Коррекция влияния помех на результаты зондовой микроскопии вытянутых объектов с использованием прогнозных оценок рельефа

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.

1. Persky 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: 10.1063/1.5051620

2. Eaton P., West P. Atomic Force Microscopy. Oxford university press, 2010. doi: 10.1093/acprof:oso/9780199570454.001.0001

3. Ronneberger 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_28

4. Ramadevi 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.2010.2614

5. Okunev 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/nano10071285

6. Saha 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.2015.04.006

7. Shen 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.2017.2735182

8. Гонсалес 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.

9. 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/IJAR01/4564

10. Russ J.C., Neal F.B. The Image Processing Handbook. CRC Press, 2017. 7th Edition. 1056 P. doi: 10.1201/b18983

11. Sebastian 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.2004.1273924

12. Liu 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.2012.300

13. Гуляев 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: 10.15350/17270529.2023.1.1

14. Липанов 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.

15. 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.