CN102831596A - 基于数学形态学的量子点检测方法 - Google Patents
基于数学形态学的量子点检测方法 Download PDFInfo
- Publication number
- CN102831596A CN102831596A CN2012102322227A CN201210232222A CN102831596A CN 102831596 A CN102831596 A CN 102831596A CN 2012102322227 A CN2012102322227 A CN 2012102322227A CN 201210232222 A CN201210232222 A CN 201210232222A CN 102831596 A CN102831596 A CN 102831596A
- Authority
- CN
- China
- Prior art keywords
- quantum dot
- image
- quantum
- method based
- substrate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
一种基于数学形态学的量子点检测方法,包括如下步骤:步骤1:对原始量子点图像做预处理,增强图像对比度;步骤2:利用带标记的分水岭分割方法对量子点图像进行初步分割,使每个量子点划分到不同的区域;步骤3:将量子点从各自区域中提取出来;步骤4:对提取出来的每个量子点去除衬底;步骤5:得到去除衬底后的量子点,对每个量子点进行标记,提取量子点的各几何形貌特征参数,完成量子点检测。该方法能有效分割出量子点边界,准确提取量子点,快速统计量子点的各几何形貌参数;具有对背景噪声不敏感的优点。
Description
技术领域
本发明涉及图像处理技术领域,特别是一种基于数学形态学的量子点检测方法。
背景技术
以量子点为代表的半导体纳米结构有着重要的应用前景。而量子点的形状,几何尺寸,密度等都是很重要的材料参数,对器件性能有很大的影响,获得这些数据对器件研究有着重大的意义。目前,对这些重要材料参数的检测和评价,都是在较大半导体表面对大数量的量子点进行统计测量,获得测量的平均结果。而量子点尺寸,几何形貌等不均匀性会掩盖许多量子点独特的量子物理特性,而这些量子物理特性又是构筑许多纳米光电子器件及单电子器件的基础。
目前,表征量子点表面形貌最常用的手段是原子力显微镜(AFM),比如说量子点的高度的提取,如果仅以量子点顶点的高度直接测量值作为量子点的高度,那样的结果是十分粗糙的,误差很大。而AFM给出的数据的测量基准是所有采样点的高度的平均值,所以测量的高度值完全依赖于这个平均值基准。
虽然AFM设备具有一般颗粒检测算法,但是由于基准衬底高度的变化,AFM针尖在平衡位置附近振动等问题,迄今为止,还没能全自动地精确的测量量子点的尺寸,形状,密度等工具,必须依赖手工或者半手工方式。然而手工或者半手工测量量子点大小强烈地依赖于测量者的经验,在决定量子点的大小的过程中,存在诸多产生错误结果的可能性,因此我们需要更可靠的,不依赖于测量者经验判断的方法,实现全自动地精确测量量子点形状,尺寸,密度等几何形貌参数。
近年来,AFM硬件技术的进步使AFM在分辨精度和测量速度方面都有了打的提升。另一方面,随着图像处理技术的发展,为更精确地分析和解读样本表面几何形貌提供了可能。但是到目前为止,绝大部分的AFM的图像增强工作都是采用手工操作离线处理模式,其主要方法是采用专业图像处理软件系统综合应用各种空域和频域滤波技术。而这些方法都只是在AFM中引入数据处理技术,并不是以数据分析为基础,不能正确分析和评价AFM测量各种影响因素的分布,增加了测量的不确定度,同时减小了测量结果的可信性。本专利基于数学形态学方法,以分析AFM原始数据为基础,研究AFM数据中几何形貌信息的提取,实现量子点等颗粒的自动分析和几何形貌参数的计算。
发明内容
本发明的目的在于,提出一种基于数学形态学的量子点检测方法,以分析AFM原始数据为基础,实现量子点等颗粒的自动分析和几何形貌参数的计算。该方法能有效分割出量子点边界,准确提取量子点,快速统计量子点的各几何形貌参数;具有对背景噪声不敏感的优点。
本发明提供一种基于数学形态学的量子点检测方法,包括如下步骤:
步骤1:对原始量子点图像做预处理,增强图像对比度;
步骤2:利用带标记的分水岭分割方法对量子点图像进行初步分割,使每个量子点划分到不同的区域;
步骤3:将量子点从各自区域中提取出来;
步骤4:对提取出来的每个量子点去除衬底;
步骤5:得到去除衬底后的量子点,对每个量子点进行标记,提取量子点的各几何形貌特征参数,完成量子点检测。
从上述技术方案可以看出,本发明具有以下技术效果:
1、本发明提供的基于数学形态学的量子点检测方法,对AFM针尖在平衡位置附近振动,衬底基准高度变化等多种噪声的干扰有较强的容错性和抗干扰性,测量准确度较高。
2、本发明提供的基于数学形态学的量子点检测方法,提取量子点过程中采用原始量子点高度减去边界上高度的中值的方法提取量子点,能更大程度上得到量子点真实高度,减小因量子点粘连而导致的量子点提取误差。
3、本发明提供的基于数学形态学的量子点检测方法,对有粘连的量子点仍有很好的统计结果。
4、本发明提供的基于数学形态学的量子点检测方法,采用数学形态学方法提取量子点,过程简单,计算速度快。
附图说明
为进一步说明本发明的技术内容,以下结合附图及实施案例对本发明详细说明如后,其中:
图1是本发明提供的一种基于数学形态学的量子点检测方法的具体实施步骤;
图2是本发明提供的利用带标记的分水岭分割方法对量子点图像进行初步分割的具体实施步骤;
图3是本发明实施案例中的实验样本,为待处理的原始AFM图像;
图4是本发明实施案例中增强处理后的AFM图像;
图5是本发明实施案例中得到的量子点分割结果;
图6是本发明实施案例中量子点提取结果。
具体实施方式
如图1所示,本发明提供的一种基于数学形态学的量子点检测方法,包括如下步骤:
步骤101:对原始量子点图像做预处理,增强图像对比度。
图像增强方法采用形态学高帽变换和低帽变换相结合的方法对图像进行增强预处理。高帽变换是原始图像与其开运算之差。因为开运算用来去除比结构元更小的亮点,同时保持灰度级和较大亮区特性的相对不变,因此高帽变换后的图像能体现图像的原始图像的灰度峰值。相反,低帽变换是原始图像与其闭运算之差。因为闭运算操作消除与结构元素相比尺寸较小的暗细节,而保持图像整体灰度值和大的暗区域基本不受影响,因此低帽变换后的图像能体现原始图像的灰度谷值。原始图像加上高帽变换后的图像TH(f),再减去低帽变换后的图像BH(f),得到增强后的图像用h表示,定义为:
h=f+TH(f)-BH(f)
原始图像加上高帽变换后的结果,可以使图像中灰度值较大的区域更亮,再减去低帽变换后的结果,就可以使图像中的灰度值较小的区域更暗,使细节更加明显,从而达到增强图像对比度的效果(参阅图4)。
步骤102:利用带标记的分水岭分割方法对量子点图像进行初步分割,使每个量子点划分到不同的区域,如图5所示。其中利用如图2所示的带标记的分水岭分割方法对量子点图像进行初步分割的算法,具体实施步骤为:
步骤1a:利用形态学开闭运算的重构处理增强后的图像(参阅图2),获取每个量子点的局部极大值,并将局部极大值叠加到原始,实现前景标记。其中基于形态学开闭运算的重构指先对图像腐蚀后进行形态学重建,得到基于开的重建图像;在基于开的重建图像上对图像膨胀后进行形态学重建得到基于开闭运算的重构图像。
步骤2a:通过计算“骨架影响范围”来“细化”背景(参阅图2),计算局部极大值图像的距离变换来实现,然后寻找结果的分水岭脊线来实现背景标记。距离变换指定像素和最近的非零像素的距离。使用欧几里德距离公式来计算距离变换。
步骤3a:修改分割函数(参阅图2),使其在前景和背景标记位置有极小值。将图像的梯度幅值作为分割函数,使用Sobel边缘算子对图像进行水平和垂直方向的滤波,然后求取模值,Sobel算子滤波后的图像在边界处会现实比较大的值,在没有边界处的值会很小。修改后的梯度幅值只在前景和背景标记位置有极小值,避免了过分割现象的产生。
步骤4a:对修改后的分割函数做分水岭变换(参阅图2),得到量子点分割线。
步骤103:将量子点从各自区域中提取出来。根据量子点的定义,具体为:定义量子点为一个二元图像QDi,设QDi所在的区域为CBi,其边界为WSi,提取水坝上的中值点:hmed=median(f(x)|x∈WSs),重新定义提取量子点的表达式:
得到最后提取出来的量子点QDi。如果采用减去水坝上最大值的方法来提取量子点,当量子点有粘连时会产生很大的误差,而衬底表面的灰度值整体变化并不大,因此采用减去水坝上的中值点来提取量子点,能得到更好的提取效果。
步骤104:对提取出来的每个量子点去除衬底,对每个量子点在不同高度的底面积进行取样,得到高度与面积的分布曲线,根据曲线分布判断衬底存在与否以及衬底存在的高度。比如,当某一高度的面积差突然增大,并大于我们设定的阈值时,我们便认为在这一高度出现了衬底。假设我们得到的衬底出现的高度为hsub,则可以用下面的式子滤除衬底,提取最后正确的量子点(参阅图6):
步骤105:得到去除衬底后的量子点,对每个量子点进行标记,统计量子点的几何形貌参数。其中对提取量子点的几何形貌的统计参数主要包括量子点数量,平均高度,每个量子点的面积,体积,高度,与量子点有相同二阶矩的椭圆的长轴长度,短轴长度,偏心率,以及衬底表面粗糙度和均方差粗糙度。
实施案例1
为验证本发明提供一种基于数学形态学的量子点检测方法的测量效果,进行了如下实验:选取实验样本如图3所示,为AFM原始图像。如图4所示为对图像做增强处理的结果。利用带标记的分水岭分割方法对量子点图像进行初步分割,使每个量子点划分到不同的区域。得到如图5所示结果。根据量子点的定义,用减去每个量子点分割线水坝上中值点灰度值的方法将量子点从衬底背景中提取出来,得到如图6所示图像。对每个量子点在不同高度的底面积进行取样,得到高度与面积的分布曲线,根据曲线分布判断衬底存在与否以及衬底存在的高度,再对每个量子点减去衬底高度,得到去除衬底后的量子点。去除衬底后,得到如图6所示类似的QD图像。对去除衬底后的每个量子点贴以不同的标记,统计量子点的各几何形貌参数。
该实施案例证明本发明提供的一种基于数学形态学的量子点检测方法过程简单,计算速度快;对AFM针尖在平衡位置附近振动,衬底基准高度变化等多种噪声的干扰有很强的容错性和抗干扰性,测量准确度较高,并能提取较多的几何形貌参数。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于数学形态学的量子点检测方法,包括如下步骤:
步骤1:对原始量子点图像做预处理,增强图像对比度;
步骤2:利用带标记的分水岭分割方法对量子点图像进行初步分割,使每个量子点划分到不同的区域;
步骤3:将量子点从各自区域中提取出来;
步骤4:对提取出来的每个量子点去除衬底;
步骤5:得到去除衬底后的量子点,对每个量子点进行标记,提取量子点的各几何形貌特征参数,完成量子点检测。
2.如权利要求1所述的基于数学形态学的量子点检测方法,其中所述的增强图像对比度,是采用形态学高帽变换和低帽变换相结合的方法对图像进行增强预处理;其是将原始图像加上高帽变换后的图像TH(f),使图像中灰度值较大的区域更亮;接着再减去低帽变换得到的图像BH(f),使图像中的灰度值较小的区域更暗,使细节更加明显,从而达到增强图像对比度的效果。
3.如权利要求1所述的基于数学形态学的量子点检测方法,其中所述的利用带标记的分水岭分割方法对量子点图像进行初步分割的算法,具体实施步骤为:
步骤1a:利用基于形态学开闭运算的重构计算每个量子点的局部极大值,实现前景标记;
步骤2a:通过计算局部极大值图像的距离变换实现背景标记;
步骤3a:修改分割函数,使其在前景和背景标记位置有极小值;
步骤4a:对修改后的分割函数做分水岭变换,得到量子点分割的分水岭脊线。
4.如权利要求1所述的基于数学形态学的量子点检测方法,其中将量子点从各自区域中提取出来,具体为定义量子点为一个二元图像QDi,设QDi所在的区域为CBi,其边界为WSi,提取水坝上的中值点:hmed=median(f(x)|x∈WSs),重新定义提取量子点的表达式:
5.如权利要求1所述的基于数学形态学的量子点检测方法,其中对提取出来的每个量子点去除衬底,是采用每个量子点在不同高度的底面积分布曲线,根据曲线分布判断衬底存在与否以及衬底存在的高度。
6.如权利要求1所述的基于数学形态学的量子点检测方法,其中提取量子点的几何形貌特征主要包括量子点数量、平均高度、每个量子点的面积、体积、高度、与量子点有相同二阶矩的椭圆的长轴长度、短轴长度、偏心率、衬底表面粗糙度和均方差粗糙度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102322227A CN102831596A (zh) | 2012-07-05 | 2012-07-05 | 基于数学形态学的量子点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102322227A CN102831596A (zh) | 2012-07-05 | 2012-07-05 | 基于数学形态学的量子点检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102831596A true CN102831596A (zh) | 2012-12-19 |
Family
ID=47334712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012102322227A Pending CN102831596A (zh) | 2012-07-05 | 2012-07-05 | 基于数学形态学的量子点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102831596A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103512883A (zh) * | 2013-09-29 | 2014-01-15 | 中国科学院半导体研究所 | 基于数字图像处理检测聚烯烃材料的杂质几何特征的方法 |
CN106056635A (zh) * | 2016-06-06 | 2016-10-26 | 浙江大学 | 基于AFM的淀粉粒blocklets微结构数字图像表征方法 |
CN107945163A (zh) * | 2017-11-23 | 2018-04-20 | 广州酷狗计算机科技有限公司 | 图像增强方法及装置 |
CN108335312A (zh) * | 2018-01-23 | 2018-07-27 | 华东交通大学 | 灰度图像的量子形态学梯度算法的设计与实现方法 |
CN109741236A (zh) * | 2018-12-12 | 2019-05-10 | 四川大学 | 一种在ibm量子实验平台实现的量子图像阈值分割方法 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
-
2012
- 2012-07-05 CN CN2012102322227A patent/CN102831596A/zh active Pending
Non-Patent Citations (3)
Title |
---|
何振宇 等: "《基于图像处理的AFM细胞形态参数的自动获取》", 《电子显微学报》 * |
徐国保 等: "《基于融合自适应形态滤波的分水岭分割新算法》", 《计算机应用研究》 * |
金峰 等: "《量子点的原子力显微镜测试结果分析:数学形态学的实现》", 《半导体学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103512883A (zh) * | 2013-09-29 | 2014-01-15 | 中国科学院半导体研究所 | 基于数字图像处理检测聚烯烃材料的杂质几何特征的方法 |
CN106056635A (zh) * | 2016-06-06 | 2016-10-26 | 浙江大学 | 基于AFM的淀粉粒blocklets微结构数字图像表征方法 |
CN106056635B (zh) * | 2016-06-06 | 2019-03-01 | 浙江大学 | 基于AFM的淀粉粒blocklets微结构数字图像表征方法 |
CN107945163A (zh) * | 2017-11-23 | 2018-04-20 | 广州酷狗计算机科技有限公司 | 图像增强方法及装置 |
CN108335312A (zh) * | 2018-01-23 | 2018-07-27 | 华东交通大学 | 灰度图像的量子形态学梯度算法的设计与实现方法 |
CN108335312B (zh) * | 2018-01-23 | 2021-10-08 | 华东交通大学 | 灰度图像的量子形态学梯度算法的设计与实现方法 |
CN109741236A (zh) * | 2018-12-12 | 2019-05-10 | 四川大学 | 一种在ibm量子实验平台实现的量子图像阈值分割方法 |
CN109741236B (zh) * | 2018-12-12 | 2022-11-11 | 四川大学 | 一种在ibm量子实验平台实现的量子图像阈值分割方法 |
CN112561069A (zh) * | 2020-12-23 | 2021-03-26 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备、存储介质及产品 |
CN112561069B (zh) * | 2020-12-23 | 2021-09-21 | 北京百度网讯科技有限公司 | 模型处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102831596A (zh) | 基于数学形态学的量子点检测方法 | |
CA3006240C (en) | A stepwise refinement detection method for pavement cracks | |
Detert et al. | Automatic object detection to analyze the geometry of gravel grains–a free stand-alone tool | |
Scholar | Review and analysis of crack detection and classification techniques based on crack types | |
Pham et al. | Combining QuickBird, LiDAR, and GIS topography indices to identify a single native tree species in a complex landscape using an object-based classification approach | |
CN106127113A (zh) | 一种基于三维激光雷达的道路车道线检测方法 | |
Jung et al. | Automated and efficient powerline extraction from laser scanning data using a voxel-based subsampling with hierarchical approach | |
Liu et al. | A hybrid method for segmenting individual trees from airborne lidar data | |
CN102156984B (zh) | 一种利用自适应阈值分割确定最优标记图像的方法 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
Börcs et al. | Fast 3-D urban object detection on streaming point clouds | |
Wang et al. | A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm | |
CN110910407B (zh) | 基于移动激光扫描点云数据的行道树树干提取方法 | |
CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
Yun et al. | Crack recognition and segmentation using morphological image-processing techniques for flexible pavements | |
Kumar et al. | An automated road roughness detection from mobile laser scanning data | |
Huber-Mörk et al. | Statistical rail surface classification based on 2d and 21/2d image analysis | |
Xu et al. | Automatic morphological measurement of the quantum dots based on marker-controlled watershed algorithm | |
Straumann et al. | Delineation of valleys and valley floors | |
Li et al. | Three‐Dimensional Asphalt Pavement Crack Detection Based on Fruit Fly Optimisation Density Peak Clustering | |
Buck et al. | Enhanced ship detection from overhead imagery | |
Gan et al. | Sub-pixel extraction of laser stripe in complex background | |
Xiao et al. | Feature extraction for structured surface based on surface networks and edge detection | |
Safaei | Pixel and region-based image processing algorithms for detection and classification of pavement cracks | |
Schmidt et al. | Monitoring concepts for coastal areas using lidar data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121219 |