Разработка методов и средств контроля дисперсности наночастиц сканирующим туннельным микроскопом

• Автор: Гафаров, Марат Ренатович
• Шифр специальности: 05.11.13, 05.11.14
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Ижевск
• Количество страниц: 189 с. : ил.

1.1. Сканирование в зондовой микроскопии

1.2. Анализ методов прогнозирования для улучшения процессов сканирования.

1.2.1. Линейные модели прогнозирования

1.2.2. Нелинейные модели прогнозирования

1.2.3. Адаптивные модели прогнозирования

1.2.4. Вероятностные модели прогнозирования.

1.3. Анализ методов геометрического согласования и координатной привязки изображений в СТМ.

1.4. Анализ методов сегментации изображений и оценки кривизны поверхности.

1.5. Постановка цели и задач исследования.

ГЛАВА 2. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА АДАПТИВНОГО ПРОГНОЗИРОВАНИЯ ПОЛОЖЕНИЯ ЗОНДИРУЮЩЕГО ОСТРИЯ СТМ В ПРОЦЕССЕ СКАНИРОВАНИЯ ОБРАЗЦА.
2.1. Экспериментальные исследования известных моделей прогнозирования на СТМизображениях.
2.2. Разработка и исследование метода прогнозирования с многоуровневой моделью адаптации.
2.3. Алгоритм с накоплением глобальной статистики ошибок прогнозиро
2.4. Алгоритм прогнозирования с локальной адаптацией к динамике функции яркости.
2.5. Алгоритм прогнозирования со сменой модели функции предсказания.
2.6. Анализ вычислительных структур и их сложности в методе прогнозирования с многоуровневой моделью адаптации
2.7. Выводы
ГЛАВА 3. КООРДИНАТНАЯ ПРИВЯЗКА ИЗОБРАЖЕНИЙ К ИССЛЕДУЕМОЙ ПОВЕРХНОСТИ ПРИ МНОГОКАДРОВОМ РЕЖИМЕ СТМ
3.1. Метод статистической дифференциации для определения взаимного сдвига СТМизображений.
3.2. Определение параметров сдвига и поворота СТМизображений
3.3. Экспериментальные исследования метода статистической дифференциации для определения сдвига и поворота.
3.4. Выводы
ГЛАВА 4. СЕГМЕНТАЦИЯ СТМИЗОБРАЖЕНИЙ ПО КРИВИЗНЕ ПОВЕРХНОСТИ
4.1. Разработка алгоритмов детекторов кривизны на СТМизображе
4.1.1. Детектор кривизны Хорда.
4.1.2. Детектор кривизны Сектор
4.1.3. Детектор кривизны Круг
4.1.4. Детектор кривизны Сфера.
4.2. Экспериментальные исследования разработанных детекторов кри
4.3. Выводы
ГЛАВА 5. МЕТОДЫ И СРЕДСТВА НАСТРОЙКИ СТМ ДЛЯ РЕШЕНИЯ ЗАДАЧИ КОНТРОЛЯ ДИСПЕРСНОСТИ.
5.1. Структурная схема микроскопа для исследования наночастиц
5.2. Подсистема тестирования и настройки блока прогнозирования
5.3. Подсистема настройки системы упреждающего управления сканером
на базе аппарата прогнозирования.
5.4. Подсистема тестирования и настройки алгоритмов контроля дисперсности и структурного анализа изображений.
5.5. Подсистема анализа сдвигов и поворотов СТМизображений
5.6. Подсистема сближения иглы и образца туннельного микроскопа
5.7. Выводы
Заключение.
Литература


Фактически получается целый ряд моделей с разными аппроксимационными свойствами, позволяющие адаптироваться к конкретной локальной структуре СТМизображения и, таким образом, повысить точность прогнозирования. ММА с различными способами адаптации к уровню и типам шумов с накоплением глобальной статистики ошибок прогнозирования, с локальной адаптацией к динамике функции рельефа и со сменой модели функции предсказания. Показано, что первый из них лучше подходит для работы в зсловиях стационарных помех, а при их нестационарности лучшие результаты обеспечивает второй алгоритм. В алгоритме со сменой модели функции предсказания улучшение прогнозных оценок достигается за счет того, что учитывается факт изменения соотношения шумовой и регулярной составляющих в процессе последовательного приближения прогнозного значения. Экспериментальные исследования алгоритмов на реальных СТМизображеииях подтвердили их эффективность. В третьей главе создан метод определения параметров геометрического рассогласования изображений в многокадровом режиме работы СТМ. Разработанный метод статистической дифференциации для определения взаимного сдвига и поворота сравниваемых изображений базируется на результатах массовых вычислений параметров преобразований по отождествленным точкам, образующим пары соответствий. Дано формальное описание процессов вычисления параметров преобразования, сформулированы определенные требования к характеристикам тех этапов разрабатываемого метода, которые были использованы для построения статистического распределения указанных параметров. Способ анализа гистограмм по принципу выделения сигнал из шума позволяет оценить качество получаемых результатов вычисления параметров преобразования и придать алгоритмам следящий характер для сокращения вычислительных затрат. Другим способом сокращения вычислительных затрат является сокращение перебора за счет рациональной организации структур данных, в частности, использование модели гиперкубов и представление их в виде линейных списков в алгоритме определения сдвига. При определении сдвига и поворота перебор сокращается за счет представления множества дескрипторов отрезков в массиве и прямого доступа к отрезкам равной длины на этапе установления соответствия отрезков. Экспериментальные исследования алгоритмов, реализующих метод статистической дифференциации для определения взаимного сдвига и поворота изображений, подтвердили его высокую эффективность и потенциальные возможности, как на синтезированных, так и на реальных СТМизображениях, получаемых в многокадровом режиме и наметили подходы к выбору оптимальных параметров и ограничений для организации работы в реальных условиях. Кроме того, разработанное алгоритмическое и программное обеспечение может быть использовано при решении различных прикладных задач обработки изображений, где применяется оценки параметров геометрических преобразований. В четвертой главе разработаны и экспериментально исследованы на синтезированных и реальных изображениях плоские детекторы локальной кривизны, позволяющие, путем анализа профилограмм по строкам и столбцам СТМизображений, выделять структурные элементы и вычислять их количественные параметры. Показано, что для обеспечения помехоустойчивости функцию кривизны можно оценить косвенно, через такие локальные характеристики дуги, как длина стягивающей хорды, площадь сектора или площадь подкривой внутри небольшого заданного круга, а также аналитически связать эти характеристики с радиусом кривизны дуги. Предварительная оценка кривизны по строкам и столбцам позволяет восстановить кривизну поверхности для целей сегментации и определения координат выпуклых вогнутых объектов на ней. Предложена и теоретически обоснована отличная от известных модель сферического детектора с непосредственной оценкой кривизны поверхности, основанная на аппроксимации сферой локальных выпуклых вогнутых областей СТМизображений. Установлена аналитическая связь текущих параметров детектора с радиусом кривизны поверхности. Проведены экспериментальные исследования данного детектора, позволившие получить, по сравнению с плоскими моделями, лучшие результаты сегментации СТМизображений как в качественном, так и количественном выражении.