозных оценок рельефаCorrection of Disturbances Influence on Results of Elongated Objects's Probe Microscopy Using Predictive Relief EstimatesГуляевП. B.GulyaevP. V.

Адрес для переписки:Гуляев П.В.–Удмуртский федеральный исследовательский центр УрО РАН, ул. имени Т. Барамзиной, 34, г. Ижевск 426067, Россияe-mail: lucac@inbox.ru

Address for correspondence:Gulyaev P.V. -Udmurt Federal Research Center of the Ural Branch of the Russian Academy of Sciences,T. Baramzina str., 34, Izhevsk 426067, Russia e-mail: lucac@inbox.ru

lucac@inbox.ruУдмуртский федеральный исследовательский центр Уральского отделения Российской академии наукРоссияUdmurt Federal Research Center of the Ural Branch of the Russian Academy of SciencesRussian Federation202502072025162147157Copyright © Гуляев П.B., 20252025Гуляев П.B.Gulyaev P.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://pimi.bntu.by/jour/article/view/961

Корректное измерение длины объектов на изображениях, искажённых воздействием помех, является важной задачей зондовой микроскопии. Существующие методы измерения не в полной мере учитывают специфику конкретной предметной области. Целью настоящей работы являлась разработка нетребовательного к вычислительным ресурсам алгоритма выделения остовов объектов, ориентированного на особенности изображений в сканирующей зондовой микроскопии. Ограниченное быстродействие зондового микроскопа, загрязнение поверхности образца, неидеальность зонда приводят к типовым помехам в виде полос, 1/f шумов, флуктуаций яркости и вызывают дефрагментацию остовов объектов и снижение точности измерений длины. Предложенный в работе метод использует прогнозные оценки рельефа для устранения влияния этих помех. Прогноз определяется на основе экстраполяции информации из столбцов растра уже отсканированной части изображения. Прогнозный интервал равен одному интервалу дискретизации изображения. Совокупность прогнозных оценок формирует прогнозное изображение, которое затем используется при определении длины объектов. Особенность прогнозных изображений заключается в увеличении резкости искажённых помехами областей. Это позволило при выделении объектов с помощью детекторов кривизны дефрагментировать остовы и точнее измерить их длину. Исследования показали, что увеличение интегральной ошибки прогнозирования является признаком необходимости дополнительной обработки изображений от низкочастотных или ударных помех. При этом использование прогнозных изображений снижает относительное отклонение количества нераспознанных остовов и среднее отклонение максимальной измеренной длины. Установлено, что управляющая информация в виде прогнозных оценок может использоваться при обработке изображений в зондовой микроскопии для детектирования и частичного устранения помех. Формирование прогнозных изображений усиливает резкость объектов и повышает вероятность их корректного выделения методами, основанными на анализе изменений функции яркости.

Correct measurement of the distorted objects length in images is an important task of probe microscopy. Existing measurement methods do not fully take into account the specifics of a given subject area. The purpose of this work was to develop an algorithm for locating the objects skeletons adapted to the images peculiarities in scanning probe microscopy and does not require significant computing resources. The limited speed of the probe microscope, contamination of the sample surface, and Non-ideality of the probe lead to typical disturbances in the form of stripes, 1/f noise, and brightness fluctuations and cause defragmentation of the skeletons of objects and a decrease in the accuracy of length measurements. The method proposed in this paper uses predictive relief estimates to eliminate the influence of these disturbances. The forecast is calculated based on extrapolation of information from the raster columns of the already scanned part of the image. The forecast interval is equal to the discretization interval of the image. The set of forecast estimates forms a predictive image, which is subsequently used to determine the length of objects. The peculiarity of predictive images is the sharpening of areas distorted by disturbances. This made it possible to defragment the skeletons and measure their length more accurately when locating objects using curvature detectors. Studies have shown that an increase in the integral prediction error is a indication of the need for additional image filtering from low-frequency or shock interference. At the same time, the use of predictive images reduces the relative deviation of the number of unrecognized skeletons and the average deviation of the maximum measured length. It has been established that control information in the form of forecast estimates can be used in image processing in probe microscopy to detect and partially eliminate disturbances. The formation of predictive images enhances the sharpness of objects and increases the probability of their correct selection using methods based on the analysis of changes in the brightness function.

сканирующий зондовый микроскоппрогнозное изображениеостовыконтроль длиныscanning probe microscopepredictive imagingskeletonslength monitoringReferencesPersky E., Vardi N., Shperber Y., Kalisky B. Improving the sensitivity of scanning probe microscopy with mechanical vibrations. Appl. Phys. Lett, 2018, vol. 113, р. 173101. DOI: 10.1063/1.5051620Persky E, Vardi N, Shperber Y, Kalisky B. Improving the sensitivity of scanning probe microscopy with mechanical vibrations. Appl. Phys. Lett. 2018;(113): 173101. DOI: 10.1063/1.5051620Eaton P., West P. Atomic Force Microscopy. Oxford university press, 2010. doi: 10.1093/acprof:oso/9780199570454.001.0001Eaton P, West P. Atomic Force Microscopy. Oxford university press, 2010. doi: 10.1093/acprof:oso/9780199570454.001.0001Ronneberger O., Fischer Ph., Brox T. U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science. Springer, Cham., 2015, vol. 9351, pp. 234–241. DOI: 10.1007/978-3-319-24574-4_28Ronneberger O, Fischer Ph, Brox T. U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science. Springer, Cham. 2015;(9351):234-241. doi: 10.1007/978-3-319-24574-4_28Ramadevi Y., Sridevi T., Poornima B., Kalyani B. Segmentation And Object Recognition Using Edge Detection Techniques, International Journal of Computer Science and Information Technology, 2010, vol. 2, pp. 153–161. DOI: 10.5121/IJCSIT.2010.2614Ramadevi Y, Sridevi T, Poornima B, Kalyani B. Segmentation And Object Recognition Using Edge Detection Techniques, International Journal of Computer Science and Information Technology. 2010;(2):153-161. DOI: 10.5121/IJCSIT.2010.2614Okunev A.G., Mashukov M.Y., Nartova A.V., Matveev A.V. Nanoparticle Recognition on Scanning Probe Microscopy Images Using Computer Vision and Deep Learning. Nanomaterials, 2020, vol. 10, no. 7, р. 1285. DOI: 10.3390/nano10071285Okunev AG, Mashukov MY, Nartova AV, Matveev AV. Nanoparticle Recognition on Scanning Probe Microscopy Images Using Computer Vision and Deep Learning. Nanomaterials. 2020;10(7):1285. doi: 10.3390/nano10071285Saha K., Borgefors G., di Baja G.S. A survey on skeletonization algorithms and their applications. Pattern Recognition Letters, 2016, vol. 76, pp. 3–12. doi: 10.1016/j.patrec.2015.04.006Saha K, Borgefors G, di Baja GS. A survey on skeletonization algorithms and their applications. Pattern Recognition Letters. 2016;(76):3-12. doi: 10.1016/j.patrec.2015.04.006Shen W. [et al.]. DeepSkeleton: Learning MultiTask Scale-Associated Deep Side Outputs for Object Skeleton Extraction in Natural Images. IEEE Transactions on Image Processing, 2016, vol. 26, pp. 5298–5311. doi: 10.1109/tip.2017.2735182Shen W. [et al.]. DeepSkeleton: Learning MultiTask Scale-Associated Deep Side Outputs for Object Skeleton Extraction in Natural Images. IEEE Transactions on Image Processing. 2016;(26):5298-5311. doi: 10.1109/tip.2017.2735182Гонсалес Р.C., Вудс Р.E. Цифровая обработка изображений. Изд. 3-е, испр. и доп. / Пер. с англ. Л.И. Рубанова, П.А. Чочиа. М.: Техносфера, 2012, 1104 с.Gonzalez RС, Woods RE. Digital image processing. Pearson Education. 2008;954 p.Sultane C., Bhalerao M., Bonde S. Character recognition based on skeletonization: a survey. International Journal of Advanced Research, 2017, vol. 5, pp. 1503– 1519. DOI: 10.21474/IJAR01/4564Sultane C, Bhalerao M, Bonde S. Character recognition based on skeletonization: a survey. International Journal of Advanced Research. 2017;(5):1503-1519. DOI: 10.21474/IJAR01/4564Russ J.C., Neal F.B. The Image Processing Handbook. CRC Press, 2017. 7th Edition. 1056 P. doi: 10.1201/b18983Russ JC, Neal FB. The Image Processing Handbook. CRC Press, 2017. 7th Edition. 1056 P. doi: 10.1201/b18983Sebastian T.B., Klein P.N., Kimia B.B. Recognition of shapes by editing their shock graphs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2024, vol. 26, no. 5, pp. 550–571. doi: 10.1109/TPAMI.2004.1273924Sebastian TB, Klein PN, Kimia BB. Recognition of shapes by editing their shock graphs. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2024;26(5):550-571. doi: 10.1109/TPAMI.2004.1273924Liu Wenping [et al.]. Distance Transform-Based Skeleton Extraction and Its Applications in Sensor Networks. IEEE Transactions on Parallel and Distributed Systems, 2013, vol. 24, no. 9, pp. 1763–1772. doi: 10.1109/TPDS.2012.300Liu Wenping [et al.]. Distance Transform-Based Skeleton Extraction and Its Applications in Sensor Networks. IEEE Transactions on Parallel and Distributed Systems. 2013;24(9):1763-1772. doi: 10.1109/TPDS.2012.300Гуляев П.В. Сегментация изображений фрагментированных реперных меток с использованием комбинированных детекторов кривизны поверхности в зондовой микроскопии / П.В. Гуляев, Е.Ю. Шелковников // Химическая физика и мезоскопия. – 2023. – Т. 25. – № 1. – С. 5–12. doi: 10.15350/17270529.2023.1.1Gulyaev PV, Shelkovnikov EY. Segmentation of Fragmented Reference Labels Images Using Combined Surface Curvature Detectors in Probe Microscopy. Chemical Physics and Mesoscopy. 2023;25(1):5-12. (In Russ.). DOI: 10.15350/17270529.2023.1.1Липанов А.М. Применение аппарата прогнозирования в сканирующих устройствах растрового типа / А.М. Липанов, Ю.К. Шелковников, М.Р. Гафаров, П.В. Гуляев // Приборы и системы. Управление, Контроль, Диагностика. – 2010. – № 7. – С. 59–64.Lipanov AM, Shelkovnikov YuK, Gafarov MR, Gulyaev PV. Application of the forecasting device in raster scanning devices. Management, Control, Diagnostics. 2010;(7):59-64. (In Russ.).Ватолин Д. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. / Д. Ватолин, А. Ратушняк, М. Смирнов, В. Юкин. – М.: Диалог-МИФИ, 2002. – 384 с.Vatolin D, Ratushnyak A, Smirnov M, Yukin V. Data compression methods. Archiver device, image and video compression. M.: Dialog-MIFI. 2002;384 p.

The authors declare that there are no conflicts of interest present.