Компьютерная дифракционная томография: сравнительный анализ применения управляемого и вейвлет-фильтров для обработки изображений

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Проведена цифровая обработка рентгеновских проекционных 2D-изображений точечного дефекта кулоновского типа в кристалле Si(111), регистрируемых детектором на фоне статистического гауссовского шума, с использованием управляемого фильтра и вейвлет-фильтра с функцией Добеши 4-го порядка. Эффективность фильтрации 2D-изображений определяется путем расчета усредненных по всем точкам относительных квадратичных отклонений интенсивностей фильтрованного и эталонного (незашумленного) 2D-изображений. Сравнение рассчитанных величин среднеквадратичных относительных отклонений интенсивностей показывает, что рассматриваемые методы работают достаточно хорошо и могут эффективно использоваться на практике для шумовой обработки рентгеновских дифракционных изображений, используемых для 3D-реконструкции наноразмерных дефектов кристаллических структур.

Полный текст

Доступ закрыт

Об авторах

В. И. Бондаренко

Институт кристаллографии им. А.В. Шубникова Курчатовского комплекса кристаллографии и фотоники НИЦ “Курчатовский институт”

Автор, ответственный за переписку.
Email: bondarenko.v@crys.ras.ru
Россия, Москва

C. C. Рехвиашвили

Институт прикладной математики и автоматизации – филиал Федерального научного центра “Кабардино-Балкарский научный центр РАН”

Email: bondarenko.v@crys.ras.ru
Россия, Нальчик

Ф. Н. Чуховский

Институт кристаллографии им. А.В. Шубникова Курчатовского комплекса кристаллографии и фотоники НИЦ “Курчатовский институт”; Институт прикладной математики и автоматизации – филиал Федерального научного центра “Кабардино-Балкарский научный центр РАН”

Email: bondarenko.v@crys.ras.ru
Россия, Москва; Нальчик

Список литературы

  1. Asadchikov V., Buzmakov A., Chukhovskii F. et al. // J. Appl. Cryst. 2018. V. 51. P. 1616. https://doi.org/10.1107/S160057671801419X
  2. Danilewsky A.N., Wittge J., Croell A. et al. // J. Cryst. Growth. 2011. V. 318. P. 1157. https://doi.org/10.1016/j.jcrysgro.2010.10.199
  3. Danilewsky A., Helfen L., Hamann E., Baumbach T. // Phys. Rev. Lett. 2017. V. 119. P. 215504. https://doi.org/10.1103/PhysRevLett.119.215504
  4. Chukhovskii F.N., Konarev P.V., Volkov V.V. // Acta Cryst. A. 2020. V. 76. P. 16. https://doi.org/10.1107/S2053273320000145
  5. Бондаренко В.И., Конарев П.В., Чуховский Ф.Н. // Кристаллография. 2020. Т. 65. № 6. С. 845. https://doi.org/10.31857/S0023476120060090
  6. Chukhovskii F.N., Konarev P.V., Volkov V.V. // Crystals. 2023. V. 13. P. 561. https://doi.org/10.3390/cryst13040561
  7. Yang W., Hong J.-Y., Kim J.-Y. et al. // Sensors. 2020. V. 20. P. 3063. https://doi.org/10.3390/s20113063
  8. Hendriksen A.A., Bührer M., Leone L. et al. // Sci. Rep. 2021. V. 11. P. 11895. https://doi.org/10.1038/s41598-021-91084-8
  9. Liu N., Schumacher T. // Sensors. 2020. V. 20. P. 1423. https://doi.org/10.3390/s20051423
  10. Hamming R.W. Numerical Methods for Scientists and Engineers. Dover Publications, 2012. 752 p.
  11. He K., Sun J., Tang X. // IEEE Trans. Pattern Anal. Machine Intell. 2013. V. 35. № 6. P. 1397. https://doi.org/10.1109/TPAMI.2012.213
  12. Karumuri R., Kumari S.A. // IEEE2nd International Conference on Communication and Electronics Systems (ICCES), 2017. p. 545. https://doi.org/10.1109/CESYS.2017.8321137
  13. Li Z., Zheng J., Zhu Z. et al. // IEEE Trans. Image Process. 2015. V. 24. P. 120. https://doi.org/10.1109/TIP.2014.2371234
  14. Caraffa L., Tarel J.P., Charbonnier P. // IEEE Trans. Image Process. 2015. V. 24. № 4. P. 1199. https://doi.org/10.1109/TIP.2015.2389617
  15. Ham B., Cho M., Ponce J. // IEEE Trans. Pattern Anal. Mach. Intell. 2018. V. 40. № 1. P. 192. https://doi.org/10.1109/TPAMI.2017.2669034
  16. Sun Z., Han B., Li J. et al. // IEEE Trans. Image Process. 2020. V. 29. P. 500. https://doi.org/10.1109/TIP.2019.2928631
  17. Pham C.C., Ha S.V.U., Jeon J.W. // Pacific-Rim Symp. on Image and Video Technology, Gwangju, Republic of Korea. 2011. P. 323. https://doi.org/10.1007/978-3-642-25367-6_29
  18. Pham C.C., Jeon J.W. // 19th IEEE Int. Conf. on Image Processing. Orlando, FL, USA. 2012. P. 993. https://doi.org/10.1109/icip.2012.6467522
  19. Tsai C.L., Tu W.C., Chien S.Y. // IEEE Int. Conf. on Image Processing (ICIP), Québec City, Québec, Canada. 2015. P. 43. https://doi.org/10.1109/ICIP.2015.7350756
  20. Zhang Y.Q., Ding Y., Liu J. // IET Image Process. 2013. V. 7. № 3. P. 270. https://doi.org/10.1049/iet-ipr.2012.0351
  21. Shujin Zhu, Zekuan Yu // IET Image Process. 2020. V. 14. № 11. P. 2561. https://doi.org/10.1049/iet-ipr.2019.1471
  22. Рехвиашвили С.Ш. // Письма в ЖТФ. 2002. Т. 28. № 6. С. 46.
  23. Потапов А.А., Рехвиашвили С.Ш. // ЖТФ. 2018. Т. 88. № 6. С. 803. https://doi.org/10.21883/JTF.2018.06.46008.2159
  24. Mallat S. A Wavelet Tour of Signal Processing. The Sparse Way. 3rd Edition. Academic Press, 2008. 832 p.
  25. Дремин И.М., Иванов О.В., Нечитайло В.А. // Успехи физ. наук. 2001. Т. 171. № 5. С. 465. https://doi.org/10.3367/UFNr.0171.200105a.0465
  26. Welstead S. Fractal and Wavelet Image Compression Techniques. SPIE Publications, 1999. 254 p.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Зависимость RMS от параметра подавления шума  для изображений 16 × 16 и 32 × 32.

Скачать (95KB)
Метаданные
3. Рис. 2. Спектры коэффициентов вейвлет-преобразования изображений: 1 – эталонные, 2 – зашумленные. Пунктирными линиями отмечены уровни подавления шума.

Скачать (393KB)
Метаданные
4. Рис. 3. Изображения 32 × 32: эталонное (а), зашумленное (б), вейвлет-фильтр, параметр  = 0.75 (в), управляемый фильтр, параметры ρ = 1, ε = 0.4 (г).

Скачать (122KB)
Метаданные
5. Рис. 4. Изображения 32 × 32. Профили интенсивности (а)–(г) вдоль отрезков, обозначенных на рис. 3а цифрами 1–4 соответственно. Сплошная линия – эталонное, штриховая – зашумленное, штрихпунктирная – вейвлет-фильтрации, точечная – управляемый фильтр.

Скачать (351KB)
Метаданные
6. Рис. 5. Изображения 16 × 16: эталонное (а), зашумленное (б), вейвлет-фильтр, параметр  = 0.8 (в), управляемый фильтр, параметры ρ = 1, ε = 0.5 (г).

Скачать (117KB)
Метаданные
7. Рис. 6. Изображения 16 × 16. Профили интенсивности (а)–(г) вдоль отрезков, обозначенных на рис. 5 цифрами 1–4 соответственно. Сплошная линия – эталонное, штриховая – зашумленное, штрихпунктирная – вейвлет-фильтрации, точечная – управляемый фильтр.

Скачать (349KB)
Метаданные

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».