快速自补丁实用分类器用于图像无噪声

科学领域:

• 电子显微镜的电子显微镜
• 图像处理 图像处理
• 材料科学是一种材料科学.

背景情况:

• 低照度电子显微镜图像受到波桑和高斯噪声的影响.
• 高剂量提高了信号对噪声的比率,但会损害微妙的标本.
• 现有的无色化方法可以减少图像对比度或引入文物.

研究的目的:

• 开发一种轻量级的无线化架构,以保持实验数据的完整性.
• 结合基于补丁和深度神经网络 (DNN) 方法的优势,以有效消除噪音.
• 为了减轻DNN诱导的文物,同时保持denoising性能.

主要方法:

• 一种混合方法,将非局部基于补丁的奇点值分解 (SVD) 与卷积神经网络 (CNN) 结合起来.
• 图像拒绝的快速 Eigenpatch 实用分类器 (REUCID) 使用SVD进行组件识别,CNN用于分类.
• 该CNN仅作为SVD特异向量的分类器,防止过度扩展和文物引入.

主要成果:

• REUCID方法有效地消除了电子显微镜图像中的噪声.
• 混合方法保留了基本的图像对比度和真正的结构特征.
• 与传统技术相比,在高角度环状暗场图像上表现出卓越的性能.

结论:

• REUCID提供了一种有效的数据完整性维护解决方案,用于电子显微镜图像染.
• 这种仅为分类的DNN集成代表了在缓解文物方面取得的重大进展.
• 该方法增强了图像对比度,并保留了结构细节,这对于材料表征至关重要.