一种基于机器学习的氦泡电镜图像统计分析方法与流程

本发明涉及一种氦泡电镜图像分析与统计方法，尤其是涉及一种基于机器学习的氦泡电镜图像统计分析方法。

背景技术：

裂变堆或聚变堆中产生的中子与金属材料发生核反应后会在合金材料中产生he。he原子的体积较小，在晶格中的扩散激活能较低，因而在合金材料中有较强的扩散和聚集的趋势。he在合金中的浓度达到一定阈值时，将会在材料的基体、晶界、缺陷处形成纳米尺寸的氦泡。氦泡形成后，其尺寸会随着he原子浓度的增加而增大，并且小尺寸的氦泡之间也可能在he原子的扩散作用下发生合并形成较大的氦泡。氦泡的形成会引起合金材料发生肿胀、表面起泡和脆化，是导致合金材料延伸率降低、断裂时间和疲劳寿命减小的重要因素。因此，通过合金材料中的氦泡识别分析，明晰氦泡的演化过程，对于合金材料的性能研究至关重要。

一般情况，主要使用透射电子显微镜拍摄合金材料中氦泡的分布图片，并在一些简单的软件辅助下人工识别分析透射电子显微镜图片中氦泡的相关信息，如氦泡的大小、密度分布等，以研究合金材料中的氦泡行为及其对合金材料本身结构的影响。但传统方法对透射电子显微镜的图片的识别分析不仅费时、低效、成本高昂，而且易受其他因素的影响，如人工识别的视觉疲劳、个人主观性判断、图像质量及重叠部分等，所获取的结果易造成较大的偏差。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器学习的氦泡电镜图像统计分析方法，解决对不同氦泡尺寸、不同背景像素的氦泡电镜图像快速地进行自动识别、分析和统计的技术问题，提高对氦泡图像的分析精度和准确度，并缩短在材料辐照研究中对氦泡电镜图像的分析处理周期。

本发明的目的可以通过以下技术方案来实现：

一种基于机器学习的氦泡电镜图像统计分析方法，该方法包括以下步骤：

步骤1：获取电子辐照合金产生氦泡的透射电子显微镜图像；

步骤2：针对氦泡电镜图像分别经通道转换、直方图分析去除背景和去除噪点处理后得到氦泡像素矩阵；

步骤3：针对氦泡像素矩阵采用聚类算法进行聚类，得到对应的氦泡聚类团簇；

步骤4：针对每个氦泡聚类团簇进行分析，得到氦泡的数量、位置以及尺寸数据。

进一步地，所述的步骤2中的通道转换的过程具体包括：通过变换操作，将氦泡电镜图像数据由三通道转换为单通道，得到二维数组数据。

进一步地，所述的步骤2中的直方图分析去除背景的过程具体包括：通过分析氦泡电镜图像的直方图，确定图像背景本底的阈值，将阈值之下的像素全置为0，阈值之上的像素减去阈值。

进一步地，所述的步骤2中的去除噪点的过程具体包括：通过统计氦泡电镜图像中每个非零像素的周围像素值，将阈值之下的点设置为噪点并去除。

进一步地，所述的步骤3具体包括：针对氦泡像素矩阵采用dbscan聚类算法进行聚类，得到对应的氦泡聚类团簇。

进一步地，所述的dbscan聚类算法中的聚类半径设置为1，最小样本值设置为3。

进一步地，所述的步骤4具体包括：针对每个氦泡聚类团簇采用高斯混合模型进行分析，得到氦泡的数量、位置以及尺寸数据。

进一步地，所述的高斯混合模型中样本点的权重值采用像素点的像素值。

进一步地，所述的步骤4中得到氦泡的数量、位置以及尺寸数据的具体过程包括：针对每个氦泡聚类团簇采用高斯混合模型进行分析，得到氦泡中心点和像素点分布方差信息，并根据得到的氦泡中心点和像素点分布方差信息进一步最终得到氦泡的半径和面积。

进一步地，所述的步骤1中的电子显微镜图像采用任意尺寸的电子显微镜图像。

与现有技术相比，本发明具有以下优点：

(1)本发明基于无监督的机器学习对氦泡的电镜图像进行识别、分析和统计，不需要预先准备大量的图片并人工标记；

(2)本发明通过直方图数据分析自动确定本底背景像素阈值，能处理不同本底背景的氦泡电镜图像；

(3)本发明对输入图片的尺寸没有限制，能处理任意尺寸的氦泡电镜图像；

(4)本发明通过高斯混合模型分析氦泡团簇，能识别重叠氦泡，并给出氦泡的位置；

(5)本发明能识别人工不易发现的比较暗的氦泡，提高了氦泡电镜图像的召回率。

(6)本发明需要调整的模型参数极少，可解释性强。

附图说明

图1为本发明实施例方法的流程图；

图2为本发明实施例对氦泡电镜图像处理各阶段效果演化图；

图3为本发明实施例中最终分析结果与原显微镜图像叠加的效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

如图1所示为本发明实施例方法的流程图，本发明方法过程包括：获取高温电子辐照合金产生氦泡的透射电子显微镜图像，自动识别并去除图像背景本底，分析并去除图像中的噪点，再将图像中的氦泡进行聚类，并对每个聚类团簇进行分析，得到氦泡的位置、数量等信息。

其中，所述的自动识别和去除本底方法，通过变换操作，将氦泡图像数据由三通道转换为单通道，得到二维数组数据。

所述的自动识别和去除本底方法，通过分析氦泡图像的直方图，确定图像背景本底的阈值，将阈值之下的像素全置为0，阈值之上的像素减去阈值。

所述的噪点去除方法，通过统计图像中每个非0像素的周围像素值，将阈值之下的点设置为噪点并去除。

针对噪点识别与去除方法，统计每个像素周围8个位置的非0像素值得数量，并将噪点阈值设置为3。

通过聚类算法将去除噪点后的图像中的像素团簇聚类，得到氦泡团簇数据。

针对氦泡团簇聚类算法，采用dbscan算法对像素点聚类，将聚类半径设置为1，并将网格对角距离定义为1，最小样本阈值设置为3，设置氦泡像素点团簇的阈值，其阈值随所分析图像比例尺大小而变化，图像比例尺大则设置大的团簇阈值，比例尺小则设置小的团簇阈值，抛弃小于阈值的团簇数据。

针对氦泡团簇数据采用高斯混合模型对其进行分析，得到氦泡团簇中氦泡的数量和氦泡的中心点位置，针对高斯混合模型，将像素点的像素值作为样本点的权重值，根据高斯混合模型所得到的氦泡中心点和像素点分布方差等信息，计算氦泡的半径大小并面积。

本发明方法中的电子显微镜图像可以是任意尺寸。

实际实施例

一种基于机器学习的氦泡电镜图像分析与统计方法，包括：去除氦泡电镜图像的本底像素，并去除噪点，然后对氦泡像素点进行聚类，最后分析统计每个氦泡团簇并得到氦泡的数量和位置。本实例包括以下步骤：

步骤1：分析氦泡电镜图像的直方图数据，确定图像的本底背景阈值，将阈值之下的像素设置为0，阈值之上的像素减去阈值；

步骤2：对所步骤1得到的图像数据进行去噪处理；

步骤3：对去噪后的图像数据进行聚类，得到氦泡团簇数据；

步骤4：分析每个氦泡团簇，得到每个氦泡团簇中氦泡的数量和位置。

步骤1中本底背景像素阈值选择为直方图数据积分统计量的97％处；

步骤2中去噪处理的阈值设置为3；

氦泡团簇聚类算法采用dbscan算法，并将聚类半径和最小样本值分别设置为1和3；

步骤4中采用高斯混合模型分析氦泡团簇，并将像素值作为样本权重值。

本领域的技术人员容易理解的是，在不冲突的前提下，上述各有利方式可以自由地组合、叠加。

采用本发明实施例方法对氦泡电镜图像处理各阶段效果演化图如图2所示，最终叠加的效果如图3所示。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。