Computer diffraction tomography: a comparative analysis of the use of controlled and wavelet filters for image processing

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The paper provides digital processing of 2D X-ray projection images of a Coulomb-type point defect in a Si(111) crystal recorded by a detector against the background of statistical Gaussian noise. A managed filter and a wavelet filter with a 4th-order Daubechies function are used. The efficiency of filtering 2D images is determined by calculating the relative quadratic deviations of the intensities of filtered and reference (noiseless) 2D images averaged over all points. A comparison of the calculated values of the relative deviations of the intensities shows that the considered methods work quite well and both, in principle, can be effectively used in practice for noise processing of X-ray diffraction images used for 3D reconstruction of nanoscale defects of crystal structures.

Full Text

Restricted Access

About the authors

V. I. Bondarenko

Shubnikov Institute of Crystallography of Kurchatov Complex of Crystallography and Photonics of NRC “Kurchatov Institute”

Author for correspondence.
Email: bondarenko.v@crys.ras.ru
Russian Federation, 119333 Moscow

S. S. Rekhviashvili

Institute of Applied Mathematics and Automation KBSC RAS

Email: bondarenko.v@crys.ras.ru
Russian Federation, 360000 Nalchik

F. N. Chukhovskii

Shubnikov Institute of Crystallography of Kurchatov Complex of Crystallography and Photonics of NRC “Kurchatov Institute”; Institute of Applied Mathematics and Automation KBSC RAS

Email: bondarenko.v@crys.ras.ru
Russian Federation, 119333 Moscow; 360000 Nalchik

References

  1. Asadchikov V., Buzmakov A., Chukhovskii F. et al. // J. Appl. Cryst. 2018. V. 51. P. 1616. https://doi.org/10.1107/S160057671801419X
  2. Danilewsky A.N., Wittge J., Croell A. et al. // J. Cryst. Growth. 2011. V. 318. P. 1157. https://doi.org/10.1016/j.jcrysgro.2010.10.199
  3. Danilewsky A., Helfen L., Hamann E., Baumbach T. // Phys. Rev. Lett. 2017. V. 119. P. 215504. https://doi.org/10.1103/PhysRevLett.119.215504
  4. Chukhovskii F.N., Konarev P.V., Volkov V.V. // Acta Cryst. A. 2020. V. 76. P. 16. https://doi.org/10.1107/S2053273320000145
  5. Бондаренко В.И., Конарев П.В., Чуховский Ф.Н. // Кристаллография. 2020. Т. 65. № 6. С. 845. https://doi.org/10.31857/S0023476120060090
  6. Chukhovskii F.N., Konarev P.V., Volkov V.V. // Crystals. 2023. V. 13. P. 561. https://doi.org/10.3390/cryst13040561
  7. Yang W., Hong J.-Y., Kim J.-Y. et al. // Sensors. 2020. V. 20. P. 3063. https://doi.org/10.3390/s20113063
  8. Hendriksen A.A., Bührer M., Leone L. et al. // Sci. Rep. 2021. V. 11. P. 11895. https://doi.org/10.1038/s41598-021-91084-8
  9. Liu N., Schumacher T. // Sensors. 2020. V. 20. P. 1423. https://doi.org/10.3390/s20051423
  10. Hamming R.W. Numerical Methods for Scientists and Engineers. Dover Publications, 2012. 752 p.
  11. He K., Sun J., Tang X. // IEEE Trans. Pattern Anal. Machine Intell. 2013. V. 35. № 6. P. 1397. https://doi.org/10.1109/TPAMI.2012.213
  12. Karumuri R., Kumari S.A. // IEEE2nd International Conference on Communication and Electronics Systems (ICCES), 2017. p. 545. https://doi.org/10.1109/CESYS.2017.8321137
  13. Li Z., Zheng J., Zhu Z. et al. // IEEE Trans. Image Process. 2015. V. 24. P. 120. https://doi.org/10.1109/TIP.2014.2371234
  14. Caraffa L., Tarel J.P., Charbonnier P. // IEEE Trans. Image Process. 2015. V. 24. № 4. P. 1199. https://doi.org/10.1109/TIP.2015.2389617
  15. Ham B., Cho M., Ponce J. // IEEE Trans. Pattern Anal. Mach. Intell. 2018. V. 40. № 1. P. 192. https://doi.org/10.1109/TPAMI.2017.2669034
  16. Sun Z., Han B., Li J. et al. // IEEE Trans. Image Process. 2020. V. 29. P. 500. https://doi.org/10.1109/TIP.2019.2928631
  17. Pham C.C., Ha S.V.U., Jeon J.W. // Pacific-Rim Symp. on Image and Video Technology, Gwangju, Republic of Korea. 2011. P. 323. https://doi.org/10.1007/978-3-642-25367-6_29
  18. Pham C.C., Jeon J.W. // 19th IEEE Int. Conf. on Image Processing. Orlando, FL, USA. 2012. P. 993. https://doi.org/10.1109/icip.2012.6467522
  19. Tsai C.L., Tu W.C., Chien S.Y. // IEEE Int. Conf. on Image Processing (ICIP), Québec City, Québec, Canada. 2015. P. 43. https://doi.org/10.1109/ICIP.2015.7350756
  20. Zhang Y.Q., Ding Y., Liu J. // IET Image Process. 2013. V. 7. № 3. P. 270. https://doi.org/10.1049/iet-ipr.2012.0351
  21. Shujin Zhu, Zekuan Yu // IET Image Process. 2020. V. 14. № 11. P. 2561. https://doi.org/10.1049/iet-ipr.2019.1471
  22. Рехвиашвили С.Ш. // Письма в ЖТФ. 2002. Т. 28. № 6. С. 46.
  23. Потапов А.А., Рехвиашвили С.Ш. // ЖТФ. 2018. Т. 88. № 6. С. 803. https://doi.org/10.21883/JTF.2018.06.46008.2159
  24. Mallat S. A Wavelet Tour of Signal Processing. The Sparse Way. 3rd Edition. Academic Press, 2008. 832 p.
  25. Дремин И.М., Иванов О.В., Нечитайло В.А. // Успехи физ. наук. 2001. Т. 171. № 5. С. 465. https://doi.org/10.3367/UFNr.0171.200105a.0465
  26. Welstead S. Fractal and Wavelet Image Compression Techniques. SPIE Publications, 1999. 254 p.

Supplementary files

Supplementary Files
Action
1. JATS XML
2. Fig. 1. Dependence of RMS on the noise reduction parameter  for 16 × 16 and 32 × 32 images.

Download (95KB)
3. Fig. 2. Spectra of the coefficients of the wavelet transform of images: 1 – reference, 2 – noisy. The dotted lines indicate the noise reduction levels.

Download (393KB)
4. Fig. 3. 32 × 32 images: reference (a), noisy (b), wavelet filter, parameter  = 0.75 (c), controlled filter, parameters p = 1, ε = 0.4 (d).

Download (122KB)
5. Fig. 4. 32 × 32 images. Intensity profiles (a)–(d) along the segments indicated in Fig. 3a by numbers 1-4, respectively. Solid line – reference, dashed – noisy, dashed–dotted - wavelet filtering, dot – controlled filter.

Download (351KB)
6. Fig. 5. 16 × 16 images: reference (a), noisy (b), wavelet filter, parameter  = 0.8 (c), controlled filter, parameters p = 1, ε = 0.5 (d).

Download (117KB)
7. Fig. 6. 16 × 16 images. Intensity profiles (a)–(d) along the segments indicated in Fig. 5 by numbers 1-4, respectively. Solid line – reference, dashed – noisy, dashed–dotted - wavelet filtering, dot – controlled filter.

Download (349KB)

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».