基于卷积神经网络的原子力显微镜图像盲复原方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110706173A(43)申请公布日2020.01.17(21)申请号201910920985.2(22)申请日2019.09.27(71)申请人中国计量大学地址310018浙江省杭州市下沙高教园区学源街258号(72)发明人胡佳成颜迪新施玉书黄鹭李东升(51)Int.Cl.G06T5/00(2006.01)G06T5/30(2006.01)权利要求书2页说明书5页附图3页(54)发明名称基于卷积神经网络的原子力显微镜图像盲复原方法(57)摘要本发明公开了一种基于卷积神经网络的原子力显微镜图像盲复原方法，具体实施内容为：本发明方法首先利用数学形态法中的腐蚀算法生成仿真训练样本，然后通过U-Net子网络从样本中提取针尖卷积效应的特征向量，利用自适应正则化模型进行预训练，最后把针尖卷积信息引入到U-Net卷积神经网络通过真实测量样本训练，采用梯度下降算法得到最终模型实现图像盲复原的方法，算法具有创新性且鲁棒性佳，同时简单实用，精度高。CN110706173ACN110706173A权利要求书1/2页1.基于卷积神经网络的原子力显微镜图像盲复原方法，其特征在于，具体按照以下步骤实施：步骤1：利用灰度形态法获取仿真样本；步骤2：将仿真样本引入卷积神经网络U-Net子网络进行特征向量提取；步骤3：对原子力显微镜探针针尖表面卷积效应的特征向量采用自适应正则化模型进行预训练；步骤4：将原子力显微镜真实测量样本引入U-Net网络，训练重用模型；步骤5：调整U-Net模型，采用Huber损失函数和AdamOptimizer梯度下降算法得到最终模型；步骤6：对原子力显微镜测量图像调用模型，精准输出盲复原图像；至此，实现了原子力显微镜图像的盲复原，即成。2.根据权利要求1所述的基于卷积神经网络的原子力显微镜图像盲复原方法，其特征在于，所述的步骤1中，具体按照以下过程实施：先用单值函数S(x,y)表示真实样本表面，t(x,y)表示原子力显微镜探针针尖表面，I(x,y)表示针尖表面对样本表面扫描的图像输出，根据原子力显微镜探针扫描样本原理，设置探针针尖结构参数锥角θ曲率半径R最大高度H，仿真样本结构参数线宽a高度b，通过上式利用灰度形态学膨胀操作仿真样本。3.根据权利要求1所述的基于卷积神经网络的原子力显微镜图像盲复原方法，其特征在于，所述的步骤2中U-Net网络结构如下所示：U-Net网络结构包括一个收缩路径和一个扩展路径，其中使用到了卷积层、池化层与转置卷积层，卷积层采用3×3大小的卷积核，卷积步幅为1，填充值为1，激活函数采用ReLU函数，池化层采用步幅为2的2×2最大池化下采样，收缩路径由两个卷积层和一个池化层交替应用，转置卷积层采用了一个特征谱的上采样，以及一个2×2卷积核使得特征数量通道减半，扩张路径由一个转置卷积层和两个卷积层和重复应用，最后一个卷积层采用1×1大小的卷积核，卷积步幅为1，填充值为1，激活函数采用ReLU函数，使得输入图像与输出图像大小一致，收缩路径和扩张路径之间未采用concat层。4.根据权利要求1所述的基于卷积神经网络的原子力显微镜图像盲复原方法，其特征在于，所述的步骤3中自适应正则化模型如下所示：2CN110706173A权利要求书2/2页该模型中p值选取根据失真图像I来选取。5.根据权利要求1所述的基于卷积神经网络的原子力显微镜图像盲复原方法，其特征在于，所述的步骤4中，真实样本训练U-Net网络为重用模型，源于仿真样本训练U-Net子网络生成的开发源模型，基于探针针尖表面卷积效应特征向量参数共享进行迁移学习训练。6.根据权利要求1所述的基于卷积神经网络的原子力显微镜图像盲复原方法，其特征在于，所述的步骤5中Huber损失函数如下所示：所述的AdamOptimizer梯度下降算法如下所示：3CN110706173A说明书1/5页基于卷积神经网络的原子力显微镜图像盲复原方法技术领域[0001]本发明涉及微纳测量技术领域，涉及一种基于卷积神经网络的原子力显微镜图像盲复原方法。背景技术[0002]纳米计量是纳米产业发展的基础，纳米几何特征参量计量标准器是纳米计量的基石，是量值传递的关键载体。纳米几何特征参量标准器在成功制备后，必须经过校准定值才能作为计量标准器用于量值传递，因此纳米几何参量特征参量的计量校准能力直接决定了标准器的量值准确性和溯源性。原子力显微镜(AFM)作为纳米技术研究领域的主要工具，具有三维成像和纳米尺度高分辨率等优点。然而，AFM探针具有形状和尺寸，在成像时与样品表面形貌通过范德华力(VanderWaals)进行耦合作用生成图像，因此在样品表面形貌边缘图像产生了明显的失真现象。[0003]从数学形态学角度看，AFM图像是