Blog

May 10, 2024

Bildentrauschung in der akustischen Mikroskopie mittels Block

Scientific Reports Band 13, Artikelnummer: 13212 (2023) Diesen Artikel zitieren 208 Zugriffe 2 Details zu altmetrischen Metriken Die akustische Rastermikroskopie (SAM) ist eine markierungsfreie Bildgebungstechnik, die in verwendet wird

Wissenschaftliche Berichte Band 13, Artikelnummer: 13212 (2023) Diesen Artikel zitieren

208 Zugriffe

2 Altmetrisch

Details zu den Metriken

Die akustische Rastermikroskopie (SAM) ist eine markierungsfreie Bildgebungstechnik, die in der biomedizinischen Bildgebung, bei zerstörungsfreien Tests und in der Materialforschung zur Visualisierung von Oberflächen- und Untergrundstrukturen eingesetzt wird. Bei der Ultraschallbildgebung können Bildrauschen den Kontrast, die Kanten- und Texturdetails sowie die Auflösung verringern und sich negativ auf die Nachbearbeitungsalgorithmen auswirken. Um das Rauschen im gescannten Bild zu reduzieren, haben wir einen 4D-Block-Matching-Filter (BM4D) eingesetzt, der zur Entrauschung akustischer volumetrischer Signale verwendet werden kann. Der BM4D-Filter nutzt die Transform-Domain-Filtertechnik mit harten Schwellenwert- und Wiener-Filterstufen. Der vorgeschlagene Algorithmus erzeugt im Vergleich zu anderen herkömmlichen Filtermethoden (Gauß-Filter, Median-Filter und Wiener-Filter) die am besten geeignete entrauschte Ausgabe, wenn er auf verrauschte Bilder angewendet wird. Die Ausgabe der BM4D-gefilterten Bilder wurde mit dem Rauschpegel verschiedener herkömmlicher Filter verglichen. Gefilterte Bilder wurden anhand von Metriken wie der strukturellen Ähnlichkeitsindexmatrix (SSIM) und dem Spitzensignal-Rausch-Verhältnis (PSNR) qualitativ analysiert. Die kombinierte qualitative und quantitative Analyse zeigt, dass die BM4D-Technik die am besten geeignete Methode zur Entrauschung der akustischen Bildgebung des SAM ist. Der vorgeschlagene Blockanpassungsfilter eröffnet neue Möglichkeiten im Bereich der akustischen oder photoakustischen Bildrauschunterdrückung, insbesondere in Szenarien mit schlechten Signal-Rausch-Verhältnissen.

In der Materialwissenschaft bis hin zur Biologie werden akustische Rastermikroskope (SAM) erfolgreich eingesetzt, um die Oberflächen- und Innenstrukturen abzubilden und zerstörungsfreie Auswertungen durchzuführen, ohne das untersuchte Material zu beschädigen1. Zusätzlich zu seiner Fähigkeit, Objekte zu prüfen, ist das SAM auch in der Lage, umfangreiche und präzise quantitative Informationen über die geprüften Gegenstände bereitzustellen. SAM verfügt über eine Reihe von Fähigkeiten, darunter die nicht-invasive mikrostrukturelle Charakterisierung von Materialien, die Charakterisierung der mechanischen Eigenschaften piezoelektrischer Materialien auf ihren Oberflächen und unter der Oberfläche, die Überwachung des strukturellen Zustands (SHM) der Verbundstrukturen und die Erkennung von Oberflächendefekten auf Polymeren Schaltkreise und Untersuchung der Ausbreitung anisotroper Phononen2,3,4,5,6,7. Die Technologie von SAM ist in den hart umkämpften und anspruchsvollen Märkten der Mikroelektronik- und Halbleiterindustrie von erheblicher Bedeutung. Es spielt eine entscheidende Rolle bei der Verbesserung von Formdesigns für Flip-Chip-Gehäuse und ist in der Lage, die Feinheiten miniaturisierter Baugruppen wie Chip-Scale-Gehäuse und 3D-IC-Stacks zu bewältigen, was es zu einem wichtigen Werkzeug in der Industrie macht8, 9.

Die Auflösung von Bildern, die von SAM bei einer bestimmten Frequenz erzeugt werden, hängt von der Pixelgröße oder den Scanschritten in x- und y-Richtung sowie von der Punktgröße des akustischen Strahls ab. Bei der Ultraschallbildgebung werden Bilder durch das Sammeln von Signalen erzeugt, und die Qualität der resultierenden Bilder kann durch das Vorhandensein von Rauschen stark beeinträchtigt werden. Bilder mit Rauschen können zu verringertem Kontrast, Verlust von Kanten- und Texturdetails und verringerter Auflösung führen, was sich negativ auf die Leistung des Nachbearbeitungsalgorithmus auswirken kann. Daher ist Rauschen ein kritischer Faktor, der zur Verschlechterung der Signalqualität bei der akustischen Bildgebung beitragen kann. Eine genaue Parameterbestimmung aus erfassten Bildern ist auf eine effektive Bildrauschunterdrückung angewiesen.

Die häufigste und ungelöste Herausforderung bei der Ultraschallbildgebung ist das Vorhandensein von Rauschen aus mehreren Quellen, das häufig zu einer erheblichen Verschlechterung der Bildqualität führt. Folglich wird das Vorhandensein von Lärm bei sensiblen Anwendungen, bei denen der akustische Kontrast eine entscheidende Rolle spielt, zu einem äußerst einschränkenden Faktor. Aufgrund verschiedener Faktoren wie Umgebung, elektronisches Rauschen, Übertragungskabel und andere unterliegen Bilder während der Erfassung, Komprimierung und Übertragung zwangsläufig Rauschen, was zu Verzerrungen und dem Verlust von Bildinformationen führt. Diese Faktoren machen Bilder anfällig für zufälliges Rauschen während der Datenerfassung. Rauschunterdrückungstechniken können in zwei Hauptkategorien eingeteilt werden: räumliche Domänenmethoden und Transformationsdomänenmethoden. Räumliche Filter können weiter in lineare und nichtlineare Filter unterteilt werden und verwenden eine Tiefpassfilterung der Pixelwerte eines Bildes, da Rauschen tendenziell höhere Bereiche im Frequenzspektrum einnimmt10. Räumliche Filter reduzieren das Rauschen tendenziell bis zu einem gewissen Grad, führen jedoch häufig zu einer Unschärfe des Bildes. Im Gegensatz dazu bietet die Transformationsdomäne verschiedene Signalverarbeitungstechniken wie Wavelet-Zerlegung und empirische Modenzerlegung (EMD), um dieses Problem zu lösen11. Darüber hinaus können Methoden wie die Hauptkomponentenanalyse (PCA) und die Singularwertzerlegung (SVD) zur Signalrekonstruktion und -wiederherstellung verwendet werden12, 13. Wang et al. nutzte eine Hybridmethode, die Wellenpaketzerlegung und EMD kombinierte, um Signale zu entrauschen, und anschließend verschiedene Motorfehler mithilfe der Support Vector Machine (SVM) klassifizierte14. In einer separaten Studie haben Fan et al. präsentierte einen Rauschunterdrückungsalgorithmus basierend auf der Hauptkomponentenanalyse (PCA), der anhand simulierter Daten mit unterschiedlichen Rauschpegeln demonstriert wurde15. Huan et al. führte eine Methode namens C-PCASVD ein, die Hauptkomponentenanalyse (PCA) und Singular Value Decomposition (SVD) kombiniert, um die singulären Interferenzwerte zu identifizieren16. Diese Technik ermöglicht ein optimales Gleichgewicht zwischen dem entrauschten freien Induktionszerfall (FID) und der Effizienz der Rauschunterdrückung.

In jüngster Zeit haben Techniken der künstlichen Intelligenz (KI) und insbesondere Deep-Learning-Ansätze (DL) für viele Entrauschungsalgorithmen eine hochmoderne Leistung gezeigt17,18,19,20,21. Zhang et al. führte DnCNN ein, ein beliebtes Deep Convolutional Neural Network (CNN) zur Bildrauschunterdrückung22. Weitere wichtige Beiträge zur Rauschunterdrückung sind Deep Believe Networks (DBN)23, Stacked Auto-Encoder (SAE)24, CNN25 und nicht-lokale neuronale Netze26. CNN-basierte Architekturen zeichnen sich häufig durch den Umgang mit additivem weißen Gaußschen Rauschen (AWGN) aus, haben jedoch möglicherweise Probleme mit anderen Arten von Rauschen. Darüber hinaus erfordern Deep-Learning-Modelle für die Rauschunterdrückung von Ultraschallbildern oft große Trainingsdatensätze, aber Entrauschungs-Autoencoder mit Faltungsschichten haben selbst bei kleineren Stichprobensätzen vielversprechende Ergebnisse gezeigt24. Ein weiterer Ansatz zur Entfleckung von Ultraschallbildern ist die Verwendung von PCANet27, das angepasst wurde, um das klassische Konzept der nicht-lokalen Mittel (NLM)28 einzubeziehen. Das Variational Denoising Network (VDN) ist ein auf Bayesian basierendes Entrauschungsmodell, das die Rauschschätzung mit der Bildentrauschung integriert29, 30. Die auf Deep Learning basierende Bildentrauschung steht jedoch vor der erheblichen Herausforderung, dass große Datenmengen erforderlich sind, die schwer zu beschaffen sein können in der akustischen Bildgebung mit Ausnahme der medizinischen Sonographie. Darüber hinaus umfasst der Trainings- und Validierungsprozess in der Regel bestimmte Bilder, was ihn zu einem probenspezifischen, rechenintensiven und zeitaufwändigen Ansatz macht.

Filtermethoden für Transformationsdomänen können in datenadaptive Transformationsfilter, nicht datenadaptive Transformationsfilter, Blockanpassungsfilter und 3D/4D-Filterfilter (BM3D und BM4D)29,30,31 eingeteilt werden. Transformationsdomänenfilterungsmethoden optimieren die Rauschunterdrückung, indem sie zunächst das verrauschte Bild in eine andere Domäne transformieren. Dieser Ansatz nutzt spezifische Merkmale und Rauscheigenschaften des transformierten Bildes für eine effektive Rauschunterdrückung. Im Fall des BM4D-Filters führt er eine nichtlokale Ähnlichkeitscharakterisierung an einer Reihe aufeinanderfolgender Bilder durch, indem er eine Technik namens Gruppierung und kollaboratives Filtern verwendet. In der Gruppierungsphase werden Gruppen als 3D-Arrays aus untereinander ähnlichen Blöcken gebildet, die aus dem Satz aufeinanderfolgender Bildrahmen extrahiert werden. Mehrere Blöcke aus demselben Bild können in einer Gruppe zusammengefasst werden, wobei natürlich die nichtlokale Ähnlichkeit ausgenutzt wird. Dennoch lassen sich die meisten Blöcke, die miteinander in Zusammenhang stehen, häufig entlang der zeitlichen Dimension identifizieren. Anschließend generiert die kollaborative Filterung eindeutige Schätzungen für jede Gruppe, indem sie den Transformationsbereich der einzelnen Gruppe komprimiert. Wenn die Prävalenz vergleichbarer Gruppen nebeneinander und die hohe lokale Korrelation der Bilddaten bestätigt werden, zeigt jede einzelne Gruppe eine Korrelation in den Messungen über alle Dimensionen hinweg. Die Anwendung einer dekorrelierenden Transformation auf die gruppierten Daten führt zu einer spärlichen Darstellung des wahren Signals. Im Gegensatz zur BM3D-Filterung, die Artefakte einführen kann und eine begrenzte Wirksamkeit bei der Entrauschung bestimmter Bildbereiche zeigt, gruppiert BM4D räumlich-zeitliche Volumina auf der Grundlage ihrer Ähnlichkeiten. In BM4D sind die Gruppen 4D-Stapel von 3D-Volumen, und die kollaborative Filterung wird mithilfe einer trennbaren 4D-raumzeitlichen Transformation durchgeführt. Aufgrund der extremen Spärlichkeit des 4D-Gruppenspektrums ist die in BM4D erzielte Rauschreduzierung erfolgreicher als in BM3D. Dies macht BM4D besonders effektiv bei der Reduzierung von Lärm in Regionen, in denen die visuelle Aufmerksamkeit hauptsächlich konzentriert ist. In diesem Artikel wird eine neuartige Bildentrauschungsmethode namens BM4D vorgestellt, die Blockabgleich und vierdimensionale Filterung im dreidimensionalen Transformationsbereich nutzt. Die 3D-Transformation bietet im Vergleich zu häufig verwendeten Wavelet- oder Contourlet-Transformationen überlegene mathematische Eigenschaften und erfasst effektiv anisotrope Bildeigenschaften in verschiedenen Maßstäben und Richtungen. Durch die Erweiterung von BM3D auf vier 4D-Räume verbessert die Methode Kanten- und Texturdetails in den Bildern erheblich. Wir haben den 4D-Blockanpassungsfilter auf Signalscans mit niedriger Amplitude und niedrigem Signal-Rausch-Verhältnis angewendet und seine Leistung mit anderen Entrauschungsfiltern (Gauß-, Median- und Wiener-Filter) unter Verwendung des Spitzen-Signal-Rausch-Verhältnisses (PSNR) verglichen Bewertung des strukturellen Ähnlichkeitsindex (SSIM).

Im BM4D-Algorithmus werden verrauschte volumetrische Daten als Beobachtung z : X → ℝ der Form betrachtet

Hier in dieser Gleichung ist y das ursprüngliche, unbekannte und volumetrische Signal, x ist eine 3D-Koordinate, die zum Signalbereich \(X \subset {\mathbb{Z}}^{3},\) gehört und \ (\eta (\cdot ) \sim N(0, {\sigma }^{2})\) ist unabhängiges und identisch verteiltes (iid) Gaußsches Rauschen mit Mittelwerten Null und bekannter Standardabweichung σ.

BM4D arbeitet in zwei Kaskadenstufen, einer Stufe mit harter Schwelle und einer Wiener-Filterstufe.

Auf der Hard-Thresholding-Stufe werden die vierdimensionalen Gruppen erstellt, indem verrauschte, dreidimensionale Würfel, die mit \({C}_{{x}_{R}}^{z}\) identisch sind, entlang eines vierten zusätzlichen gestapelt werden Abmessungen. Hier bezeichnet \({C}_{{x}_{R}}^{z}\) einen Würfel von \({L}^{3}\), wobei \(L \in {\mathbb{N} }\), extrahiert aus der verrauschten Beobachtung z an der 3D-Koordinate \({x}_{R} \in X\). Genauer gesagt wird der fotometrische Abstand verwendet, um zu berechnen, wie ähnlich zwei Würfel sind, was definiert ist durch:

wobei \({|| \cdot ||}_{2}^{2}\) die Summe der quadrierten Differenzen zwischen entsprechenden Intensitäten der beiden Eingabewürfel bezeichnet und der Nenner \({L}^{3}\) dient als Normalisierungsfaktor. Vor dem Cube-Matching wird keine Vorfilterung durchgeführt, sodass die Ähnlichkeit von Rauschbeobachtungen direkt getestet werden kann. Im Gruppierungsschritt werden einander ähnliche Würfel aus z extrahiert und zu einer Gruppe für jeden Würfel \({C}_{{x}_{R}}^{z}\) zusammengefasst. Wenn der Abstand zwischen zwei Würfeln nicht größer als der vordefinierte Schwellenwert \({\tau }_{match}^{ht}\) war, werden die beiden Würfel als ähnlich betrachtet. Ähnlich wie bei \({C}_{xR}^{z}\) definieren wir hier zunächst eine Menge, die die Indizes für die Würfel enthält, wie folgt:

Dann wird eine vierdimensionale Gruppe nach der obigen Formel erstellt (wobei \({\coprod }\) die disjunkte Vereinigungsoperation ist):

wobei der Referenzwürfel (dargestellt durch R) mit einer Reihe ähnlicher Würfel übereinstimmt, die sich in den 3D-Daten befinden. Insbesondere entsprechen die Koordinaten \({x}_{R}\) und \({x}_{i}\) dem Ende und der Spitze des Pfeils, der die Würfel in Formel (4) verbindet.

Im kollaborativen Filterschritt wurde eine gemeinsame vierdimensionale Transformation \({T}_{4D}^{ht}\) auf jede Dimension von Gl. angewendet. (5) bzw. Dann wird durch einen harten Schwellenwertoperator \({\gamma }^{ht}\) mit dem Schwellenwert \(\sigma {\lambda }_{4D}\) das erhaltene vierdimensionale Gruppenspektrum erhalten

Beachten Sie, dass, da der Abstand jedes Würfels zu sich selbst gemäß der Definition von Formel (4) immer 0 ist, jede Formel (5) mindestens ihren Referenzwürfel enthalten muss. Es stellt die Filtergruppe dar und wird in die folgende Form umgewandelt:

Für jedes unbekannte Volumendatum y ist der geschätzte \({\widehat{C}}_{{x}_{i}}^{y}\) des ursprünglichen \({C}_{{x}_{i }}^{y}\) wurde separat extrahiert. Formel (6) war eine unvollständige Darstellung der Entrauschungsdaten, da Würfel in verschiedenen Gruppen sowie Würfel innerhalb derselben Gruppe wahrscheinlich überlappen; Somit liefern unterschiedliche Würfel innerhalb der überlappenden Bereiche mehrere und im Allgemeinen unterschiedliche Schätzungen für dasselbe Voxel. Im Aggregationsschritt wird diese Redundanz durch eine adaptive konvexe Kombination ausgenutzt, um die grundlegende volumetrische Schätzung zu erstellen

wobei \({\omega }_{xR}^{ht}\) gruppenabhängige Gewichte sind, \({\chi }_{{x}_{i}} : X \to \{0, 1\} \) ist die charakteristische (Indikator-)Funktion des Definitionsbereichs von \({\widehat{C}}_{{x}_{i}}^{y}\) (d. h. \({\chi }_{{ x}_{i}}\) = 1 über den Koordinaten der Voxel von \({\widehat{C}}_{{x}_{i}}^{y}\) und \({\chi } _{{x}_{i}}\) = 0 an anderer Stelle), und jedes \({\widehat{C}}_{{x}_{i}}^{y}\) wird als Null angenommen. außerhalb seiner Domäne aufgefüllt. Beachten Sie, dass während in BM3D ein 2D-Kaiser-Fenster mit der gleichen Größe wie die Blöcke verwendet wird, um Blockierungsartefakte in der aggregierten Schätzung zu verringern, wir im vorgeschlagenen BM4D aufgrund der geringen Größe der Würfel keine solche Fensterung durchführen . Die Gewichte in Gl. (7) sind definiert als

wobei σ die Standardabweichung des Rauschens in z ist und \({N}_{{x}_{R}}^{ht}\) die Anzahl der von Null verschiedenen Koeffizienten in Gleichung bezeichnet. (5). Da der DC-Koeffizient (diskreter Kosinus) nach der Schwellenwertbildung immer erhalten bleibt, d. h. \({N}_{{x}_{R}}^{ht}\) ≥ 1, ist der Nenner von Gl. (8) ist niemals Null. Die Zahl \({N}_{{x}_{R}}^{ht}\) hat eine doppelte Interpretation: Einerseits misst sie die Sparsität des Schwellenwertspektrums (Gleichung 5) und andererseits , es nähert sich der gesamten Restrauschvarianz der Gruppenschätzung (Gleichung 6). Dadurch werden Gruppen mit höheren Korrelationsniveaus mit größeren Gewichtungen belohnt, während Gruppen mit höheren Restgeräuschpegeln mit kleineren Gewichtungen bestraft werden.

Im Anschluss an den vorherigen Schritt verwendet der BM4D-Algorithmus die Wiener-Filterung, einen etablierten und weit verbreiteten adaptiven Filter in der Signalverarbeitung32,33,34,35. Der Wiener-Filter ist für seine Einfachheit, Stabilität und Geschwindigkeit bekannt und hat sich in verschiedenen Signalverarbeitungsanwendungen als optimaler Filter erwiesen. Insbesondere wird in BM4D der Wiener-Filter verwendet, um Rauschen aus jedem 3D-Block von Wavelet-Koeffizienten zu entfernen, sodass der Algorithmus das ursprüngliche, saubere Signal aus dem verrauschten Eingang schätzen kann.

wobei \({P}_{raw}\) die Rohdaten im Detektorbereich darstellt. Bezeichnet man \({\mu }_{m}\) und \({\sigma }_{m}^{2}\) als lokalen Mittelwert bzw. lokale Varianz von \({P}_{raw}\), \({v}^{2}\) als Mittelwert der lokalen Varianz \({\sigma }_{m}^{2}\). \({P}_{wiener}\) ist das Entrauschungsergebnis nach der Wiener-Filterung.

Nach den oben genannten Schritten wird der BM4D-Filterprozess für verrauschte 3D-Domänendaten durchgeführt und das Endergebnis wird nach der Wiener-Filterstufe erhalten.

In diesem Artikel wird der BM4D-Algorithmus verwendet, um die erfassten Bilder durch den experimentellen Aufbau der SAM-Technik zu entrauschen. Der angewandte Algorithmus ist weiter in zwei Schritte unterteilt. Im ersten Schritt werden die verrauschten 3D-Domänendaten zunächst durch einen Block-Matching-Algorithmus gruppiert und die gefilterte Ausgabe von Schritt 1 wird durch harte Schwellenwertfilterung, gefolgt von Schätzung und Aggregation, erhalten. Danach haben wir im zweiten Schritt die Wiener-Filterung auf die Ausgabe von Schritt 1 angewendet. Das endgültige entrauschte Ausgabebild wird dann am Ende von Schritt 2 gesammelt, nachdem die gefilterten Blöcke in der 4D-Domäne aggregiert wurden. Ein Flussdiagramm des Arbeitsprozesses des angewandten BM4D-Algorithmus ist in Abb. 1 dargestellt.

Diese Abbildung veranschaulicht die Schritte des 4D-Blockanpassungsfilters, der über verrauschte Daten durchgeführt wird. Hier wurde ein 0,24-V-Signal mit niedriger Amplitude als Eingangsdaten verwendet und der rechte Ausgang stellt das BM4D-gefilterte Ergebnis dar.

Abbildung 2 zeigt ein beschriftetes Bild von SAM, das zur Aufnahme von Bildern der Probe verwendet wird. SAM nutzt Reflexions- und Transmissionsmodi, um Bilder zu erstellen, die verschiedene Merkmale der Probe offenbaren. Ein Bild (Abb. 2) von SAM wurde mit Anmerkungen versehen und wird für die Bildaufnahme verwendet. Weitere Einzelheiten zu den Funktionsprinzipien dieser Modi finden Sie an anderer Stelle. In diesem Artikel haben wir uns auf die Verwendung des Reflexionsmodus zum Scannen der Proben konzentriert36. Ein konkaver, sphärischer Saphirlinsenstab wird häufig verwendet, um akustische Energie durch ein Kopplungsmedium (in diesem Fall Wasser) zu fokussieren, und Ultraschallsignale werden von einem Signalgenerator erzeugt und an die Probe gesendet. Nachdem die Wellen die Signale von der Probe zurückgeworfen haben, werden sie erkannt und in ein digitales Signal umgewandelt, das als A-Scan oder Amplitudenscan bezeichnet wird. Um ein C-Scan-Bild der Probe zu erstellen, wird dieser Vorgang an verschiedenen Stellen in der XY-Ebene durchgeführt. Eine andere Möglichkeit, einen C-Scan darzustellen, ist die Kombination von A-Scans in zwei Dimensionen.

Diese Abbildung zeigt ein beschriftetes Bild des für die Bildaufnahme verwendeten SAM und zeigt alle wesentlichen Komponenten, aus denen ein SAM im Versuchsaufbau besteht.

Ein LabView-Programm steuerte ein speziell angefertigtes SAM, wie in Abb. 2 dargestellt, das einen hochpräzisen Scantisch von Standa (8MTF-200-motorisierter XY-Mikroskoptisch) für die während des Experiments gesammelten Daten enthielt. In einer früheren Studie derselben Gruppe wurde eine vergleichbare Versuchsanordnung verwendet, um geneigte Proben zu berücksichtigen37. Die akustischen Bildgebungsfunktionen wurden mithilfe der PXIe-FPGA-Module und der FlexRIO-Hardware von National Instruments ermöglicht, die in einem PXIe-Chassis (PXIe-1082) untergebracht waren, das einen Arbiträrwellenformgenerator (AT-1212) enthielt. Der Wandler wurde mit mexikanischen Hutsignalen angeregt und mit einem HF-Verstärker (AMP018032-T) verstärkt, um die Ultraschallsignale zu verstärken. Die von der Probenoberfläche erzeugten akustischen Reflexionen wurden mit einem speziell entwickelten Verstärker verstärkt und anschließend mit einem speziell entwickelten Vorverstärker weiter verstärkt und mit einem 12-Bit-Hochgeschwindigkeitsdigitalisierer (1,6 GS/s) digitalisiert ( NI-5772). Für die Grundwahrheit wurde ein von Olympus hergestellter fokussierter 50-MHz-Wandler mit einer Apertur von 6,35 mm und einer Brennweite von 12 mm verwendet.

Für diese Arbeit wurde eine Reihe experimenteller Tests mit einem speziell entwickelten SAM in Verbindung mit einem Scantisch durchgeführt. Diese Phase wurde genutzt, um eine maßgeschneiderte Ultraschall-Scanplattform zu erstellen, die mit der LabVIEW-Software gesteuert werden konnte, wie in Referenz38 ausführlich beschrieben. Um die Ultraschallfunktionalität des Mikroskops zu implementieren, haben wir. Während der Experimente wurde das Mikroskop auf einen Punkt fokussiert, der etwa in der Mitte der Probe lag. Um die Scanzeit und die durch schnelle Wandlerbewegungen verursachten Turbulenzen zu minimieren, wurde für das Bühnenscannen ein Serpentinenmodus verwendet. Der gesamte Versuchsaufbau ist in Abb. 2 dargestellt. Zu Beginn des Experiments wurde ein Ground-Truth- oder Referenzscan mit 0,65 Vpp (maximal 1 Vpp) vom Signalgenerator durchgeführt. Später wurden zwei weitere Experimente mit 0,24 bzw. 0,25 Vpp durchgeführt. Diese beiden Experimente wurden als neugierig gescannte Daten betrachtet.

Für dieses Experiment wurde eine Standard-Euro-1-Cent-Münze als Referenzprobe mit verschiedenen Amplituden gescannt. Die aus dem Experiment unter allgemeinen Bedingungen erhaltenen Scans enthalten Rauschen, das aus verschiedenen Gründen wie Umgebungsparametern, Instrumenten- und Messfehlern und anderen Gründen entsteht. Später haben wir versucht, mithilfe des vorgeschlagenen Algorithmus Rauschen aus diesen Scans zu entfernen. Die Grundwahrheit oder der nahezu rauschfreie Scan wird auch aus dem Experiment gewonnen, bei dem alle Lese- und Scanparameter unter nahezu idealen Bedingungen erfasst werden, um die Rauschparameter zu reduzieren. Abbildung 3 zeigt die Grundwahrheit bzw. das Referenzbild, das schließlich zum Vergleich mit den Ergebnissen verschiedener Entrauschungsfilter verwendet wird.

Die in diesem Zusammenhang dargestellte Abbildung zeigt zwei visuelle Darstellungen der Ground-Truth-Daten der 1-Cent-Euro-Münze. Das linke Bild stellt ein Amplitudenbild und das rechte Bild ein Zeitbereichsnetzdiagramm dar, das eine dreidimensionale Visualisierung der Ground-Truth-Daten darstellt.

In diesem Artikel haben wir verschiedene Entrauschungsfilter untersucht, um die Genauigkeit zu verbessern und rauschfreie Ergebnisse für die Zeitbereichssignale zu erhalten. Zu den getesteten Filtern gehörten der Gauß-Filter, der Median-Filter, der Wiener-Filter und der 4D-Block-Matching-Filter (BM4D). Insbesondere der BM4D-Filter zeigte vielversprechende Ergebnisse, was uns dazu veranlasste, den Ansatz weiter zu verbessern, indem wir den 3D-Block-Matching-Filter auf das entrauschte Signal anwendeten.

Um die Wirksamkeit der Filter bei der Verarbeitung von Daten mit niedriger Amplitude zu bewerten, haben wir zwei Datensätze mit Amplituden von 0,24 Vpp bzw. 0,25 Vpp verwendet. Durch gründliche Analyse und Vergleich haben wir festgestellt, dass der BM4D-Filter zusammen mit dem zusätzlichen 3D-Block-Matching-Filter die günstigsten Entrauschungsergebnisse lieferte, was ihn zu einer ausgezeichneten Wahl für die Verbesserung der Qualität von Daten mit niedriger Amplitude in unserer Studie macht.

In Abb. 4 haben wir die Ergebnisse der Anwendung mehrerer Entrauschungsfilter auf Signaldaten mit niedriger Amplitude und einer Amplitude von 0,24 Vpp dargestellt, um deren Wirksamkeit bei der Verbesserung der Ausgabequalität zu bewerten. Insbesondere haben wir ein Amplitudenbild und das entsprechende Linienprofil bei Y = 201 (dargestellt durch die gelbe Linie) der entsprechenden Bilder für jeden der folgenden Entrauschungsfilter eingefügt: (a) die ursprünglichen verrauschten Daten, (b) die Amplitudenbild nach Anwendung eines Gaußschen Filters auf die Zeitbereichssignale der verrauschten Daten, (c) das Amplitudenbild nach Anwendung eines Medianfilters auf die Zeitbereichssignale der verrauschten Daten, (d) das Amplitudenbild nach Anwendung eines Wiener-Filters auf die Zeitbereichssignale der verrauschten Daten und (e) das Amplitudenbild nach Anwendung eines 4D-Blockanpassungsfilters auf die Zeitbereichssignale der verrauschten Daten.

Die Abbildung zeigt die Verwendung mehrerer Rauschunterdrückungsfilter, einschließlich Gauß-, Median-, Wiener-Filter und BM4D, für Signaldaten mit niedriger Amplitude und einer Amplitude von 0,24 Vpp. Die entrauschten Ausgänge jedes Filters werden dargestellt, was einen Vergleich ihrer Rauschunterdrückungsfähigkeiten und Verbesserung der Signalklarheit erleichtert. Diese Analyse ermöglicht die Bewertung, wie effektiv diese Filter die Rauschunterdrückung bei Signalen mit niedrigen Amplituden bewältigen.

Abbildung 4 liefert klare Beweise dafür, dass der BM4D-Filter andere Filter bei der Rauschunterdrückung des ursprünglichen verrauschten Bildes übertrifft. Die Bildqualität verbessert sich mit dem BM4D-Filter erheblich und übertrifft die Ergebnisse, die mit anderen Filtern erzielt werden. Die Linienprofilanalyse bestätigt außerdem, dass der BM4D-Filter das Gesamtrauschen im Bild wirksam reduziert. Darüber hinaus schafft es der BM4D-Filter, die Bildstruktur beizubehalten und gleichzeitig den Großteil des Rauschens effektiv zu entfernen, was seine überlegenen Rauschunterdrückungsfähigkeiten unter Beweis stellt. Dies macht den BM4D-Filter zur bevorzugten Wahl, um in unserer Studie qualitativ hochwertige Entrauschungsergebnisse zu erzielen.

In Abb. 5 haben wir eine Bewertung der Wirksamkeit von 4D- und 3D-Blockanpassungsfiltern bei der Verbesserung der Qualität der Ausgabe bereitgestellt, die durch die Verarbeitung von Signaldaten mit niedriger Amplitude und einer Amplitude von 0,24 Vpp erhalten wird. Insbesondere enthält die Abbildung (a) die ursprünglichen verrauschten Daten, (b) das Amplitudenbild nach Anwendung eines 4D-Blockanpassungsfilters (BM4D) auf die Zeitbereichssignale der verrauschten Daten und (c) das Amplitudenbild nach Anwendung von a 3D-Block-Matching-Filter (BM3D) für das Bild, das durch Filtern der 4D-Block-Matching-gefilterten Daten erhalten wird. Zusätzlich ist das entsprechende Linienprofil bei Y = 201 (dargestellt durch die gelbe Linie) der Bilder in der Abbildung enthalten. Nachdem wir die Bilder in Abb. 5 qualitativ beurteilt haben, können wir feststellen, dass der BM4D-Filter das Rauschen effektiv aus dem Originalbild entfernt. Aber die Anwendung des BM3D-Filters auf das mit dem BM4D-Algorithmus erfasste Entrauschungsbild reduziert das Rauschen erheblich und behält gleichzeitig die Bildstruktur und die Gesamtqualität bei. Diese Einschätzung kann auch anhand des Linienprofils verifiziert werden, das uns einen allgemeinen Überblick über die Gesamtleistung des kombinierten BM4D- und BM3D-Filters gibt.

Die Abbildung veranschaulicht die Anwendung von drei Entrauschungsfiltern, nämlich BM3D, BM4D und einem kombinierten Ansatz aus BM4D und BM3D, auf Signaldaten mit niedriger Amplitude und einer Amplitude von 0,24 Vpp. Die von jedem Filter erhaltenen entrauschten Ausgänge werden angezeigt, um ihre Leistung bei der Reduzierung von Rauschen und der Verbesserung der Klarheit des Signals darzustellen. Diese Analyse ermöglicht einen umfassenden Vergleich der Wirksamkeit dieser Filter bei der Bewältigung der Rauschunterdrückung von Signalen mit niedriger Amplitude.

In ähnlicher Weise haben wir in Abb. 6 die Ergebnisse der Anwendung mehrerer Entrauschungsfilter auf Signaldaten mit niedriger Amplitude und einer Amplitude von 0,25 Vpp dargestellt, um ihre Wirksamkeit bei der Verbesserung der Qualität der Ausgabe zu bewerten. Insbesondere haben wir ein Amplitudenbild und das entsprechende Linienprofil bei Y = 201 (dargestellt durch die gelbe Linie) der entsprechenden Bilder für jeden der folgenden Entrauschungsfilter eingefügt: (a) die ursprünglichen verrauschten Daten, (b) die Amplitudenbild nach Anwendung eines Gaußschen Filters auf die Zeitbereichssignale der verrauschten Daten, (c) das Amplitudenbild nach Anwendung eines Medianfilters auf die Zeitbereichssignale der verrauschten Daten, (d) das Amplitudenbild nach Anwendung eines Wiener-Filters auf die Zeitbereichssignale der verrauschten Daten und (e) das Amplitudenbild nach Anwendung eines 4D-Blockanpassungsfilters auf die Zeitbereichssignale der verrauschten Daten. Darüber hinaus enthält Abb. 7f – j die entsprechenden Linienprofile bei Y = 201, angezeigt durch die gelbe Linie, für die Bilder.

Die Abbildung zeigt die Anwendung verschiedener Entrauschungsfilter auf Signaldaten mit niedriger Amplitude und einer Amplitude von 0,25 Vpp. Die von jedem Filter erhaltenen entrauschten Ausgänge (Gauß-, Median-, Weiner-Filter, BM4D) werden angezeigt und ermöglichen einen Vergleich ihrer Leistung bei der Reduzierung von Rauschen und der Verbesserung der Klarheit des Signals. Diese Analyse ermöglicht es uns, die Wirksamkeit der verschiedenen Filter bei der Bewältigung der Rauschunterdrückung bei Signalen mit niedrigen Amplituden zu bewerten.

In der dargestellten Abbildung ist der Entrauschungsprozess für Signaldaten mit niedriger Amplitude und einer Amplitude von 0,25 Vpp dargestellt. Auf das Eingangssignal werden drei verschiedene Rauschunterdrückungsfilter angewendet, nämlich BM3D, BM4D und ein kombinierter BM4D- und BM3D-Filter.

In Abb. 7 haben wir eine Bewertung der Wirksamkeit von 4D- und 3D-Blockanpassungsfiltern bei der Verbesserung der Qualität der Ausgabe bereitgestellt, die durch die Verarbeitung von Signaldaten mit niedriger Amplitude und einer Amplitude von 0,25 Vpp erhalten wird. Insbesondere enthält die Abbildung (a) die ursprünglichen verrauschten Daten, (b) das Amplitudenbild nach Anwendung eines 3D-Blockanpassungsfilters auf die Zeitbereichssignale der verrauschten Daten, (c) das Amplitudenbild, das durch Anwendung eines 4D-Blocks erhalten wird -Matching-Filter für die Zeitbereichssignale der verrauschten Daten und (d) das Amplitudenbild nach Anwendung eines 3D-Block-Matching-Filters auf das Bild, das durch Filtern der 4D-Block-Matching-gefilterten Daten erhalten wurde. Zusätzlich sind die entsprechenden Linienprofile bei Y = 201 (dargestellt durch die gelbe Linie) der Bilder in Abb. 7e – h enthalten.

Die Ergebnisse der Rauschunterdrückung zeigen deutlich, dass der BM4D-Filter sehr effektiv Rauschen reduziert und die Qualität von Signaldaten mit niedriger Amplitude und einer Amplitude von 0,25 Vpp verbessert. Im Vergleich zu anderen herkömmlichen Filtern wie Gauß-, Median- und Wiener-Filtern zeigt der BM4D-Filter die beste Leistung hinsichtlich der Rauschunterdrückung und der Erhaltung von Bildstrukturen. Darüber hinaus führt die Kombination der BM4D- und BM3D-Filter zu noch besseren Ergebnissen, wodurch die Klarheit der entrauschten Ausgabe weiter verbessert wird.

Die Linienprofile jedes entrauschten Bildes bestätigen auch die Überlegenheit des BM4D-Filters bei der Rauschreduzierung. Der vorgeschlagene Rauschunterdrückungsalgorithmus übertrifft durchweg andere herkömmliche Filter und führt zu den genauesten und rauschfreien Bildern. Die Abbildungen 8 und 9 zeigen den endgültigen entrauschten Ausgang des BM4D-Filters und stellen entrauschte Amplituden- und Zeitbereichssignaldiagramme für Signale mit niedriger Amplitude von 0,24 Vpp und 0,25 Vpp dar. Diese Zahlen unterstreichen die Wirksamkeit und Robustheit des vorgeschlagenen Rauschunterdrückungsalgorithmus bei der Verarbeitung von Daten mit geringer Amplitude und der Verbesserung der Gesamtbildqualität.

Die Abbildung zeigt die Ergebnisse der Anwendung des BM4D-Filters auf Signale mit niedriger Amplitude und einer Amplitude von 0,24 Vpp. Es zeigt sowohl das Amplitudenbild (links) als auch das entsprechende Zeitbereichsbild (rechts), die nach dem Entrauschungsprozess mit dem BM4D-Filter erhalten wurden.

Die Abbildung zeigt die BM4D-gefilterten Daten für Signale mit niedriger Amplitude und einer Amplitude von 0,25 Vpp. Es stellt sowohl das Amplitudenbild (links) als auch das entsprechende Zeitbereichsbild (rechts) dar, die nach Anwendung des BM4D-Filters erhalten wurden.

Bei der Auswertung der gefilterten Ausgabe stießen wir auf ein Problem, bei dem die verrauschten Daten und die Ground-Truth-Daten leichte Translations- und Rotationsabweichungen aufwiesen. Diese Fehlausrichtung beeinträchtigte die Genauigkeit der Auswertungen des Spitzensignal-Rausch-Verhältnisses (PSNR) und des Strukturähnlichkeitsindexmaßes (SSIM) und machte es schwierig, zuverlässige Ergebnisse zu erhalten.

Um diese Herausforderung zu meistern, verwendeten wir eine über MATLAB implementierte Bildregistrierungstechnik. Diese Technik ermöglichte es uns, die verrauschten Daten genau mit den Ground-Truth-Daten abzugleichen und etwaige Translations- und Rotationsabweichungen zu korrigieren. Als Ergebnis erhielten wir präzisere Messungen von PSNR und SSIM, was eine zuverlässigere Beurteilung der von den verschiedenen Filtern erzielten Rauschunterdrückungsleistung ermöglichte. Mit den korrigierten Auswertungen konnten wir bestätigen, dass der BM4D-Filter die besten Entrauschungsergebnisse lieferte und das Rauschen deutlich reduzierte, während die strukturellen Details des Bildes erhalten blieben. Die Linienprofilanalyse bestätigte außerdem die Wirksamkeit des BM4D-Filters bei der Reduzierung des Gesamtrauschens im Bild. Insgesamt lieferte die Anwendung der Bildregistrierungstechnik eine umfassendere und genauere Bewertung der Leistung der Rauschunterdrückungsalgorithmen.

Die Bestimmung der Ähnlichkeit zwischen der Grundwahrheit (Referenzbild) und gefilterten Bildern ist eine wesentliche Komponente für die Berechnung des Spitzensignal-Rausch-Verhältnisses (PSNR) und des strukturellen Ähnlichkeitsindexmaßes (SSIM)39. Als Referenzbild wird ein SAM-Bild mit geeigneter Amplitude gewählt, während als erfasstes Bild ein SAM-Bild mit niedriger Amplitude verwendet wird. Sobald diese Bilder registriert wurden, werden sie anhand ihres Inhalts verglichen. Nach der Verarbeitung der Daten mit niedriger Amplitude mithilfe verschiedener Entrauschungsfilter musste die Qualität der erhaltenen Ausgabe bewertet werden. In diesem Zusammenhang wurden zwei häufig verwendete Maße, nämlich das Spitzensignal-Rausch-Verhältnis (PSNR) und das Strukturähnlichkeitsindexmaß (SSIM), verwendet, um die Leistung der Entrauschungsfilter quantitativ zu bewerten.

Das PSNR ist eine häufig verwendete Metrik zur Bewertung der Qualität eines entrauschten Signals durch Berechnung des Verhältnisses der Spitzensignalleistung zum mittleren quadratischen Fehler (MSE) zwischen dem ursprünglichen und dem entrauschten Signal. Höhere PSNR-Werte weisen auf eine bessere Leistung des Entrauschungsfilters bei der Erhaltung der Signalqualität hin. In ähnlicher Weise misst das SSIM die strukturelle Ähnlichkeit zwischen dem ursprünglichen und dem entrauschten Signal, indem es deren Luminanz, Kontrast und Strukturinformationen vergleicht. SSIM-Werte reichen von 0 bis 1, wobei ein Wert von 1 eine perfekte Übereinstimmung zwischen dem ursprünglichen und dem entrauschten Signal anzeigt. Die resultierenden PSNR- und SSIM-Werte, die aus den entrauschten Signalen von Daten mit niedriger Amplitude (0,24 Vpp und 0,25 Vpp) erhalten wurden, wurden in den Tabellen 1 und 2 tabellarisch aufgeführt, um einen direkten Vergleich der Leistung jedes Entrauschungsfilters zu ermöglichen. Dieser Bewertungsprozess stellt die Wirksamkeit der vorgeschlagenen Methode zur Verbesserung der Qualität verrauschter Signale sicher.

Die quantitative Analyse auf Basis der PSNR- und SSIM-Werte zeigt, dass der kombinierte BM4D- und BM3D-Filter das beste Ergebnis zeigt, der die höchsten PSNR- und SSIM-Werte aufweist, gefolgt vom BM4D-Filter (Tabellen 1 und 2). Andere angewandte herkömmliche Filter weisen im Vergleich zum vorgeschlagenen Algorithmus eine geringere Leistung auf. Wir haben eine umfassende Analyse der Bilder durchgeführt und dabei die Amplitude (0,24 V und 0,25 V) des Eingangssignals variiert. Dieser Ansatz wurde gewählt, um die Robustheit und Wirksamkeit der vorgeschlagenen Entrauschungsmethode zu demonstrieren. Die Ergebnisse dieser Analyse werden in den Tabellen (Tabellen 1 und 2) übersichtlich dargestellt und liefern wertvolle Einblicke in die Leistung unserer Methode bei verschiedenen Signalamplituden. Diese eingehende Analyse beweist, dass unser vorgeschlagener Algorithmus am besten geeignet ist, die mit der SAM-Technik erfassten verrauschten Daten zu entrauschen.

In diesem Artikel haben wir gezeigt, dass ein 4D-Blockanpassungsfilter verwendet werden kann, um die volumetrischen Signale des akustischen Mikroskops zu entrauschen. Hier demonstrierten wir die Wiederherstellung der verrauschten Daten, die bei Signalscans mit niedriger Amplitude oder verrauschten Bildern mit einem niedrigen Signal-Rausch-Verhältnis erhalten wurden. Die gescannten Signaldaten mit niedriger Amplitude betragen 0,25 Vpp und 0,24 Vpp. Wir haben es mit verschiedenen herkömmlichen Entrauschungsfiltern wie dem Gauß-Filter, dem Median-Filter und dem Wiener-Filter verglichen und das Bild mit unserem vorgeschlagenen 4D- und 3D-Block-Matching-Filter verglichen. Aus der visuellen Betrachtung des Bildes und der Betrachtung der erhaltenen Werte für das maximale Signal-Rausch-Verhältnis (PSNR) und den Strukturähnlichkeitsindex (SSIM) geht hervor, dass der vorgeschlagene Blockanpassungsfilter eine bessere Leistung erbrachte als die verglichenen herkömmlichen Entrauschungsfilter über Zeitbereichssignale angewendet. Der vorgeschlagene Blockanpassungsfilter wäre eine gute Option bei der Bildrauschunterdrückung, wo das Signal-Rausch-Verhältnis schlecht ist, wie bei der photoakustischen Bildgebung (Ergänzende Informationen).

Die Autoren erklären auf begründete Anfrage des entsprechenden Autors die Verfügbarkeit der in der Forschung verwendeten Daten und Codes, um die im Manuskript berichteten Ergebnisse zu erhalten.

Briggs, A. & Kolosov, O. Akustische Mikroskopie (Oxford University Press, 2010).

Google Scholar

Hofmann, M. et al. Rasterakustische Mikroskopie – Eine neuartige nichtinvasive Methode zur Bestimmung des interstitiellen Tumorflüssigkeitsdrucks in einem Xenotransplantat-Tumormodell. Übers. Onkol. 9(3), 179–183 (2016).

Artikel PubMed PubMed Central Google Scholar

Habib, A. et al. Mechanische Charakterisierung von gesintertem piezoelektrischem Keramikmaterial mittels akustischem Rastermikroskop. Ultraschall 52(8), 989–995 (2012).

Artikel CAS PubMed Google Scholar

Bauermann, LP et al. Rasterakustische Mikroskopie als zerstörungsfreies Bildgebungsinstrument zur Lokalisierung von Defekten innerhalb von Batteriezellen. J. Power Sources Adv. 6, 100035 (2020).

Artikel Google Scholar

Wagle, S., Habib, A. & Melandsø, F. Ultraschallmessungen von Oberflächendefekten auf flexiblen Schaltkreisen mit hochfrequenzfokussierten Polymerwandlern. Jpn. J. Appl. Physik. 56(7S1), 07JC05 (2017).

Artikel Google Scholar

Karbhari, VM Zerstörungsfreie Bewertung (NDE) von Polymermatrix-Verbundwerkstoffen (Elsevier, 2013).

Buchen Sie Google Scholar

Habib, A. et al. Quantitative Ultraschallcharakterisierung eines c-Achsen-orientierten polykristallinen AlN-Dünnfilms für die Anwendung in intelligenten Geräten. Acta Acust. Akustisch. 101(4), 675–683 (2015).

Artikel Google Scholar

Wolf, M., Nair, AS, Hoffrogge, P., Kühnicke, E. & Czurratis, P. Verbesserte Fehleranalyse in der akustischen Rastermikroskopie durch fortschrittliche Signalverarbeitungstechniken. Mikroelektron. Zuverlässig. 138, 114618 (2022).

Artikel Google Scholar

Brand, S., Czurratis, P., Hoffrogge, P. & Petzold, M. Automatisierte Inspektion und Klassifizierung von Flip-Chip-Kontakten mittels akustischer Rastermikroskopie. Mikroelektron. Zuverlässig. 50(9–11), 1469–1473 (2010).

Artikel CAS Google Scholar

Fan, L., Zhang, F., Fan, H. & Zhang, C. Kurzer Überblick über Techniken zur Bildrauschunterdrückung. Vis. Berechnen. Indus. Biomed. Art. 2(1), 1–12 (2019).

CAS Google Scholar

Liu, D. & Chen, X. Bildrauschen basierend auf einer verbesserten Schwellenwerttechnologie für die zweidimensionale empirische Modenzerlegung. Multimed. Werkzeuge Appl. 78, 7381–7417 (2019).

Artikel Google Scholar

Malladi, SRS, Ram, S. & Rodríguez, JJ Bildrauschen unter Verwendung von Superpixel-basiertem PCA. IEEE Trans. Multimed. 23, 2297–2309 (2020).

Artikel Google Scholar

Li, P., Wang, H., Li, X. & Zhang, C. Ein Bildentrauschungsalgorithmus basierend auf adaptivem Clustering und Singulärwertzerlegung. IET Image Proc. 15(3), 598–614 (2021).

Artikel Google Scholar

Wang, Y., Ma, Q., Zhu, Q., Liu, X. & Zhao, L. Ein intelligenter Ansatz zur Motorfehlerdiagnose basierend auf der Hilbert-Huang-Transformation und der Support-Vektor-Maschine. Appl. Akustisch. 75, 1–9 (2014).

Artikel CAS Google Scholar

Fan, S., Han, W., Gao, Z., Yin, R. & Zheng, Y. Entrauschungsalgorithmus für das FY-4A GIIRS basierend auf der Hauptkomponentenanalyse. Remote Sens. 11(22), 2710 (2019).

Artikel ADS Google Scholar

Liu, H. et al. Hochpräzise Sensorabstimmung des Protonenpräzessionsmagnetometers durch Kombination von Hauptkomponentenanalyse und Singulärwertzerlegung. IEEE Sens. J. 19(21), 9688–9696 (2019).

Artikel ADS Google Scholar

Tian, ​​C. et al. Deep Learning zum Thema Bildrauschen: Ein Überblick. Neuronales Netz. 131, 251–275 (2020).

Artikel PubMed MATH Google Scholar

Ghose, S., Singh, N. & Singh, P. Bildrauschen mithilfe von Deep Learning: Convolutional Neural Network. im Jahr 2020 10. Internationale Konferenz zu Cloud Computing, Data Science & Engineering (Confluence). 511–517 (IEEE, 2020).

Gu, S. & Timofte, R. Ein kurzer Überblick über Algorithmen zur Bildrauschunterdrückung und darüber hinaus. in Inpainting- und Denoising-Herausforderungen. 1–21 (2019).

Jadhav, S., Kuchibhotla, R., Agarwal, K., Habib, A. & Prasad, DK Deep-Learning-basierte Rauschunterdrückung akustischer Bilder, die mit der Punktkontaktmethode erzeugt wurden. J. Nondestruct. Bewerten. Diag. Prognost. Ing. Syst. 6(3), 1–18 (2023).

Google Scholar

Singh, H., Ahmed, AS, Melandsø, F. & Habib, A. Ultraschallbild-Rauschunterdrückung durch maschinelles Lernen in der Punktkontaktanregungs- und Erkennungsmethode. Ultraschall 127, 106834 (2023).

Artikel PubMed Google Scholar

Zhang, K., Zuo, W., Chen, Y., Meng, D. & Zhang, L. Jenseits eines Gaußschen Rauschunterdrückers: Restlernen von Deep CNN für die Bildrauschunterdrückung. IEEE Trans. Bildprozess. 26(7), 3142–3155 (2017).

Artikel ADS MathSciNet PubMed MATH Google Scholar

Hinton, GE Deep-Glaubens-Netzwerke. Scholarpedia 4(5), 5947 (2009).

Artikel ADS Google Scholar

Vincent, P. et al. Gestapelte Rauschunterdrückungs-Autoencoder: Lernen nützlicher Darstellungen in einem tiefen Netzwerk mit einem lokalen Rauschunterdrückungskriterium. J. Mach. Lernen. Res. 11(12), 3371 (2010).

MathSciNet MATH Google Scholar

Forsyth, DA et al. Objekterkennung mit gradientenbasiertem Lernen. Formkonturgruppe. Berechnen. Vis. 332, 319–345 (1999).

Google Scholar

Wang, X., Girshick, R., Gupta, A. & He, K. Nichtlokale neuronale Netze. in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 7794–7803 (2018).

Chan, T.-H. et al. PCANet: Eine einfache Deep-Learning-Basislinie für die Bildklassifizierung? IEEE Trans. Bildprozess. 24(12), 5017–5032 (2015).

Artikel ADS MathSciNet PubMed MATH Google Scholar

Yu, H., Ding, M., Zhang, X. & Wu, J. PCANet-basierte nichtlokale Mittelmethode zur Entfernung von Speckle-Rauschen in Ultraschallbildern. PLoS ONE 13(10), e0205390 (2018).

Artikel PubMed PubMed Central Google Scholar

Yue, Z., Yong, H., Zhao, Q., Meng, D. & Zhang, L. Variations-Rauschunterdrückungsnetzwerk: Auf dem Weg zur blinden Rauschmodellierung und -entfernung. Adv. Neuronale Inf. Verfahren. Syst. 32, 113 (2019).

Google Scholar

Hasan, M. & El-Sakka, MR Verbesserte BM3D-Bildrauschunterdrückung mithilfe des SSIM-optimierten Wiener-Filters. EURASIP J. Bild-Video-Prozess. 2018, 1–12 (2018).

Artikel Google Scholar

Danielyan, A., Katkovnik, V. & Egiazarian, K. BM3D-Frames und Variationsbild-Unschärfe. IEEE Trans. Bildprozess. 21(4), 1715–1728 (2011).

Artikel ADS MathSciNet PubMed MATH Google Scholar

Danielyan, A., Foi, A., Katkovnik, V. & Egiazarian, K. Räumlich adaptive Filterung als Regularisierung in der inversen Bildgebung: Komprimierende Erfassung, Superauflösung und Upsampling. in der hochauflösenden Bildgebung. 123–154 (CRC Press, 2017).

Maggioni, M., Katkovnik, V., Egiazarian, K. & Foi, A. Nichtlokaler Transformationsdomänenfilter für die Entrauschung und Rekonstruktion volumetrischer Daten. IEEE Trans. Bildprozess. 22(1), 119–133 (2012).

Artikel ADS MathSciNet PubMed MATH Google Scholar

Harold, J., Kushner, G. & Yin, G. Stochastische Approximation und rekursive Algorithmen und Anwendungen. Appl. Mathematik. 35, 316 (1997).

Google Scholar

Egiazarian, K., Foi, A. & Katkovnik, V. Compressed Sensing-Bildrekonstruktion durch rekursive räumlich adaptive Filterung. im Jahr 2007 IEEE International Conference on Image Processing. Bd. 1. I-549–I-552 (IEEE, 2007).

Somani, A., Banerjee, P., Rastogi, M., Agarwal, K., Prasad, DK & Habib, A. Bildinpainting mit Hypergraphen zur Auflösungsverbesserung in der akustischen Rastermikroskopie. in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 3112–3121 (2023).

Kumar, P. et al. Numerische Methode zur Neigungskompensation in der akustischen Rastermikroskopie. Messung 187, 110306 (2022).

Artikel Google Scholar

Banerjee, P. et al. Bildmalerei in der akustischen Mikroskopie. AIP Adv. 13(4), 4 (2023).

Artikel Google Scholar

Hore, A. & Ziou, D. Bildqualitätsmetriken: PSNR vs. SSIM. im Jahr 2010 20. Internationale Konferenz zur Mustererkennung. 2366–2369 (IEEE, 2010).

Referenzen herunterladen

Folgende Förderung wird gewürdigt: Cristin Project, Norwegen, ID: 2061348 (Habib). Die Publikationskosten für diesen Artikel wurden durch einen Zuschuss aus dem Publikationsfonds der UiT The Arctic University of Norway finanziert.

Open-Access-Finanzierung durch UiT The Arctic University of Norway (inkl. Universitätsklinikum Nordnorwegen).

Abteilung für Chemieingenieurwesen, Indian Institute of Technology, Guwahati, Indien

Shubham Kumar Gupta

Abteilung für Elektronik und Elektrotechnik, Indian Institute of Technology, Guwahati, Indien

Rishant Kumpel

Fachbereich Physik und Technologie, UiT The Arctic University of Norway, Tromsø, Norwegen

Azeem Ahmad, Frank Melandø und Anowarul Habib

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

AH konzipierte, entwarf und entwickelte das akustische Rastermikroskop. AA und AH führten die Experimente durch und konzipierten die Idee. SKG und RP analysieren die Daten, entwickelten den Algorithmus, verfassten den Originalentwurf, prüften und redigierten das Manuskript mit Unterstützung aller Co-Autoren. Die Finanzierung wurde durch FM und AH sichergestellt

Korrespondenz mit Anowarul Habib.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Gupta, SK, Pal, R., Ahmad, A. et al. Bildentrauschung in der akustischen Mikroskopie mittels Blockanpassung und 4D-Filter. Sci Rep 13, 13212 (2023). https://doi.org/10.1038/s41598-023-40301-7

Zitat herunterladen

Eingegangen: 17. April 2023

Angenommen: 08. August 2023

Veröffentlicht: 14. August 2023

DOI: https://doi.org/10.1038/s41598-023-40301-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.