一种改进的基于深度学习的晶体TEM图像物相划分方法技术

本发明专利技术公开一种改进的基于深度学习的晶体TEM图像物相划分方法，包括：特征区域划分部分与物相识别部分。特征区域划分部分通过滑动窗口执行快速傅里叶变换算法来生成一个四维数据，然后执行主成分分析来估计四维数据中重要成分的数量，之后采用非负矩阵分解将四维数据分解为特征矩阵和相应的系数矩阵，特征矩阵由快速傅里叶变换幅度谱构成，系数矩阵由快速傅里叶变换幅度谱对应的热力图构成。物相识别部分使用物相识别算法可以获取快速傅里叶变换幅度谱中的物相信息，对快速傅里叶变换幅度谱对应的热力图进行分析就可以得到最终的物相区域。本发明专利技术实现了晶体TEM图像物相区域的自动划分，与已有方法相比，本方法最终物相区域的边界更加准确。域的边界更加准确。域的边界更加准确。

【技术实现步骤摘要】
一种改进的基于深度学习的晶体TEM图像物相划分方法


[0001]本专利技术涉及一种透射电子显微镜(TEM)图像的自动处理方法，具体而言，包括使用滑动窗口遍历图像并计算每一个滑动窗口内的快速傅里叶变换幅度谱，生成四维数据集，机器学习方法将四维数据分解为代表特征区域的系数矩阵以及代表特征区域的快速傅里叶变换幅度谱的特征矩阵，以及通过基于深度学习方法的物相识别方法分析特征矩阵中的快速傅里叶变换幅度谱，从而完成物相区域自动划分的方法。具体为一种改进的基于深度学习的晶体TEM图像物相划分方法。

技术介绍

[0002]对于材料TEM图像的分析，目前主要依赖人工经验完成，步骤繁琐耗时耗力，为了加快材料研究的效率，如公开号为CN202211670815.1的中国专利公开了一种基于深度学习的晶体TEM图像物相区域划分方法，该方法使用深度学习与计算机视觉技术，完成了TEM图像中物相的自动识别，通过滑动窗口完成了物相区域的划分与合并，该方法实现了物相区域的自动划分，可以帮助研究人员找到感兴趣的物相的大致位置，但是通过该方法得到的物相区域边界不够精确，且该方法在细粒度分析时受到神经网络精度的影响较大，需要使用更复杂的神经网络才能保证准确的效果。又如论文《Automatic microscopic image analysis by moving window local Fourier Transform and Machine Learning》披露了一种基于机器学习的显微图像特征区域划分方法，该方法可以从电镜图像中划分出多个特征区域，以帮助研究人员寻找各特征区域之间的准确边界，但是该方法仍需要手动对各个特征区域进行分析，没有做到完全的自动化分析。

技术实现思路

[0003]为了减少材料学科研究人员手动分析TEM图像的工作量，快速帮他们找到感兴趣的物相所在的准确位置，本专利技术结合了现有方法的优势，设计了一种改进的基于机器学习的晶体TEM图像物相划分方法，该方法使用滑动窗口算法以及快速傅里叶变换算法生成一个四维数据集，并通过机器学习方法将四维数据分解为代表特征区域热力图的系数矩阵以及代表特征区域的快速傅里叶变换幅度谱的特征矩阵，通过公开号为CN202211670815.1的中国专利中公开的物相识别方法分析特征矩阵中的快速傅里叶变换幅度谱，对识别到物相的快速傅里叶变换幅度谱对应的特征区域热力图使用阈值分割算法与连通域算法获取特征区域的边界，该特征区域的边界为最终的物相区域边界，实现了晶体TEM图像物相的自动划分。
[0004]具体地，本专利技术提供了一种改进的基于机器学习的晶体TEM图像物相区域划分方法，主要包括以下步骤：S1、使用正方形的滑动窗口算法遍历TEM图像并计算每个窗口的傅里叶变换幅度谱；S2、将滑动窗口生成的所有傅里叶变换幅度谱生成为一个四维数据集；
S3、使用主成分分析方法分析所述四维数据集中重要成分的数量，重要成分的数量对应TEM图像中特征区域的数量；S4、根据所述重要成分的数量对所述四维数据集进行非负矩阵分解，该步骤会得到一个特征矩阵以及一个系数矩阵，所述特征矩阵由多张快速傅里叶变换幅度谱构成，系数矩阵由多张热力图构成，所述特征矩阵中快速傅里叶变换幅度谱的数量与所述系数矩阵中热力图的数量一致，且存在一一对应的关系；S5、使用公开号为CN202211670815.1的中国专利中公开的物相识别方法分析特征矩阵中的快速傅里叶变换幅度谱，若从某个快速傅里叶变换幅度谱识别到研究人员感兴趣的物相，则对该快速傅里叶变换幅度谱对应的热力图使用阈值分割与边缘检测算法获取到物相区域的边界。
[0005]其中，步骤S2所述的四维数据包含两个实空间维度以及两个倒空间维度，实空间维度信息代表滑动窗口在TEM图像中的位置信息，倒空间维度信息代表滑动窗口内的傅里叶变换幅度谱；步骤S3在使用主成分分析法分析重要成分数量时，需要生成一个PCA Scree Plot图，图中横坐标代表成分数量，纵坐标代表每个成分的方差占总方差的比例，比例越高该成分就越重要，通常PCA Scree Plot中会有一个明显的拐点，拐点前的成分数量为重要成分的数量；步骤S4所述的系数矩阵中的热力图在进行阈值分割与边缘检测算法前需要将热力图放大到与原TEM图像相同尺寸；步骤S5中所述物相识别方法为公开号为CN202211670815.1的中国专利中公开的物相识别方法，但是公开号为CN202211670815.1的中国专利中公开的物相区域划分方法为了准确的分割斑点提出了专门优化的神经网络，而本专利技术通过步骤S4非负矩阵分解得到的傅里叶变换幅度谱只需要简单的U
‑
Net网络就可以实现准确的分割；步骤S5所述的物相区域的边界需要通过彩色线体绘制在原TEM图像中，方便研究人员观察。
[0006]有益效果：本专利技术实现自动客观的晶体TEM图像物相区域自动划分，采用本专利技术进行TEM图像分析，可以帮助研究人员快速找到感兴趣的物相所在的区域，与公开号为CN202211670815.1的中国专利中公开的物相区域划分方法相比，本专利技术得到的物相边界更精确，在物相识别过程中不需要复杂的神经网络模型。
附图说明
[0007]图1是本专利技术图像自动处理系统大致流程示意图；图2是本专利技术所述深度学习方法使用的神经网络架构说明；图3是在划分物相边界本专利技术与已有方法以及手动分析对比结果示意图。
具体实施方式
[0008]为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本专利技术进一步详细说明。在此，本专利技术的示意性实施方式以及其说明用于解释本专利技术，但并不作为本专利技术的限定。
[0009]如图1、图2、图3所示，本专利技术提供一种改进的基于机器学习的晶体TEM图像物相划分方法，包括以下步骤：S1、使用滑动窗口遍历整个TEM图像，并计算每个窗口的快速傅里叶变换幅度谱；S2、将步骤S1中所有的快速傅里叶变换幅度谱生成一个四维数据集，当滑动窗口的边长为wSize，滑动步长为Stpe，TEM图像的宽为W，高为H时，该四维数据的尺寸为；S3、使用主成分分析方法生成所述四维数据集的PCA Scree Plot，PCA Scree Plot中通常存在一个比较明显的拐点，拐点前成分的数量代表四维数据中重要成分的数量n，代表TEM图像中保护n个特征区域；S4、根据所述重要成分的数量n设置非负矩阵分解的输出参数，使用非负矩阵分解将所述四维数据分解为一个特征矩阵和一个系数矩阵，其中特征矩阵由n张快速傅里叶变换幅度谱构成，每一张快速傅里叶变换幅度谱代表一个特征区域的物相信息，系数矩阵由n张热力图构成，每一张热力图代表其对应的快速傅里叶变换幅度谱在步骤S2所述的四维数据中的分布情况，也代表一个特征区域的范围；S5、对步骤S4生成的特征矩阵中的快速傅里叶变换幅度谱使用公开号为CN202211670815.1的中国专利中公开的物相识别方法进行物相识别，对识别到物相的快速傅里叶变换幅度谱对应的热力图使用阈值分割算法生成一张空间图，对所述空间图使用边缘检测算法获得该物相的边界，使用彩色线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的基于深度学习的晶体TEM图像物相划分方法，其特征在于：所述方法包括以下步骤：1）使用正方形的滑动窗口遍历TEM图像，并计算每个窗口内的快速傅里叶变换幅度谱；2）将步骤1）生成的快速傅里叶变换幅度谱构建为一个四维（4D）数据，所述四维数据包含两个实空间维度与两个倒空间维度，其中倒空间维度对应各个子区域的快速傅里叶变换幅度谱，实空间维度对应滑动窗口在TEM图像中的位置；3）使用主成分分析算法估计所述4D数据中的重要成分数量n，再根据重要成分的数量使用非负矩阵分解将所述4D数据分解为特征矩阵与系数矩阵，其中特征矩阵由n个快速傅里叶变换幅度谱组成，每个快速傅里叶变换幅度谱代表一种特征结构，系数矩阵与特征矩阵对应，由n个热力图构成，代表对应的特征结构在4D数据中的分布情况，所述热力图与快速傅里叶变换幅度谱存在一一对应的关系；4）使用物相识别算法对步骤3）生成的特征矩阵中的快速傅里...

【专利技术属性】
技术研发人员：张全，杨亮，白儒，彭博，周文俊，李艳，王一帆，汪崇民，吕晓雨，王顺，卿超，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：