刘科 钟志成

摘 要： 对扫描电子显微镜图像特征进行提取在提高显微镜图像利用率方面具有重要意义。传统提取方法主要通过模板匹配与遗传算法对特征进行提取，存在提取精度低、耗时长的问题。因此，提出基于阈值筛选的扫描电子显微镜图像的特征提取方法。先对影响扫描电子显微镜图像采集的扫描电路和采集部件进行分析，确定采集图像的准确性；根据特征向量相似性预提取图像特征，通过阈值筛选确定特征点位置实现对扫描电子显微镜图像特征的提取；以提取准确度和耗时为指标进行实验验证。实验结果表明，采用改进方法相比传统方法提取准确度提高了32.3%，耗时缩短了69.1 s。

关键词： 扫描电子显微镜； 图像采集； 遗传算法； 特征提取； 阈值筛选； 实验验证

中图分类号： TN911.73?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2018）22?0068?04

Abstract： The feature extraction of scanning electron microscope （SEM） images is of great significance in the aspect of utilization rate improvement of microscope images. In the traditional extraction method， feature extraction is conducted mainly by means of template matching and genetic algorithm， which has the problems of low extraction precision and large time?consumption. Therefore， a feature extraction method based on threshold selection is proposed for SEM images. The scanning circuit and acquisition components that affect the acquisition of SEM images are analyzed to determine the accuracy of collected images. The image features are pre?extracted according to the similarities of feature vectors. The feature point position is determined by means of threshold selection to realize feature extraction of SEM images. A verification experiment was carried out， taking the extraction accuracy and time consumption as indexes. The experimental results show that， in comparison with the traditional method， the improved method can improve the extraction accuracy of 32.3%， and reduce the time consumption of 69.1 s.

Keywords： SEM； image acquisition； genetic algorithm； feature extraction； threshold selection； experiment verification

0 引 言

扫描电子显微图像是扫描电子显微镜依据高能电子及物质之间相互作用时不同信息形成机理，使用不一样的信息检测器收集信息，获得物质的微观形貌，以圖像的形式进行表现[1]。随着近几年计算机领域里图像处理技术的不断发展，显微镜随着图像采集卡和计算机接口技术的发展而被提出并且快速发展。传统显微镜多使用在教学及科研中，从一开始经过在三目头上加装模拟摄像机来达到最初显微镜像可视化的目的，到现在数字摄像机实现显微图像高清晰度输出，使得扫描电子显微镜图像特征提取成为现实。所以目前扫描电子显微镜图像特征提取方法的研究成为一个非常火热的概念[2]。在远程医学会诊系统里要求远程专家可以实时获得显微镜下标本图像，并可以远程进行显微镜的轴向移动、物镜倍数转变等操作，增加图像的分辨率，提高图像特征获取结果。图像传感器和计算机接口技术的革新是显微镜发展的根本，虽然扫描电子显微镜成像的理念很简单，但过去由于受到图像传感器分辨率、采集率和计算机接口传输速率的限制，使得扫描电子显微镜图像特征的提取不具有高可用性。

传统特征提取方法首先依据视觉选取特性定义新的结构元，并且建立连通粒属性和分层统计模型；然后经过颜色转变及结构元匹配形成对应的映射子图，从中获取统计结构元与连通性特征向量；最后采用自适应向量融合模型将各分量合并成为一组特征向量用于图像特征提取[3]。但该方法存在特征提取耗时长的问题。

针对上述问题的产生，提出基于阈值筛选的扫描电子显微镜图像的特征提取方法。实验结果表明，采用改进方法相比传统方法提取准确度提高，耗时缩短，具有一定的优势。

1 扫描电子显微镜图像采集部分设计

在对扫描电子显微镜图像特征进行提取时，其扫描电子显微镜图像的扫描电路及图像采集部分均影响特征提取方法的实施，需对其进行研究分析，再以此为基础进行特征提取方法的优化。

1.1 扫描电路设计

扫描电路设计是获取扫描电子显微镜图像的基础。扫描信号产生模块的核心部件由一个用于生成扫描信号的THS5671高速数/模转换器和一个用于生成帧扫描信号的THS5671高速数/模转换器共同组成。由该扫描信号产生模块构成的扫描电路设计是获取扫描电子显微镜图像的基础[4]。由于THS5671输出的是0～20 mA的线性电流扫描信号，因此要将其转换成电压信号并进行适当的放大后，才可以将扫描到的信号送入信号放大模块。THS5671输出的电流信号通过双路校准高精密运算放大器TLC4502D转换成电压信号。具体的过程见图1。

THS5671输出电流信号从图中的A点进入，经过TLC4502后到达B点并转换成0～1.2 V电压信号，再经过TLC4502的另一条路到达C点并被放大成0～4.8 V的电压信号，最后被送到数字电位器[5]。

1.2 图像采集部分设计

为了增加图像特征提取方法的灵活性，采用在线可编程器件对扫描电子显微镜图像进行采集，再把各关键性能进行模块化处理，经过相同的接口进行图像传递。图像采集构造如图2所示。

经CCD的图像信号与同步信号通过前端信号处理模块，对信号进行调理及A/D转变后，再经总线驱动由标准接口传输到图像采集卡，通过图像整理后在缓存区进行缓存[6]，再通过CPU控制经过PCI总线存入磁盘阵列中，并传送到输出设备进行实时显示。

2 扫描电子显微镜图像特征提取分析

在对扫描电子显微镜图像特征进行提取过程中，首先对图像特征进行预提取及处理，根据处理结果进行特征点的位置确认，实现扫描电子显微镜图像特征的提取。

2.1 图像特征预提取及处理

在获取扫描电子显微镜图像的基础上，对图像进行相应的匹配处理，即搜查拍摄同一场景或物体图像间的关联性[7]，是图像特征预提取方法的重要阶段，图像匹配效果会直接干扰变换矩阵求解，从而降低特征提取准确度。具体步骤如下：

1） 提取特征点。在特征点提取过程中，主要分成2部分进行提取，即低层特征提取和高层特征提取。低层特征提取主要包括图像形状、颜色、纹理、结构方面特征提取；高层特征重点是对其空间特征的提取[8]。

2） 特征点描述主要为建立特征向量，特征描述符则是先对图像的边缘、轮廓等局部特征进行检测，按照提取目标的需要，以特征为标准进行组合、变换，从而形成稳定的、方便提取的特征向量，将原本的图像匹配问题先转变为特征匹配问题，最终转化为图像空间特征两项聚类问题[9]。图像具体有哪些特征能够参与到匹配环节，哪些特征将被忽略不计，都是由特征空间的选择决定的。为了尽量减少受到摄像机的运动或光照变化等因素的影响，特征点的描述符应该保持不变的。确定好合适的特征空间，往往能够确保匹配算法速度、稳健性不受到各类图像变化因素的影响。

3） 对特征点进行检测。检测的特征点通常是局部极值点，是一种属于灰度变化的局部极值点。该特征点的结构性信息明显[10]，虽然这类特征点直观视觉意義不大，但是却在某种尺度和角度上带有大量便于特征提取的信息。

4） 候选特征点通过生成描述算子，并进行特征匹配的方式获得。特征选择的依据是特征向量的相似性，通常运用各种距离函数对特征的相似性进行度量。

5） 错误特征消除和提纯。不管使用哪种特征描述符及相似性判定度量，均会存在特征提取错误的问题。可依据几何或光度的约束信息对候选特征点里存在的错误特征进行消除[11]。为了去除特征提取结果的误差，采用改进的鲁棒变换估计算法进行特征点提纯。

图像特征预提取及处理如图3所示。

在图像特征预提取和处理过程中进行多幅显微镜图像特征提取时，对提取步骤进行重复操作，每次均把前一次获取的图像特征当作参考特征，与下一个提取的图像特征为对比，直到完成整个图像特征提取。

2.2 图像特征点位置确认

在对特征进行预提取和处理的基础上，确定特征点位置，实现特征点的准确提取。主要步骤为：首先经过阈值筛选对图像特征进行滤波响应分析；然后通过阈值筛选得到的点对非极大值进行抑制处理，即把每一个经过筛选的点和其同尺度邻近像素点、上下邻近尺度各点进行比较如图4所示，获取满足阈值条件并且是局部极大值的特征点；最后，通过特征点临近像素插值获取尺度及空间上亚像素特征点，并将Hessian行列式Taylor级数展开消除高次项，对其求导得到极值点X的解，即得到稳健的特征点。

3 实验结果分析

为了验证改进方法在扫描电子显微镜图像特征提取方面的有效性及可行性，以提取结果的准确度及耗时为指标，以传统提取方法为对比，进行实验对比分析。结果如图5、图6所示。

在特征量不定的情况下，采用传统方法时，其准确度随着特征量的增加，出现下降的趋势，虽然在特征量为1 600后出现上升的现象，但整体准确度依然不高，约为51.4%；采用改进方法时，其准确度随着特征量的增加，逐渐提高，未出现下降趋势，整体准确度约为83.7%，相比传统方法提高约32.3%，具有一定的优势。

在特征量不定的情况下，采用传统方法时，其耗时随着特征量的增加快速上升，虽然多次出现下降的趋势，但随后又快速出现上升现象，整体耗时较长，约为93.7 s；采用改进方法时，其提取所用时间随着特征量的增加，出现上升和下降的现象，具有一定的波动，但整体较为稳定，耗时约24.6 s，比传统方法降低约69.1 s，具有一定的优势。

4 结 论

针对传统方法一直存在特征提取准确度低、耗时长的问题，提出基于阈值筛选的扫描电子显微镜图像的特征提取方法。实验结果表明，采用改进方法相比传统方法提取准确度提高32.3%，耗时缩短69.1 s。

参考文献

[1] 王永东.使用扫描电镜图像研究成层土的微观数字特征[J].地下空间与工程学报，2016，12（z1）：147?151.

WANG Yongdong. Research on the Microscopic digital features of layered soil with scanning electron microscopy images [J]. Chinese journal of underground space and engineering， 2016， 12（S1）： 147?151.

[2] 谢永华，范文晓.基于多尺度空间子带共生矩描述子的花粉图像特征提取方法研究[J].科学技术与工程，2016，16（34）：92?96.

XIE Yonghua， FAN Wenxiao. Pollen image feature extraction method based on sub?band co?occurrence matrix descriptor in multi?scale space [J]. Science technology and engineering， 2016， 16（34）： 92?96.

[3] 牛耕.基于激光扫描的残缺指纹图像特征提取技术研究[J].激光杂志，2017，38（11）：109?112.

NIU Geng. Research on feature extraction of incomplete fingerprint image based on laser scanning [J]. Laser journal， 2017， 38（11）： 109?112.

[4] 陈烽.超分辨率数字图像特征提取及重构方法研究[J].科学技术与工程，2017，17（11）：255?259.

CHEN Feng. Super resolution digital image feature extraction and reconstruction methods [J]. Science technology and engineering， 2017， 17（11）： 255?259.

[5] 王庆，唐涛，项德良，等.基于梯度比率的SAR图像局部特征提取方法研究[J].智能系统学报，2017，12（3）：286?292.

WANG Qing， TANG Tao， XIANG Deliang， et al. Research on local feature extraction of SAR images based on gradient ratio [J]. CAAI transactions on intelligent systems， 2017， 12（3）： 286?292.

[6] 鲍雪晶，戴仕杰，郭澄，等.基于插值的共焦显微镜非线性畸变失真图像校正[J].红外与激光工程，2017，46（11）：57?63.

BAO Xuejing， DAI Shijie， GUO Cheng， et al. Nonlinear distortion image correction from confocal microscope based on interpolation [J]. Infrared and laser engineering， 2017， 46（11）： 57?63.

[7] 张展，杨东升.圆周二进制描述符的图像点特征提取方法[J].计算机辅助设计与图形学学报，2017，29（8）：1465?1476.

ZHANG Zhan， YANG Dongsheng. Image point feature extraction algorithm of circumferential binary descriptor [J]. Journal of computer?aided design & computer graphics， 2017， 29（8）： 1465?1476.

[8] 赵丽，黄惠芬.红外光图像采集及其特征提取技术的研究[J].激光杂志，2017，38（7）：94?97.

ZHAO Li， HUANG Huifen. Research on infrared image acquisition and feature extraction technology [J]. Laser journal， 2017， 38（7）： 94?97.

[9] 余伶俐，夏旭梅，周开军，等.基于仿生视觉的图像RST不变属性特征提取方法[J].仪器仪表学报，2017，38（4）：985?995.

YU Lingli， XIA Xumei， ZHOU Kaijun， et al. RST?invariant feature extraction method inspired by bionic visual perception [J]. Chinese journal of scientific instrument， 2017， 38（4）： 985?995.

[10] 尤鸿霞，黄艳艳.耳纹图像特征的三维识别技术研究[J].现代电子技术，2017，40（22）：91?94.

YOU Hongxia， HUANG Yanyan. Research on 3D recognition technology of ear print image feature [J]. Modern electronics technique， 2017， 40（22）： 91?94.

[11] 戴辉，姜红岩，许爱娥.扁平疣皮肤镜和反射式共聚焦显微镜图像特征分析[J].中华皮肤科杂志，2017，50（7）：524?526.

DAI Hui， JIANG Hongyan， XU Aie. Analysis of dermoscopy and reflectance confocal microscopy features of verruca plana [J]. Chinese journal of dermatology， 2017， 50（7）： 524?526.