По мере продвижения науки в будущее все больше внимания уделяется нанотехнологиям в качестве ответа на различные вопросы, начиная от растущей миниатюризации технологий и заканчивая выявлением болезней и патогенов. Области применения настолько многочисленны, потому что многие вещи реагируют на Нано-Масштабы иначе, чем в более крупных масштабах.
Некоторые из возможностей, предоставляемых нанотехнологиями, включают высокопрочные строительные материалы, где уменьшенный диаметр волокон увеличивает общие свойства, или воздушные фильтры, где размеры отверстий, через которые частицы могут проходить, меньше и поэтому более эффективны, и действенны.
С появлением новых возможностей для расширения нанотехнологических исследований учеными в будущем, необходимость классификации наноразмерных изображений будет становиться все более распространенной.
Таким образом, нанотехнологии представляют собой быстро развивающуюся область, структура материала составляет 100 нанометров или меньше.
Анализ изображений на Нано-Уровне непростая задача. Это мотивирует исследовательскую проблему быстрого распознавания и изучения схожих черт между изображениями. Базы данных могут быть заполнены тысячами изображений, слишком много которых невозможно просмотреть вручную.
Для того чтобы отслеживать изменения в материалах или аномалии, исследователям нужна надежная форма поиска изображений. Такие исследования ученых сосредоточены на исследованиях в области распознавания и категоризации изображений. Целью таких исследований является разработка системы, которая будет распознавать сходства в изображениях эффективно и точно.
Изображения, используемые в исследованиях ученых, получены либо с помощью сканирующего электронного микроскопа, либо с помощью просвечивающего электронного микроскопа.
Сканирующие электронные микроскопы посылают луч электронов по поверхности и отслеживают реакцию электронов на поверхность материала. Этот метод позволяет взглянуть на топологию материала.
Просвечивающие электронные микроскопы посылают луч электронов через материал и регистрируют реакцию электронов при их прохождении. Этот метод рассматривает внутреннюю структуру материала.
Цель исследований ученых по использованию функций должна быть репрезентативной для сравнения изображений вручную, которые находят эмпирические данные о размерах частиц, глубине материала, расстояниях между частицами и т.д. Однако вместо того, чтобы выполнять сравнения вручную, необходим алгоритм для категоризации изображений и настройки для более точного сопряжения.
Этот подход моделирует то, что можно наблюдать, используя знания в данной области об образах, полученные учеными. Для проведения точных сравнений нужна функция расстояния, имитирующая предшествующие знания в области. Такая функция расстояния априори не известна.
Ученые представили значительный сегмент завершенного исследовательского проекта в области обработки наноразмерных изображений.
Алгоритм, который был применен к изображениям и их функциональным данным, доказал свою эффективность при группировке изображений в приемлемые группы, что было подтверждено экспертами в данной области.
Функционально ориентированный подход хорошо работал с набором характеристик, который использовался для кластеризации, и позволял создавать приемлемые кластеры, как это было оценено экспертами.
На этом этапе учеными был сделан ряд следующих предложений:
- Работа с простыми числовыми данными вместо матриц обеспечивает более высокую скорость обработки.
- Функциональная кластеризация моделирует сравнение, проведенное экспертами, таким образом, путем включения того, каким образом эксперты могли бы фактически группировать данные, результаты кластеризации являются гораздо более полезными.
- Алгоритм, описанный в исследованиях ученых, работает с минимальным набором данных, но дает хорошие результаты, подразумевая, что перед обработкой требуется собирать меньше данных с каждого изображения.