铁电涡旋是指在纳米结构中存在的连续的电偶极矩的旋转现象,如果考虑用这些结构来存储数据,那么理论上它们的存储密度比现在的磁盘高几个数量级。我们组的其他同学创造性地利用分辨率优于0.1nm的球差矫正TEM和自主设计的原位样品杆来研究压力下的极化涡旋的演变行为。但是,由于极化的平均长度非常短,直接观察TEM图像中的极化情况以及晶格常数都需要非常好的经验和非常多的精力。所以,用计算机定量化处理这些图像尤其是批量化地处理这些图像就变得十分必要了。由于TEM透镜的缺陷和样品的质量,我们观察到原子亮斑经常不满足高斯分布,其最大值往往不在原子的中心,因此我们还需要对其进行高斯曲线拟合,才能确定原子的精确位置。本论文就是通过自主设计的算法来完成这些工作的。本论文中的算法使用Python语言编写,基于计算机视觉Open CV库和科学计算Sci Py库,通过“初步识别”到“精确计算位置”两个核心步骤来快速获取原子的精确位置。具体来说,在“初步识别”阶段,我们先通过多种图像增强技术使原子整体变得更加清晰和规整,并使用自适应分割技术把原子从背景中分离出来,再利用轮廓识别的方法,获得了所有原子的粗略位置。在“精确计算”阶段中,我们根据上述的粗略位置,找到电镜图像原图上的原子区域,再对每个小区域内的像素值进行高斯曲线的最小二乘拟合,然后获得了精确的原子中心位置。在算法的后一部分,我们求解了晶格常数分布和极化矢量分布这两个定量化目标。在立方晶系中,晶格常数是晶格任意一边的长度,但是,为了减小误差,实际算法中取每个原子到四个最近邻同种原子的距离的平均值作为局域的晶格常数。电极化是指物质内正电中心和负电中心不重合的物理现象,在实际算法中,我们常常取四个相邻的阳离子构成的最小正方形作为一个元胞,将元胞内阳离子中心相对阴离子中心的位移作为微观极化矢量。在求解这两个目标的过程中,我们始终采用kd树的技术来加速查找相邻的原子。而且,我们还分别对这两个目标的计算结果进行了科学的评估,并与一些公认较为准确的算法的结果做了对比,推测了算法的原子位置的拟合精度在0.9个像素点以内。此外,我们还对放大倍数差距很大的一组图像进行批量化处理,算法对于不同的放大倍数的电镜图像都取得较好的效果。另一方面,由于算法是基于“识别”来标定原子的,所以,从本源上,它就对有位错和有晶界的图像有很强的适应性。