劉科 鐘志成

摘 要： 對掃描電子顯微鏡圖像特征進行提取在提高顯微鏡圖像利用率方面具有重要意義。傳統(tǒng)提取方法主要通過模板匹配與遺傳算法對特征進行提取，存在提取精度低、耗時長的問題。因此，提出基于閾值篩選的掃描電子顯微鏡圖像的特征提取方法。先對影響掃描電子顯微鏡圖像采集的掃描電路和采集部件進行分析，確定采集圖像的準確性；根據(jù)特征向量相似性預提取圖像特征，通過閾值篩選確定特征點位置實現(xiàn)對掃描電子顯微鏡圖像特征的提取；以提取準確度和耗時為指標進行實驗驗證。實驗結果表明，采用改進方法相比傳統(tǒng)方法提取準確度提高了32.3%，耗時縮短了69.1 s。

關鍵詞： 掃描電子顯微鏡； 圖像采集； 遺傳算法； 特征提??； 閾值篩選； 實驗驗證

中圖分類號： TN911.73?34； TP391.41 文獻標識碼： A 文章編號： 1004?373X（2018）22?0068?04

Abstract： The feature extraction of scanning electron microscope （SEM） images is of great significance in the aspect of utilization rate improvement of microscope images. In the traditional extraction method， feature extraction is conducted mainly by means of template matching and genetic algorithm， which has the problems of low extraction precision and large time?consumption. Therefore， a feature extraction method based on threshold selection is proposed for SEM images. The scanning circuit and acquisition components that affect the acquisition of SEM images are analyzed to determine the accuracy of collected images. The image features are pre?extracted according to the similarities of feature vectors. The feature point position is determined by means of threshold selection to realize feature extraction of SEM images. A verification experiment was carried out， taking the extraction accuracy and time consumption as indexes. The experimental results show that， in comparison with the traditional method， the improved method can improve the extraction accuracy of 32.3%， and reduce the time consumption of 69.1 s.

Keywords： SEM； image acquisition； genetic algorithm； feature extraction； threshold selection； experiment verification

0 引 言

掃描電子顯微圖像是掃描電子顯微鏡依據(jù)高能電子及物質之間相互作用時不同信息形成機理，使用不一樣的信息檢測器收集信息，獲得物質的微觀形貌，以圖像的形式進行表現(xiàn)[1]。隨著近幾年計算機領域里圖像處理技術的不斷發(fā)展，顯微鏡隨著圖像采集卡和計算機接口技術的發(fā)展而被提出并且快速發(fā)展。傳統(tǒng)顯微鏡多使用在教學及科研中，從一開始經(jīng)過在三目頭上加裝模擬攝像機來達到最初顯微鏡像可視化的目的，到現(xiàn)在數(shù)字攝像機實現(xiàn)顯微圖像高清晰度輸出，使得掃描電子顯微鏡圖像特征提取成為現(xiàn)實。所以目前掃描電子顯微鏡圖像特征提取方法的研究成為一個非?；馃岬母拍頪2]。在遠程醫(yī)學會診系統(tǒng)里要求遠程專家可以實時獲得顯微鏡下標本圖像，并可以遠程進行顯微鏡的軸向移動、物鏡倍數(shù)轉變等操作，增加圖像的分辨率，提高圖像特征獲取結果。圖像傳感器和計算機接口技術的革新是顯微鏡發(fā)展的根本，雖然掃描電子顯微鏡成像的理念很簡單，但過去由于受到圖像傳感器分辨率、采集率和計算機接口傳輸速率的限制，使得掃描電子顯微鏡圖像特征的提取不具有高可用性。

傳統(tǒng)特征提取方法首先依據(jù)視覺選取特性定義新的結構元，并且建立連通粒屬性和分層統(tǒng)計模型；然后經(jīng)過顏色轉變及結構元匹配形成對應的映射子圖，從中獲取統(tǒng)計結構元與連通性特征向量；最后采用自適應向量融合模型將各分量合并成為一組特征向量用于圖像特征提取[3]。但該方法存在特征提取耗時長的問題。

針對上述問題的產(chǎn)生，提出基于閾值篩選的掃描電子顯微鏡圖像的特征提取方法。實驗結果表明，采用改進方法相比傳統(tǒng)方法提取準確度提高，耗時縮短，具有一定的優(yōu)勢。

1 掃描電子顯微鏡圖像采集部分設計

在對掃描電子顯微鏡圖像特征進行提取時，其掃描電子顯微鏡圖像的掃描電路及圖像采集部分均影響特征提取方法的實施，需對其進行研究分析，再以此為基礎進行特征提取方法的優(yōu)化。

1.1 掃描電路設計

掃描電路設計是獲取掃描電子顯微鏡圖像的基礎。掃描信號產(chǎn)生模塊的核心部件由一個用于生成掃描信號的THS5671高速數(shù)/模轉換器和一個用于生成幀掃描信號的THS5671高速數(shù)/模轉換器共同組成。由該掃描信號產(chǎn)生模塊構成的掃描電路設計是獲取掃描電子顯微鏡圖像的基礎[4]。由于THS5671輸出的是0～20 mA的線性電流掃描信號，因此要將其轉換成電壓信號并進行適當?shù)姆糯蠛?，才可以將掃描到的信號送入信號放大模塊。THS5671輸出的電流信號通過雙路校準高精密運算放大器TLC4502D轉換成電壓信號。具體的過程見圖1。

THS5671輸出電流信號從圖中的A點進入，經(jīng)過TLC4502后到達B點并轉換成0～1.2 V電壓信號，再經(jīng)過TLC4502的另一條路到達C點并被放大成0～4.8 V的電壓信號，最后被送到數(shù)字電位器[5]。

1.2 圖像采集部分設計

為了增加圖像特征提取方法的靈活性，采用在線可編程器件對掃描電子顯微鏡圖像進行采集，再把各關鍵性能進行模塊化處理，經(jīng)過相同的接口進行圖像傳遞。圖像采集構造如圖2所示。

經(jīng)CCD的圖像信號與同步信號通過前端信號處理模塊，對信號進行調理及A/D轉變后，再經(jīng)總線驅動由標準接口傳輸?shù)綀D像采集卡，通過圖像整理后在緩存區(qū)進行緩存[6]，再通過CPU控制經(jīng)過PCI總線存入磁盤陣列中，并傳送到輸出設備進行實時顯示。

2 掃描電子顯微鏡圖像特征提取分析

在對掃描電子顯微鏡圖像特征進行提取過程中，首先對圖像特征進行預提取及處理，根據(jù)處理結果進行特征點的位置確認，實現(xiàn)掃描電子顯微鏡圖像特征的提取。

2.1 圖像特征預提取及處理

在獲取掃描電子顯微鏡圖像的基礎上，對圖像進行相應的匹配處理，即搜查拍攝同一場景或物體圖像間的關聯(lián)性[7]，是圖像特征預提取方法的重要階段，圖像匹配效果會直接干擾變換矩陣求解，從而降低特征提取準確度。具體步驟如下：

1） 提取特征點。在特征點提取過程中，主要分成2部分進行提取，即低層特征提取和高層特征提取。低層特征提取主要包括圖像形狀、顏色、紋理、結構方面特征提?。桓邔犹卣髦攸c是對其空間特征的提取[8]。

2） 特征點描述主要為建立特征向量，特征描述符則是先對圖像的邊緣、輪廓等局部特征進行檢測，按照提取目標的需要，以特征為標準進行組合、變換，從而形成穩(wěn)定的、方便提取的特征向量，將原本的圖像匹配問題先轉變?yōu)樘卣髌ヅ鋯栴}，最終轉化為圖像空間特征兩項聚類問題[9]。圖像具體有哪些特征能夠參與到匹配環(huán)節(jié)，哪些特征將被忽略不計，都是由特征空間的選擇決定的。為了盡量減少受到攝像機的運動或光照變化等因素的影響，特征點的描述符應該保持不變的。確定好合適的特征空間，往往能夠確保匹配算法速度、穩(wěn)健性不受到各類圖像變化因素的影響。

3） 對特征點進行檢測。檢測的特征點通常是局部極值點，是一種屬于灰度變化的局部極值點。該特征點的結構性信息明顯[10]，雖然這類特征點直觀視覺意義不大，但是卻在某種尺度和角度上帶有大量便于特征提取的信息。

4） 候選特征點通過生成描述算子，并進行特征匹配的方式獲得。特征選擇的依據(jù)是特征向量的相似性，通常運用各種距離函數(shù)對特征的相似性進行度量。

5） 錯誤特征消除和提純。不管使用哪種特征描述符及相似性判定度量，均會存在特征提取錯誤的問題?？梢罁?jù)幾何或光度的約束信息對候選特征點里存在的錯誤特征進行消除[11]。為了去除特征提取結果的誤差，采用改進的魯棒變換估計算法進行特征點提純。

圖像特征預提取及處理如圖3所示。

在圖像特征預提取和處理過程中進行多幅顯微鏡圖像特征提取時，對提取步驟進行重復操作，每次均把前一次獲取的圖像特征當作參考特征，與下一個提取的圖像特征為對比，直到完成整個圖像特征提取。

2.2 圖像特征點位置確認

在對特征進行預提取和處理的基礎上，確定特征點位置，實現(xiàn)特征點的準確提取。主要步驟為：首先經(jīng)過閾值篩選對圖像特征進行濾波響應分析；然后通過閾值篩選得到的點對非極大值進行抑制處理，即把每一個經(jīng)過篩選的點和其同尺度鄰近像素點、上下鄰近尺度各點進行比較如圖4所示，獲取滿足閾值條件并且是局部極大值的特征點；最后，通過特征點臨近像素插值獲取尺度及空間上亞像素特征點，并將Hessian行列式Taylor級數(shù)展開消除高次項，對其求導得到極值點X的解，即得到穩(wěn)健的特征點。

3 實驗結果分析

為了驗證改進方法在掃描電子顯微鏡圖像特征提取方面的有效性及可行性，以提取結果的準確度及耗時為指標，以傳統(tǒng)提取方法為對比，進行實驗對比分析。結果如圖5、圖6所示。

在特征量不定的情況下，采用傳統(tǒng)方法時，其準確度隨著特征量的增加，出現(xiàn)下降的趨勢，雖然在特征量為1 600后出現(xiàn)上升的現(xiàn)象，但整體準確度依然不高，約為51.4%；采用改進方法時，其準確度隨著特征量的增加，逐漸提高，未出現(xiàn)下降趨勢，整體準確度約為83.7%，相比傳統(tǒng)方法提高約32.3%，具有一定的優(yōu)勢。

在特征量不定的情況下，采用傳統(tǒng)方法時，其耗時隨著特征量的增加快速上升，雖然多次出現(xiàn)下降的趨勢，但隨后又快速出現(xiàn)上升現(xiàn)象，整體耗時較長，約為93.7 s；采用改進方法時，其提取所用時間隨著特征量的增加，出現(xiàn)上升和下降的現(xiàn)象，具有一定的波動，但整體較為穩(wěn)定，耗時約24.6 s，比傳統(tǒng)方法降低約69.1 s，具有一定的優(yōu)勢。

4 結 論

針對傳統(tǒng)方法一直存在特征提取準確度低、耗時長的問題，提出基于閾值篩選的掃描電子顯微鏡圖像的特征提取方法。實驗結果表明，采用改進方法相比傳統(tǒng)方法提取準確度提高32.3%，耗時縮短69.1 s。

參考文獻

[1] 王永東.使用掃描電鏡圖像研究成層土的微觀數(shù)字特征[J].地下空間與工程學報，2016，12（z1）：147?151.

WANG Yongdong. Research on the Microscopic digital features of layered soil with scanning electron microscopy images [J]. Chinese journal of underground space and engineering， 2016， 12（S1）： 147?151.

[2] 謝永華，范文曉.基于多尺度空間子帶共生矩描述子的花粉圖像特征提取方法研究[J].科學技術與工程，2016，16（34）：92?96.

XIE Yonghua， FAN Wenxiao. Pollen image feature extraction method based on sub?band co?occurrence matrix descriptor in multi?scale space [J]. Science technology and engineering， 2016， 16（34）： 92?96.

[3] 牛耕.基于激光掃描的殘缺指紋圖像特征提取技術研究[J].激光雜志，2017，38（11）：109?112.

NIU Geng. Research on feature extraction of incomplete fingerprint image based on laser scanning [J]. Laser journal， 2017， 38（11）： 109?112.

[4] 陳烽.超分辨率數(shù)字圖像特征提取及重構方法研究[J].科學技術與工程，2017，17（11）：255?259.

CHEN Feng. Super resolution digital image feature extraction and reconstruction methods [J]. Science technology and engineering， 2017， 17（11）： 255?259.

[5] 王慶，唐濤，項德良，等.基于梯度比率的SAR圖像局部特征提取方法研究[J].智能系統(tǒng)學報，2017，12（3）：286?292.

WANG Qing， TANG Tao， XIANG Deliang， et al. Research on local feature extraction of SAR images based on gradient ratio [J]. CAAI transactions on intelligent systems， 2017， 12（3）： 286?292.

[6] 鮑雪晶，戴仕杰，郭澄，等.基于插值的共焦顯微鏡非線性畸變失真圖像校正[J].紅外與激光工程，2017，46（11）：57?63.

BAO Xuejing， DAI Shijie， GUO Cheng， et al. Nonlinear distortion image correction from confocal microscope based on interpolation [J]. Infrared and laser engineering， 2017， 46（11）： 57?63.

[7] 張展，楊東升.圓周二進制描述符的圖像點特征提取方法[J].計算機輔助設計與圖形學學報，2017，29（8）：1465?1476.

ZHANG Zhan， YANG Dongsheng. Image point feature extraction algorithm of circumferential binary descriptor [J]. Journal of computer?aided design & computer graphics， 2017， 29（8）： 1465?1476.

[8] 趙麗，黃惠芬.紅外光圖像采集及其特征提取技術的研究[J].激光雜志，2017，38（7）：94?97.

ZHAO Li， HUANG Huifen. Research on infrared image acquisition and feature extraction technology [J]. Laser journal， 2017， 38（7）： 94?97.

[9] 余伶俐，夏旭梅，周開軍，等.基于仿生視覺的圖像RST不變屬性特征提取方法[J].儀器儀表學報，2017，38（4）：985?995.

YU Lingli， XIA Xumei， ZHOU Kaijun， et al. RST?invariant feature extraction method inspired by bionic visual perception [J]. Chinese journal of scientific instrument， 2017， 38（4）： 985?995.

[10] 尤鴻霞，黃艷艷.耳紋圖像特征的三維識別技術研究[J].現(xiàn)代電子技術，2017，40（22）：91?94.

YOU Hongxia， HUANG Yanyan. Research on 3D recognition technology of ear print image feature [J]. Modern electronics technique， 2017， 40（22）： 91?94.

[11] 戴輝，姜紅巖，許愛娥.扁平疣皮膚鏡和反射式共聚焦顯微鏡圖像特征分析[J].中華皮膚科雜志，2017，50（7）：524?526.

DAI Hui， JIANG Hongyan， XU Aie. Analysis of dermoscopy and reflectance confocal microscopy features of verruca plana [J]. Chinese journal of dermatology， 2017， 50（7）： 524?526.