Класифікаційна настроювання електронного мікроскопа: Інформаційне і програмне забезпечення системи автофокусування електронного мікроскопу, страница 15

      Фокусність зображення досліджуваного зразка залежить від багатьох факторів, які впливають на функціонування електронного мікроскопу. Для РЕМ у якості управляючого контрольованого параметру виступає струм об’єктивної лінзи . Ідея автофокусування РЕМ полягає в обчисленні інформаційної міри початкового (базового) розфокусованого зображення  відносно потокового зображення , яку встановлюється на -ому кроці КН, порівнянні її значення з попереднім і прийнятті рішення про зміну управляючого параметру на задану величину. Процес КН продовжується до тихнув пір, поки значення струму  не забезпечить прийнятної з практичної крапки зору  фокусності зображення. У якості критерію функціональної ефективності (КФЕ) КН розглянемо інформаційну міру Кульбака, яка є добутком відношення правдоподібності  на міру відхилень розподілів ймовірностей. У загальному випадку відношення правдоподібності подамо у вигляді

                                      ,                                    (3.2.1)

де  -повні ймовірності правильного і неправильного прийняття рішень відповідно;   - апріорні ймовірності появи відповідних подій;  - точнісні характеристики: помилки першого та іншого роду, перша та друга достовірності відповідно. При допущенні, що   (найгірші в статистичному сенсі умови) міра Кульбака набуває вигляду

       (3.2.2)

        При введенні оцінок  , де  - число реалізацій класів  і  відповідно, які не знаходяться в області своїх класів;  - кількість спостережень, які забезпечують репрезентативність вибіркової послідовності. Тоді формула (3.2.2) набуває робочого вигляду

                                             (3.2.3)

де  -число цифр у мантисі значення критерію , яку вводитися на випадок появи нульових емпіричних частот. У якості розділяючої гіперповерхні (РГП) у першому наближенні береться гіперсфера, центром якої є еталонний вектор (ЕВ) .

        Оскільки сучасні ЕОМ дозволяють розрізняти 256 градацій чорно-білого зображення, те його обробку доцільно здійснювати шляхом сканування рецепторного полючи, що є природним для РЕМ, і побудови розподілу яскравості для шкірного рядка рецепторів. Квантовані в часі криві розподілів яскравості розглядаються як випадкові реалізації зображення  ,  де  ;  - змінна числа рецепторів у рядку.

        З метою формування бітового масиву значень реалізацій  здійснюється їх квантування на два рівні за формулою

                                                                           (3.2.4)

де   - нижній і верхній контрольний допуски на рецептори. Оптимізація контрольних допусків в інформаційному сенсі здійснюється безпосередньо в рамках алгоритму КН. За початкові значення  і  приймаються відповідно  і , де  - номінальне (середнє) значення яскравості зображення. Оскільки двобічне поле контрольних допусків вибрано симетричним, те початкове значення  дорівнює чверті шкали яскравості, тобто 64. Формування бінарного ЕВ базового класу  здійснюється за формулою

(3.2.5)

        Аналогічно обробляється поточне зображення . Отже, у процесі обробки зображень  і  здійснюється формування вхідних даних, які за МФСВ необхідні для обчислення інформаційної міри між базовим і поточним зображеннями. Такими вхідними даними є ЕВ  і відповідно випадкові реалізації , .

        Визначення оптимальної в інформаційному сенсі кодової відстані  - радіуса РГП, здійснюється за послідовним алгоритмом

 де k – число прирощень радіуса; h – крок прирощення. Обчислення КФЕ закінчується при знаходженні екстремального значення , де  – множина радіусів РГП класу ;  - міжцентрова кодова відстань.

        Оптимізація контрольних допусків здійснюється після вибору  для базового класу , за алгоритмом , якщо , де  – система нормованих полів допусків на рецептори.