[发明专利]一种基于深度学习的晶体TEM图像物相区域划分方法

说明书

本发明公开一种基于深度学习的晶体TEM图像物相区域划分方法，包括：滑动窗口与深度学习部分，物相识别部分和区域合并部分。滑动窗口将原图划分为多个区域，深度学习部分提出了LCA‑Unet模型用于提取TEM图像各个区域的傅里叶变换幅度谱中的亮点，物相识别部分中可以识别出各个区域内可能包含的物相，区域合并部分将包含相同物相的区域合并，并描绘物相区域的边界。该方法可实现晶体TEM图像中物相区域的自动划分，可以有效的避免研究人员陷入繁琐的手动分析任务中。

技术领域

本发明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，包括滑动窗口划分区域并计算快速傅里叶变换幅度谱，深度学习提取快速傅里叶变换幅度谱中的亮点及计算机视觉处理方法用于图像中物相识别及后续物相区域展示的方法；具体为一种基于深度学习的晶体TEM图像物相区域划分方法。

背景技术

材料的微观结构是决定材料性能的关键因素，主要受成分和制备工艺的影响，而透射电子显微镜(TEM)是研究材料结构和组成的一种有用技术。近年来，材料科学与工程的进步促进了透射电子显微镜及其相关技术的快速发展。为了快速分析原位TEM生成的大量的TEM图像数据，提高材料研究的效率，亟需引入快速自动化的电子显微镜数据图像处理方法。

原位TEM是研究晶体材料的重要手段，在分析TEM图像时，需要专业人士利用专业软件(如Digital Micrograph)分区域进行分析，区域的选择以及分析完全依赖人工经验，工作繁琐且费时费力。因此利用计算机技术对原位TEM产生的大量图像进行处理和分析，可以加快实验进程，提高实验效率。

采用傅里叶变换辅助分析TEM图像是一种重要的分析手段，傅里叶变换可以将空域中的TEM图像转换到频率域中，当TEM图像包含晶格条纹时，其FFT幅度谱图像将显示一个倒易点阵来表示晶体结构特征。如果对整个图像进行FFT分析，反映的是全局情况，但有时研究人员只对局部区域感兴趣，使用滑动窗口将整个TEM图像划分为多个区域能够在空间维度上反映局部特征。

为了分析TEM图像中的晶体物相信息，分析对应的倒易点阵是一种常用的方法。近十年来，深度学习在图像处理和分析领域发展迅速，取得了巨大的成功，利用深度学习中的语义分割网络U-Net可以将FFT图像中的倒易点阵分割出来，但分割精度不足。

发明内容

为了提高语义分割网络U-Net分割的精度，本发明在U-Net网络的基础上加入一个融合了注意力机制思想的跨层特征融合模块，设计了一种LCA-Unet深度学习语义分割网络对TEM图像傅里叶变换后的幅度谱图像进行亮点分割，采用灰度质心算法计算每一个亮点的坐标，并通过计算机视觉技术实现自动物相识别。使用滑动窗口自动的划分区域进行分析，并采用改进的区域甚至算法进行区域合并，最终实现了自动晶体TEM图像物相区域划分。

具体地，本发明提供了一种基于深度学习的晶体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将TEM图像划分为多个区域，计算每个区域的傅里叶变换幅度谱并使用图像增强算法突出图像中的亮点；

S2、使用深度学习方法对傅里叶变换幅度谱图像中的亮点进行分割，获得亮点分割图像；

S3、在所述亮点分割图像包含多对亮点情况下，使用灰度质心算法计算每一个亮点的坐标，并基于中心对称原则进行亮点配对分组（中心亮点不参与配对），后续只需要计算每对亮点中的一个即可，该亮点被称为保留亮点；

S4、对所述保留亮点进行计算机视觉处理，自动测量对应的晶格间距；

S5、建立标准PDF卡片数据库，与所述晶格间距进行比对，统计每个区域内每个亮点可能代表的晶面并记录匹配到晶面的亮点的坐标以及对应的晶面指数；