CN111369616A

CN111369616A - 基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法

Info

Publication number: CN111369616A
Application number: CN202010083298.2A
Authority: CN
Inventors: 高景晖; 闫文博; 何芷欣; 徐靖喆; 姚睿丰; 钟力生
Original assignee: Xian Jiaotong University
Current assignee: Xian Jiaotong University
Priority date: 2020-02-03
Filing date: 2020-02-03
Publication date: 2020-07-03
Anticipated expiration: 2040-02-03
Also published as: CN111369616B

Abstract

本发明公开了一种基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法，方法包括以下步骤：边缘检测包括汇聚束电子衍射图样的原始图样，形成其二值图像，霍夫圆变换分割二值图像形成包括多个圆斑的分割圆斑区域，分割圆斑区域为汇聚束电子衍射图样，计算0度轴到180度轴的分割圆斑区域的像素集合关于轴的像素对称值θ，提取像素对称值θ的极小值，并记录对应的轴的角度作为潜在对称轴，基于贝叶斯学习计算并统计已知对称轴和已知非对称轴的像素对称值数据，对已知对称的轴已知不对称的轴的像素对称值进行概率分布的拟合，计算概率分布参数，基于潜在对称轴的像素对称值θ和概率分布参数计算潜在对称轴对称的概率和不对称的概率。

Description

基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法

技术领域

本发明属于电子显微表征技术领域，特别是一种基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法。

背景技术

由于独特的介电和压电特性，铁电陶瓷在各种电力设备和电气设备(例如电容器，传感器等)的应用中起着重要作用。这些优异性能的机制已引起广泛关注。长期以来，人们一直认为微观晶体结构，尤其是某些特殊的局部结构，被认为是这些特性的关键来源。因此，在微观尺度上对材料内部结构的研究和研究至关重要。而会聚束电子衍射(CBED)是测试晶体结构的常用方法，可以有效地微观反映材料的结构信息，包括晶体对称性和偏振方向。该信息对表征铁电材料的结构特性具有关键作用。然而，传统的基于直接视觉检查的CBED图像识别方法缺乏统一的量化标准，既费时，模棱两可且容易出错。这种判定的不确定性制约了这一种表征技术的发展。现有技术无法根据定量化测定的结果判断是否存在对称轴。因此，亟待一种方法，可以对汇聚束电子衍射图样的对称性进行判定。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的问题，本发明提出一种基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法，客观地判断汇聚束电子衍射图样对称性的方法，促进高通量高精度表征材料的结构特性。

本发明的目的是通过以下技术方案予以实现，一种基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法包括以下步骤：

第一步骤中，对包括汇聚束电子衍射图样的原始图样进行边缘检测，形成其二值图像，

第二步骤中，对所述二值图像形成包括多个圆斑的分割圆斑区域进行霍夫圆变换分割，所述分割圆斑区域为汇聚束电子衍射图样，

第三步骤中，计算所述分割圆斑区域的0度轴到180度轴的像素集合关于轴的像素对称值θ，

其中，所述轴为对称轴，P1为圆斑中像素的集合矩阵，P2为P1中关于轴对称的点的像素的集合矩阵，

第四步骤中，提取所述像素对称值θ的极小值，并记录对应的轴的角度作为潜在对称轴，

第五步骤中，基于贝叶斯学习，计算并统计已知对称轴和已知非对称轴的像素对称值数据，并对已知对称的轴、已知不对称的轴的像素对称值进行概率分布的拟合，计算概率分布参数，

第六步骤中，基于所述潜在对称轴所对应的像素对称值θ和所述概率分布参数，计算所述潜在对称轴对称的概率和不对称的概率，当对称的概率大于不对称概率时，认为所述潜在对称轴对称，当不对称的概率大于对称的概率时，认为所述潜在对称轴不对称。

所述的方法中，通过机器视觉对衍射图样进行分割。

所述的方法中，P1，P2矩阵表示为分割圆斑区域像素集合的列向量。

所述的方法中，扫描圆斑中的像素点，将所述像素点所在的位置保存在矩阵A中，像素点的像素值保存为矩阵P1，以及：基于所述矩阵A计算得到关于轴对称的像素点所在的位置且保存为矩阵B，并提取矩阵B对应的像素值保存为矩阵P2。

所述的方法中，第二步骤中，根据中心圆斑和周围圆斑的位置关系，通过矢量相加的方式对所述霍夫圆变换分割未分割到的圆进行分割。

所述的方法中，当分割边界和圆形亮斑的边界不符时，经由确定圆形亮斑边界的三个点以确定一个圆。

所述的方法中，第五步骤中，所述概率分布参数包括像素对称值θ的概率分布平均值μ和标准差σ，基于概率密度函数，

得到概率密度值；

所述概率分布参数包括对称轴中像素对称值的概率分布平均值μl和标准差σ1，以及非对称轴中像素对称值的概率分布平均值μ2和标准差σ2，分别基于概率密度函数得到对称轴的概率密度值和不对称的概率密度值。

和现有技术相比，本发明具有以下优点：

本发明选取对称性已知的衍射图样作为训练数据，由训练数据得出对称轴和非对称轴中相对对称值的概率分布规律，根据概率分布规律来估算未知轴对称和不对称的概率，当对称的概率密度大于不对称的概率密度时，认为该轴是对称的。当不对称的概率密度大于对称的概率密度时，认为该轴是不对称的。本发明经由机器视觉算法和贝叶斯学习算法，解决了传统汇聚束电子衍射图样表征过程中存在的效率低下、主观性较强的问题，极大提升了汇聚束电子衍射的表征效率，使得汇聚束电子衍射图样的对称性判断更具有客观性，有助于高效反映材料的结构信息，特别是晶体对称性和偏振方向。

附图说明

通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。

在附图中：

图1(a)至图1(c)是根据本发明一个实施例的基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法的图像分割和边缘检测示意图，其中，图1(a)是原始的CBED图片，图1(b)是边缘检测后的结果，图1(c)是霍夫圆变换的结果；

图2(a)至图2(d)是根据本发明一个实施例的实施基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法的手动割圆示意图，其中，图2(a)，图2(b)，图2(c)三张图分别表示选定圆边缘的三个点，图2(d)表示手动割圆的结果；

图3是根据本发明一个实施例的实施基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法的轴示意图；

图4是根据本发明一个实施例的实施基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法的像素集合矩阵构造流程图；

图5是根据本发明一个实施例的实施基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法的概率分布拟合示意图；

以下结合附图和实施例对本发明作进一步的解释。

具体实施方式

下面将参照附图1(a)至图5更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。

为了更好地理解，一种基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法包括以下步骤：

第一步骤(S1)中，对包括汇聚束电子衍射图样的原始图样进行边缘检测，形成其二值图像，

第二步骤(S2)中，如图1(a)所示，对所述二值图像形成包括多个圆斑的分割圆斑区域进行霍夫圆变换分割，所述分割圆斑区域为汇聚束电子衍射图样，图中，图1(a)是原始的CBED图片，图1(b)是边缘检测后的结果，图1(c)是霍夫圆变换的结果，从图1(a)，图1(b)，图1(c)图可知，通过边缘检测p和霍夫圆变换，可将感兴趣的圆形CBED亮斑分割出来，为后面的像素相似度分析提供计算边界。

第三步骤(S3)中，如图2(a)至图2(d)所示，计算所述分割圆斑区域的0度轴到180度轴的像素集合关于轴的像素对称值θ，

其中，所述轴为对称轴，P1为圆斑中像素的集合矩阵，P2为P1中关于轴对称的点的像素的集合矩阵。

第四步骤(S4)中，提取所述像素对称值θ的极小值，并记录对应的轴的角度作为潜在对称轴，

第五步骤(S5)中，基于贝叶斯学习，计算并统计已知对称轴和已知非对称轴的像素对称值数据，并对已知对称的轴、已知不对称的轴的像素对称值进行概率分布的拟合，计算概率分布参数，

第六步骤(S6)中，基于所述潜在对称轴所对应的像素对称值θ和所述概率分布参数，计算所述潜在对称轴对称的概率和不对称的概率，当对称的概率大于不对称概率时，认为所述潜在对称轴对称，当不对称的概率大于对称的概率时，认为所述潜在对称轴不对称

所述的方法的优选实施方式中，通过机器视觉对衍射图样进行分割。

所述的方法的优选实施方式中，P1，P2为表示分割圆斑区域像素集合的列向量。

所述的方法的优选实施方式中，如图3所示，扫描圆斑中的像素点，将所述像素点所在的位置保存在矩阵A中，像素点的像素值保证为矩阵P1，基于所述矩阵A计算得到关于轴对称的像素点所在的位置且保存为矩阵B，提取矩阵B对应的像素值保存为矩阵P2。

所述的方法的优选实施方式中，第二步骤(S2)中，根据中心圆斑和周围圆斑的位置关系，通过矢量相加的方式对霍夫圆变换未分割到的圆进行分割。

所述的方法的优选实施方式中，如图4所示，当分割边界和圆形亮斑的边界不符时，经由确定圆形亮斑边界的三个点以确定一个圆。图4中，(a)，(b)，(c)三张图分别表示选定圆边缘的三个点，(d)表示手动割圆的结果，在手动割圆过程中，选定一个点直到三个点选定完毕手动割圆结束。

所述的方法的优选实施方式中，第五步骤(S5)中，所述概率分布参数包括像素对称值θ的概率分布平均值μ和标准差σ，基于概率密度函数，

得到概率密度值。

所述的方法的优选实施方式中，如图5所示，所述概率分布参数包括对称轴中像素对称值的概率分布平均值μ1和标准差σ1，以及非对称轴中像素对称值的概率分布平均值μ2和标准差σ2，分别基于概率密度函数得到对称轴的概率密度值和不对称的概率密度值。图5中包括对称的概率密度拟合曲线和不对称的概率密度拟合曲线，每一个像素对称值都对应着一个对称概率和一个不对称概率，通过比较对称概率和不对称概率之间的大小关系，即可判断轴是否是对称轴。在一个实施例中，当计算的假定对称轴的像素对称值为0.22时，根据拟合出的概率密度分布表达式，计算其对称的概率密度值p1＝9，同理，计算其对应的不对称的概率密度值为p2＝2，则其对称的概率p1近似等于p1/(p1+p2)＝0.818，不对称的概率p2为p2/(p1+p2)＝0.1818，因为对称的概率p1大于不对称的概率p2，所以可以认为该假定对称轴为对称轴。

在一个实施例中，

表1对称轴的相对对称值统计表

编号	1	2	3	4	5	6	7	8	9	10
											相对对称值	0.12	0.11	0.115	0.112	0.09	0.05	0.08	0.07	0.063	0.076

表2非对称轴的相对对称值统计表

对称轴的概率分布平均值μ1和σ1计算过程

非对称轴的概率分布平均值μ2和σ2计算过程

概率密度函数为：

根据计算得出的对称轴的概率分布平均值μ1和σ1和非对称轴的概率分布值μ2和σ2，输入假定对称轴计算得出的相对对称值x，即可计算出假定对称轴的对称概率和不对称概率。

为了进一步理解本发明，在一个实施例中，本发明的检测方法包括，一是原始图像的图像分割和像素对称值的计算，二是根据像素对称值的计算结果，结合历史数据，运用贝叶斯学习算法，对轴是否对称进行明确的判断。

一、原始图样的图像分割工作和像素对称值计算工作：

原始图样的分割工作可以概括如下：

对原始图样进行边缘检测，形成边缘检测后的二值图像。

使用霍夫圆变换，对原始图样进行分割。

由于距中心较远的亮斑圆形特征不够明显，因此可根据中心圆亮斑和周围圆亮斑的位置关系，通过矢量相加的方式对霍夫圆变换未分割到的圆进行分割。

操作者判断(一)中步骤(3)的分割圆的效果，当分割边界和圆形亮斑的边界严重不符时，采用手工割圆法。即鼠标点击圆形亮斑边界的三个点，即可由这三个点确定一个圆。

根据分割的结果，以轴为研究对象，计算0度轴到180度轴的所有分割亮斑区域范围内的像素集合关于轴的像素对称值θ。并对该值进行记录。公式如下所示，其中P1，P2矩阵代表分割区域范围内的像素集合。

θ表示两个向量的相似度余弦值，θ值越小，说明两个向量的相似度越大。

提取像素对称值的极小值。并记录对应的轴的角度，作为潜在的对称轴。

二、基于贝叶斯学习的对称性判断工作

基于贝叶斯学习判断对称性的工作可以概括如下：

计算并统计已知对称轴和已知非对称轴的像素对称值数据，对已知对称的轴已知不对称的轴的像素对称值进行概率分布的拟合工作，计算出对称轴中像素对称值的概率分布平均值μ和标准差σ。

根据(一)中潜在对称轴的像素对称值和(二)中步骤(1)的概率分布参数，计算出潜在对称轴对称的概率和不对称的概率。判断潜在对称轴中对称的概率和不对称的概率的大小关系，当对称的概率大于不对称概率时，认为该潜在对称轴对称。当不对称的概率大于对称的概率时，认为该潜在对称轴不对称。

本发明过机器视觉方法对衍射图样中的感兴趣区域进行分割和对称性相对值的计算，根据对称性的相对值，运用贝叶斯学习算法，对汇聚束衍射图样的对称性进行判定。该方法具有对称性判断效率高、判断结果相对客观的优势，在汇聚束电子衍射图样的表征过程中将有较大的应用。

尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims

1.一种基于贝叶斯学习的汇聚束电子衍射图样对称性检测方法，所述方法包括以下步骤：

第二步骤(S2)中，对所述二值图像形成包括多个圆斑的分割圆斑区域进行霍夫圆变换分割，所述分割圆斑区域为汇聚束电子衍射图样，

第三步骤(S3)中，计算所述分割圆斑区域的0度轴到180度轴的像素集合关于轴的像素对称值θ，

其中，所述轴为对称轴，P₁为圆斑中像素的集合矩阵，P₂为P₁中关于轴对称的点的像素的集合矩阵，

第六步骤(S6)中，基于所述潜在对称轴所对应的像素对称值θ和所述概率分布参数，计算所述潜在对称轴对称的概率和不对称的概率，当对称的概率大于不对称概率时，认为所述潜在对称轴对称，当不对称的概率大于对称的概率时，认为所述潜在对称轴不对称。

2.根据权利要求1所述的方法，其中，优选的，通过机器视觉对衍射图样进行分割。

3.根据权利要求1所述的方法，其中，P1，P2矩阵表示为分割圆斑区域像素集合的列向量。

4.根据权利要求1所述的方法，其中，扫描圆斑中的像素点，将所述像素点所在的位置保存在矩阵A中，像素点的像素值保存为矩阵P₁，以及：基于所述矩阵A计算得到关于轴对称的像素点所在的位置且保存为矩阵B，并提取矩阵B对应的像素值保存为矩阵P₂。

5.根据权利要求1所述的方法，其中，第二步骤(S2)中，根据中心圆斑和周围圆斑的位置关系，通过矢量相加的方式对所述霍夫圆变换分割未分割到的圆进行分割。

6.根据权利要求5所述的方法，其中，当分割边界和圆形亮斑的边界不符时，经由确定圆形亮斑边界的三个点以确定一个圆。

7.根据权利要求1所述的方法，其中，第五步骤(S5)中，所述概率分布参数包括像素对称值θ的概率分布平均值μ和标准差σ，基于概率密度函数，

得到概率密度值；

所述概率分布参数包括对称轴中像素对称值的概率分布平均值μ1和标准差σ1，以及非对称轴中像素对称值的概率分布平均值μ2和标准差σ2，分别基于概率密度函数得到对称轴的概率密度值和不对称的概率密度值。