王 阳, 丁 召, 宋家勇, 赵广文, 边历峰, 杨 晨

(1. 贵州大学 大数据与信息工程学院 半导体功率器件可靠性教育部工程研究中心, 贵阳550025; 2. 中国科学院 苏州纳米技术与纳米仿生研究所 纳米器件与应用重点实验室, 苏州 215123)

1 引 言

量子点纳米结构具有独特的光电特性，是新型光电材料研究的热点[1]. 在量子点材料研究过程中，可通过扫描隧道显微镜(Scanning Tunneling Microscope, STM)图像对量子点数量、纵横比等表面特征进行定性定量的分析，进而实现量子点材料量子尺寸效应、表面效应等特性的评估[2-4]. 利用STM图像识别量子点特征参数，需要对图像进行分割. 确定量子点像素坐标，将其从复杂背景中分离[5]. 分割后的图像由于量子点像素坐标确定，有利于定性定量分析. 同时，没有复杂背景的干扰有利于节约运算成本.

鉴于图像分割对量子点定性定量分析的意义，诸多研究者在量子点STM图像分割方面展开了研究. 经典的STM图像分割以阈值算法为主要代表[6, 7]. Tripathi等人利用Otsu分割算法结合高斯曲线拟合，实现对不同贵金属亚单层修饰衬底表面STM图像的分割，并将该算法成功用于衬底表面STM图像中簇层的检测[8]. 为了解决Otsu算法自动化阈值分割的盲目性，Ilya Valmianski等人在研究中尝试使用手动阈值分割的方法对STM进行分割，该方法采用预标识手段对目标区域进行约束，以降低无关背景对目标的干扰，可有效提升了STM图像的分割质量[9]. 2019年，Tang等人利用自适应阈值分割对量子点及GaAs(001)衬底 STM图像进行分割，并取得……