深度学习驱动的扫描电子显微镜图像噪声自动估计框架EstimateNoiseSEM研究

扫描电子显微镜(SEM)图像存在高斯(Gaussian)和伽马(Gamma)噪声干扰，影响图像质量。研究人员提出深度学习框架EstimateNoiseSEM，通过分类网络选择机制和回归模型，实现噪声类型（准确率>80%）和水平（高斯噪声均方根误差0.98±0.01）的自动估计，为SEM图像去噪提供关键先验知识。该研究发表于《Ultramicroscopy》，对提升显微图像分析精度具有重要意义。

　　

在材料科学和生物医学领域，扫描电子显微镜(SEM)是观察样品表面形貌的重要工具。然而，SEM图像质量受限于采集过程中产生的噪声——特别是随着驻留时间(dwell time)变化，噪声类型会在高斯分布和伽马分布之间转换。这种不确定性导致传统去噪方法效果不稳定，而现有研究多聚焦于高斯噪声，对伽马噪声的自动识别和参数估计缺乏有效解决方案。更棘手的是，精确去噪往往需要预先知道噪声类型和水平参数，但手动估计这些参数效率低下且主观性强。

为突破这一技术瓶颈，研究人员开发了名为EstimateNoiseSEM的创新框架。该研究首次将深度学习应用于SEM图像噪声的端到端估计，通过多阶段处理流程解决噪声类型分类和参数预测的难题。框架采用分类网络选择机制优化模型架构，其中分类阶段确定噪声类型（高斯/伽马），回归阶段预测对应参数（高斯噪声的sigma值或伽马噪声的shape/scale值）。研究使用包含21,169张SEM图像的公开数据集，通过人工添加合成噪声构建训练集，系统比较了简单神经网络(SNN)、深度卷积神经网络(DCNN)、迁移学习和视觉变换器(ViT)等算法的性能。

关键技术包括：1）基于预训练模型（ResNet50/VGG16）的特征提取；2）多网络对比的分类器选择机制；3）针对高斯和伽马噪声分别设计的回归模型；4）采用R²、MAE、RMSE等指标评估噪声水平预测效果。

研究结果显示：在噪声分类方面，采用ResNet50和VGG16特征提取的SNN表现最优，高斯噪声分类准确率达96-97%，但伽马噪声分类准确率仅50%。通过调整伽马噪声的shape参数范围（限定为1-3），分类性能提升至73%。在噪声水平预测方面，高斯噪声的sigma值预测R²达0.99，而伽马噪声的scale参数预测R²为0.87。研究特别发现，伽马噪声中shape值增大会使分布趋近高斯分布，这是导致模型不稳定的关键因素。

讨论部分指出，该框架成功实现了高斯噪声的自动估计，为70%以上SEM图像（低速扫描产生高斯噪声）的去噪提供了可靠支持。对于伽马噪声，研究建议采用固定shape值（如2）并以scale作为主要水平参数，同时强调需要真实伽马噪声数据集进一步提升性能。这项发表于《Ultramicroscopy》的工作，不仅为SEM图像处理建立了首个深度学习噪声估计标准流程，更揭示了噪声分布参数对算法性能的影响机制，为开发自适应去噪算法奠定了理论基础。未来工作将聚焦于真实SEM噪声数据的采集，以及基于噪声估计的端到端去噪系统开发。