Advanced sampling and reconstruction of images in Atomic Force Microscopy

Abstract

I dette projekt, bliver det undersøgt hvorvidt det er muligt at forbedre afbildningstiden i forbindelse med Atomar kraft mikroskopi. Dette er forsøgt gjort med en kombination af nye billedrekonstruktions metoder som Deep-Image-Prior og som en adaptiv sample metode. Atomar kraft mikroskopi er en metode til at lave meget nøjagtige højdekort af små ting. Det er muligt at forstørre meget mere end i et almindeligt lys mikroskop. Dette er gjort ved at føre en meget skarp og lille probe over overfladen med høj nøjagtighed. Det tager dog lang tid da proben fysisk skal røre alle stederne på objektet man gerne vil afbillede. Deep-image-prior er ny forskning der beskriver hvordan det ikke er krævet at træne et neuralt netværk for at det kan være af nytte i en billedgenskabelses kontekst. Det vises at gode resultater kan opnås ved at bruge netværks strukturen som regulerings funktion. Dette kan blandt andet bruges til at fjerne støj fra billeder eller til at fylde information ind i områder hvor det mangler eller er korrupt. Dette minder meget om problemet som arbejdes med her, hvor man kun kigger på en del af billedet og forsøger at gætte sig frem til resten. Dette forsøges derfor brugt til at genskabe et under samplet billede hvor kun 5-20% af billedet er tilgængeligt. Dette viste sig dog ikke særligt brugbart da rekonstruktions tiden er urimeligt lang så der ikke rigtigt spares noget tid i forhold til bare at scanne alle punkterne på hele ens objekt. Der fremstilles også en algoritme der scanner billedet i to omgange. En gang med meget lav opløsning for at få en idé om hvor i billedet der kan være interessante områder. Derefter scannes billedet en ekstra gang med højere opløsning i disse områder. Dette resulterer i en rekonstruktion som over hele billedet er værre end hvis man bare havde lavet en raster scanning med samme længde men et bedre resultat hvis der kun kigges på de relevante dele af billedet. Hvis man ønsker en bestemt opløsning på ens afbildning kan man med denne metode være sikker på at det vigtige får den opløsning mens man ikke spilder tid på at afbillede baggrunden. Der er andre lignende metoder som f.eks. afbilleder et objekt ved at følge kanten rundt på det objektet. Dette kræver dog at man aktivt styrer proben i dens kontrol løkke. Dette kræver en ændring af ens AKM mikroskop. Derfor har metoden fra denne rapport stadig relevans da det kun kræver at man kan programmere en sti som proben skal følge.

AFM is a very useful technique to make a topology map of a specimen at a large range of magnifications. However the scanning process can be very time consuming since the probe has to slide across the surface of the sample in order to take the measurements. The work in this report tries to make this scan time shorter based on cutting edge research in image reconstruction and sample pattern generation. For reconstruction, there has recently been proposed a way of utilizing the structure of a NN for image reconstruction without training. This method is called DIP. A two shot adaptive sample pattern is also proposed where at first a crude scan is performed on the specimen. Then the interesting regions are identified, and scanned with the wanted resolution. The DIP method for reconstruction was deemed infeasible for AFM due to its reconstruction performance being comparable to that of interpolation, while being much more computationally expensive. The adaptive sample pattern has promising results for the relevant parts of the image. It shows an average speedup of 10 times for a reconstruction with approximately 44 dB PSNR for the relevant parts of the image. This speedup can however vary greatly from image to image but the method will ensure that only the most relevant parts of the image is raster scanned.

A master thesis from Aalborg University

Advanced sampling and reconstruction of images in Atomic Force Microscopy