算開(kāi)個(gè)頭，不算特別實(shí)戰(zhàn)

掃描電子顯微鏡，材料開(kāi)發(fā)不可缺少的分析儀器。原理就不詳述了。材料的形貌，具體長(zhǎng)什么樣的都可以看得很清楚。

材料表面的形貌很多情況下會(huì)和材料的物性產(chǎn)生直接關(guān)系，比如說(shuō)可以從SEM看出粒子的直徑分布，多孔材料的孔徑等等。孔徑這個(gè)就很直接了，孔徑越小，材料的表面積越大，有可能相對(duì)的化學(xué)活性比如說(shuō)氣體的吸收能力會(huì)更大。

所以，有可能可以利用SEM作為材料的描述符X，建立模型來(lái)預(yù)測(cè)有關(guān)的物性?現(xiàn)在手邊沒(méi)有這樣子的數(shù)據(jù)，但是覺(jué)得可能這方面的先行研究應(yīng)該有一些吧。之前曾經(jīng)有提到一塊錢(qián)買(mǎi)中巴：機(jī)器學(xué)習(xí)在材料方向的應(yīng)用(lightgbm+貝葉斯優(yōu)化調(diào)參)?zhuanlan.zhihu.com

可以用組成來(lái)預(yù)測(cè)物性。在這里，如果我們有組成，加上圖像數(shù)據(jù)，應(yīng)該可以得到更高的精度？？可惜好像還沒(méi)有系統(tǒng)性的數(shù)據(jù)

python有skimage這個(gè)包可以對(duì)材料進(jìn)行一些預(yù)處理。對(duì)于材料的SEM也可以進(jìn)行一些有意思的操作。哈佛大學(xué)有一個(gè)很簡(jiǎn)單的SEM的數(shù)據(jù)庫(kù)，里面有四種材料的SEM圖，但是好像沒(méi)有標(biāo)記，然后每種材料的樣本也不大就四張圖。可以在下面的地址下載https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/HVBW0Q#__sid=js0?dataverse.harvard.edu

首先對(duì)數(shù)據(jù)進(jìn)行讀取。這里我選擇的是兩張多孔粒子的圖像

from skimage.io import imread

import pandas as pd

import seaborn as sns

import matplotlib.pyplot as plt

from pathlib import Path

import numpy as np

%matplotlib inline

plt.rcParams["figure.figsize"] = (8, 8)

plt.rcParams["figure.dpi"] = 150

plt.rcParams["font.size"] = 14

plt.rcParams['font.family'] = ['sans-serif']

plt.rcParams['font.sans-serif'] = ['DejaVu Sans']

plt.style.use('ggplot')

sns.set_style("whitegrid", {'axes.grid': False})

imgg=imread('...../archive/3dsem/Pollen1001.jpg')

fig = plt.plot(figsize=(3, 3))

plt.imshow(imgg)

多孔材料嘛。有密集恐懼癥的同學(xué)對(duì)不住了。這里修改一下選項(xiàng)as_gray可以使得圖片變成更加鮮明的樣子。讀取了兩張圖，其中一張長(zhǎng)這樣

imgg=imread('/Users/yweilin/Desktop/study/code/archive/3dsem/Pollen1001.jpg', as_gray=True)

imgg2=imread('/Users/yweilin/Desktop/study/code/archive/3dsem/Pollen1002.jpg', as_gray=True)

fig = plt.plot(figsize=(3, 3))

plt.imshow(imgg)

這個(gè)圖下面有具體的拍照時(shí)間比例尺什么資料，我們可以把這一塊鋸掉。實(shí)際上讀取這個(gè)數(shù)據(jù)之后，這是一個(gè)像素的矩陣，把對(duì)應(yīng)坐標(biāo)部分的數(shù)據(jù)去掉就可以了。

fig = plt.plot(figsize=(3, 3))

plt.imshow(imgg[:-100])

接下來(lái)我們可以對(duì)圖片進(jìn)行特征點(diǎn)提取

特征點(diǎn)是圖像處理中，特征點(diǎn)指的是圖像灰度值發(fā)生劇烈變化的點(diǎn)或者在圖像邊緣上曲率較大的點(diǎn)(即兩個(gè)邊緣的交點(diǎn))。

百度百科里這樣定義的。這里的特征點(diǎn)則可以反應(yīng)出一些孔的有關(guān)信息。這個(gè)很重要因?yàn)橹耙舱f(shuō)了會(huì)對(duì)物性產(chǎn)生影響。

from skimage.feature import corner_harris, corner_peaks, ORB

descriptor_extractor = ORB(n_keypoints=1000)

def extract_points(in_img):

descriptor_extractor.detect_and_extract(in_img)

return {'keypoints': descriptor_extractor.keypoints,

'descriptors': descriptor_extractor.descriptors}

extracted_image=extract_points(imgg[:-100])

extracted_image2=extract_points(imgg2[:-100])

特征點(diǎn)可視化之后是這樣的。注意一下這里的特征點(diǎn)圖是90度翻轉(zhuǎn)過(guò)的。

fig = plt.plot(figsize=(3, 3))

plt.plot(extracted_image['keypoints'][:, 0],

extracted_image['keypoints'][:, 1],

'.',)

# plt.plot(extracted_image2['keypoints'][:, 0],

# extracted_image2['keypoints'][:, 1],

# '.',)

這里imgg2是二號(hào)圖像，與一號(hào)圖像相比似乎別無(wú)兩樣。

對(duì)照一號(hào)圖片的特征點(diǎn)可以看出似乎還是有一些不同之處的。

fig = plt.plot(figsize=(3, 3))

plt.plot(extracted_image['keypoints'][:, 0],

extracted_image['keypoints'][:, 1],

'.',)

plt.plot(extracted_image2['keypoints'][:, 0],

extracted_image2['keypoints'][:, 1],

'.',)

特征點(diǎn)和特征點(diǎn)之間出現(xiàn)了一定程度的偏移。將特征點(diǎn)投影到原圖，可以進(jìn)一步觀察對(duì)應(yīng)信息

from skimage.feature import match_descriptors, plot_matches

c_matches = match_descriptors(extracted_image['descriptors'],extracted_image2['descriptors'], cross_check=True)

fig = plt.plot(figsize=(3, 3))

plot_matches(plt,

imgg[:-100], imgg2[:-100],

extracted_image['keypoints'], extracted_image2['keypoints'],

c_matches)

可以觀察到提取的特征點(diǎn)分布在孔的附近。具體看一下兩張圖的特征點(diǎn)之間的距離以及分布

dist_list=[]

for i, (c_idx, n_idx) in enumerate(c_matches):

x_vec = [extracted_image['keypoints'][c_idx, 0], extracted_image2['keypoints'][n_idx, 0]]

y_vec = [extracted_image['keypoints'][c_idx, 1], extracted_image2['keypoints'][n_idx, 1]]

dist = np.sqrt(np.square(np.diff(x_vec))+np.square(np.diff(y_vec)))[0]

dist_list.append(dist)

dist_list_df=pd.DataFrame(dist_list,columns=['distance'])

dist_list_df.hist(figsize=(5, 5))

這兩張圖之間的大部分圖還是匹配的。接下來(lái)看一看距離在100以上的有點(diǎn)異常的特征點(diǎn)

outlier=[]

outlier_index=[]

for x in dist_list:

if x > 100:

outlier.append(x)

outlier_index.append(dist_list.index(x))

fig = plt.plot(figsize=(3, 3))

plt.plot(extracted_image['keypoints'][:, 0][outlier_index],

extracted_image['keypoints'][:, 1][outlier_index],

'.',)

plt.plot(extracted_image2['keypoints'][:, 0][outlier_index],

extracted_image2['keypoints'][:, 1][outlier_index],

'.',)

還是可接受的吧。可能因?yàn)榱炼仁裁吹幕蛟S有些不同？https://github.com/onecoinbuybus/chemoinformatics/blob/master/matinfo.ipynb?github.com

參考了kaggle看到的文章https://www.kaggle.com/kmader/3dsem-a-dataset-for-3d-sem-surface-reconstruction?www.kaggle.com

總結(jié)

以上是生活随笔為你收集整理的sid图像数据_实战材料信息学:使用skimage处理扫描电子显微镜(SEM)图像数据的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。