Теория и методы обработки многомасштабных последовательностей цифровых изображений в промышленных системах контроля качества
Разработка алгоритма адаптивного многомасштабного представления изображений и критерии выбора величины коэффициентов изменения масштаба изображения. Решение задач обработки дефектоскопических изображений в промышленных системах контроля качества.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | автореферат |
| Язык | русский |
| Дата добавления | 14.02.2018 |
| Размер файла | 730,0 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
В диссертации рассматриваются несколько вариантов использования данных параметров. Например, начав с одной из границ последовательности f гр (по определениям 1.7 и 1.8), далее исключать из последовательности те изображения, для которых значение изменчивости не превышает некоторого уровня . Изображение, для которого, это условие не выполняется, оставляется в последовательности, и используется для вычисления изменчивости относительно остальных изображений последовательности и т.д.
Если интересующий при анализе признак (или группа признаков) проявляется не на всех изображениях последовательности, то в качестве границ при выборке изображений могут использоваться точки появления и исчезновения данного признака (по определениям 1.16 и 1.17).
Далее рассматривается такой оператор Т Т, который зависит от параметра , определяющего, каким-либо образом, степень влияния Т на набор признаков X, которую можно охарактеризовать как величину изменчивости между fi и fi+1, если fi = Т fi+1.
На основании этого в определениях в определениях 1.27-1.30 вводятся понятия непрерывного и дискретного преобразования (в зависимости от свойств ), а также равномерной и неравномерной последовательности изображений (определяющих равномерность выборки изображений из исходной последовательности).
Восстановление свойств последовательности по отдельным ее изображениям, фактически, определяет возможность достижения приемлемых по точности результатов обработки и анализа исходной последовательности изображений, при использовании ее сокращенной выборки (т.е. последовательности меньшей длины).
Алгоритмы обработки изображений на основе последовательностей
Сформулированы основные подходы и условия для построения алгоритмов обработки изображений на основе понятия последовательности.
Целью построения алгоритмов, будем считать обеспечение возможности извлечения и последующего описания информации из обрабатываемого изображения, а также связанные с этим вспомогательные операции.
Определение 1.31 Исходя из определенных выше целей, в дальнейшем, под обработкой последовательности изображений, будем понимать обработку изображения fР, на основе использования последовательности его реализаций {fn} на множестве вложенных пространств {Pn}, P0 P1 P2… Pn.
Последовательность изображений может восприниматься как иерархическая структура, состоящая из ряда уровней, каждый из которых характеризует определенный набор промежуточных представлений между верхней и нижней границами последовательности.
При переходе к каждому следующему уровню происходит определенное абстрагирование свойств изображения: каждый последующий уровень характеризует более широкий класс изображений. Это можно интерпретировать, как возможность принадлежности некоторого изображения не одной, а двум или более последовательностям, с несовпадающими верхними границами.
Теорема 9 Изображение f, принадлежащее некоторой последовательности {fn} с верхней границей fn, одновременно может принадлежать и другой последовательности {uk}, с верхней границей uk fn.
В качестве примера рассматривается случай, когда uk представляет собой fn с наложенной шумовой компонентой.
В определениях 1.32-1.33 вводятся понятия пересечения и объединения последовательностей изображений. В силу упорядоченности последовательностей, эти понятия не тождественны объединению и пересечению множеств изображений.
Последовательность {fn} являясь избыточной формой представления изображения f, приводит к возможности построения последовательности {gn} (по определению 1.23), которая характеризуется появлением новых свойств и может обрабатываться исходя из других принципов. При этом, по теореме 6, эта последовательность также является избыточной формой представления исходного изображения и обеспечивает его восстановление с заданной точностью.
Таким образом, разработка алгоритмов обработки последовательностей изображений предполагает, прежде всего, решение трех взаимосвязанных задач:
1. Выбор вида оператора формирования последовательности;
2. Выбор вида последовательности ({fn}, {gn} или последовательности более высокого порядка ).
3. Обработка или анализ сформированной последовательности.
В определении 1.34 вводится понятие задач, требующих и не требующих обратного восстановления. При этом следует различать необходимость обратного восстановления при решении задачи обработки изображения и возможность его осуществления выбранным алгоритмом. Действительно, пусть для формирования последовательности {fn} для решения задачи, требующей обратного восстановления, исходя из каких либо соображений, выбран оператор Т. Пусть для Т, не существует обратного оператора Т-1 (определение 1.13). Однако в этом случае может существовать оператор , обеспечивающий восстановление в смысле .
Кроме того, исходя из рассматриваемой модели представления изображения в виде последовательности (пункт 1.7), можно ввести следующие определения.
В определениях 1.35-1.37 определяется несколько классов алгоритмов обработки изображений (F-, G- и FG- типа), основанные на использовании разных типов последовательностей. Во всех этих случаях результат обработки должен представлять собой некоторую композицию результатов обработки отдельных изображений последовательности.
При обработке изображений последовательностей {fn} и {gn} также возможны несколько подходов.
В определениях 1.38-1.39 вводятся понятия параллельных и последовательных алгоритмов обработки последовательностей изображений, а также определяются их разновидности.
Введенные определения могут применяться одновременно, описывая тем самым, новые отдельные группы алгоритмов. Например, можно рассматривать «последовательные алгоритмы F-типа для решения задач требующих обратного восстановления» и т.д.
Также рассматриваются алгоритмы, основанные на совместном использовании нескольких последовательностей {{fn}T1, {fn}T2,…{fn}Tk}, полученных применением к исходному изображению набора операторов {T1, T2, …Tk}. Однако такой подход неизбежно приводит к росту сложности вычислительных процедур. Кроме того, усложняется процесс совместного анализа (композиции) признаков, полученных на разнородных последовательностях изображений.
Исходя из этого, более предпочтительными являются алгоритмы, реализуемые на одной последовательности изображений, сформированной некоторым оператором T. Основным требованием, предъявляемым к оператору T, является возможность его воздействия на выбранные группы признаков, приводящего к их трансформации и переходу к виду, более удобному для анализа. При этом за счет взаимного влияния признаков друг на друга в процессе их преобразования, должны вскрываться внутренние связи между отдельными составляющими изображения, определяемыми свойством эмерджентности изображения, как отображения некоторой целостной сцены. Другими, менее важными, но значительно расширяющими возможности алгоритмов обработки последовательностей изображений являются такие свойства оператора T, как:
1. Наличие дополнительного оператора T* (по определению 1.22);
2. Наличие оператора восстановления , такого, что выполняется условие ;
3. Наличие дискретного (по определению 1.27) или непрерывного (по определению 1.28) управляющего параметра , определяющего степень воздействия оператора T на изображение f;
4. Возможность алгоритмической реализации и, по возможности, ограниченные требования к вычислительным ресурсам.
Многомасштабные последовательности изображений
В качестве частного случая оператора T при формировании последовательности рассматривается многомасштабное преобразование изображения.
Прежде всего, изменение масштаба, влияя практически на все группы признаков изображения, не изменяет его пространственную структуру, что согласуется с предлагаемым в этой работе подходом, основанным на использовании понятий наследственности и изменчивости признаков последовательности изображений.
Алгоритмическая реализация многомасштабного преобразования, как правило, представляет собой цифровой фильтр с конечной импульсной характеристикой.
Кроме того, разработанные в настоящее время многочисленные варианты многомасштабного преобразования позволяют реализовать практически все подходы, представленные в предыдущих разделах (по определениям 1.27, 1.28, 1.35-1.39).
Многомасштабные методы определяются аддитивной моделью процесса формирования изображения. Таким образом, они являются частным случаем операторов формирования последовательностей изображений, подпадающих по условия выражений , и теоремы 8.
Появление вейвлет - анализа во многом позволило ввести единый математический аппарат для описания различных многомасштабных моделей.
Однако, применение подхода, основанного на рассмотрении последовательностей изображений, позволяет поставить ряд новых задач, не решенных ранее, либо решенных лишь частично. Среди них можно указать вопросы, связанные с возможностью построения неравномерных многомасштабных последовательностей изображений (по определению 1.30), что требует реализации многомасштабных преобразований с произвольным (возможно, нецелым) коэффициентом изменения масштаба. Не исследованы возможности неточных обратных операторов, обеспечивающих восстановление с некоторой допустимой погрешностью. При этом ошибка восстановления, как правило, рассматривается как средняя квадратичная ошибка аппроксимации. Остаются открытыми вопросы, связанные с построением адаптивных алгоритмов обработки последовательностей.
Важной задачей является также анализ взаимного влияния групп признаков, выделенных на изображениях разных масштабов. Не исследован процесс трансформации признаков при воздействии на изображение оператора масштабирования, их исчезновения или перехода на качественно новый уровень. При этом трудности однозначного описания поведения многих групп признаков на последовательности изображений, приводят к необходимости применения нечетких мер, что вполне согласуется с использованием субъективных характеристик при оценке изображений.
Кроме того, в некоторых практически важных случаях удается получить приемлемое решение при ослаблении требований и использовании конструкций и подходов весьма похожих на вейвлеты, но формально ими не являющимися.
Таким образом, многомасштабный подход и, в частности, аппарат вейвлет - преобразования, являясь мощным инструментом анализа нестационарных (в том числе многомерных) сигналов требует разработки методов его применения к практическим задачам обработки изображений. При этом универсальность этого аппарата допускает возможность параллельного существования многих разных подходов к его использованию.
Основные положения предлагаемой теории, описывая с единых позиций многомасштабных последовательностей цифровых изображений частные случаи многомасштабной обработки, вполне сочетаются со сложившимися в этой области представлениями и подходами. Такой многогранный подход к использованию аппарата многомасштабных преобразований позволяет в значительной мере расширить его возможности в области обработки и анализа изображений.
В определениях 1.40-1.41 приводятся понятия многомасштабного преобразования изображений (основанные на ранее известных подходах, описанных в литературе).
Теорема 10 Многомасштабное представление изображения может рассматриваться как последовательность изображений , для которой определен оператор формирования последовательности Т (по определению 1.10).
Следствие теоремы 10 Все положения и выводы, приведенные в предыдущих пунктах для последовательности изображений {fn} с определенным на ней оператором Т справедливы для любого многомасштабного представления изображения.
Таким образом, результат любого многомасштабного преобразования дискретного изображения f[x,y] может рассматриваться как последовательность изображений {fn} с определенным на ней оператором Т. В частных случаях можно говорить о существовании дополнительного оператора Т* (и, соответственно, дополнительной последовательности {gn}), а также оператора восстановления , свойства которых были описаны ранее.
Отношение порядка в этой последовательности будет определяться значениями коэффициентов изменения масштаба, при этом можно сформулировать следующие теоремы.
Теорема 11 Многомасштабная последовательность изображений {fn} ограничена сверху исходным изображением f0.
Теорема 12 Многомасштабная последовательность дополнений {gn} ограничена сверху изображением 0.
Теорема 13 Многомасштабная последовательность изображений {fn} ограничена снизу изображением все точки которого равны средней яркости изображения f0.
При этом, как следует из теоремы 1, при решении конкретных задач обработки изображений данная последовательность может быть упорядочена другим образом (по другому набору признаков). Рассмотрение вопросов, связанных с формированием и обработкой многомасштабных последовательностей цифровых изображений проводится в следующих главах.
Во второй главе диссертации рассматриваются методы и модели формирования многомасштабных последовательностей изображений, реализующие основные положения теории, представленные в Главе 1.
В определениях 2.1 - 2.6 вводятся понятия полного и неполного многомасштабного представления изображений.
Также сформулированы основные свойства многомасштабного представления. Рассмотрены основные варианты реализации многомасштабных преобразований. Показано, что использование теории вейвлет - преобразования позволяет описать эти подходы (пирамиды изображений, банки фильтров и пр.) с единых позиций.
При этом с точки зрения введенных в Главе 1 положений, основной проблемой при использовании вейвлетов для формирования многомасштабных последовательностей является трудность построения неравномерных последовательностей (определение 1.30), что соответствует применению вейвлетов с нецелыми коэффициентами сжатия.
Формирование многомасштабной последовательности с произвольными коэффициентами сжатия
Как правило, исходя из удобства численной реализации алгоритмов, при вычислении вейвлет - преобразования используется так называемая схема Малла, при которой частотный диапазон сигнала (по каждой координате) делится пополам. В таких задачах как выделение признаков, отслеживание особенностей, сегментация возможность получения других коэффициентов деления частотного диапазона (при наличии алгоритмов обратного преобразования) позволяет достичь лучших результатов. Наиболее существенным обстоятельством здесь является необходимость не упустить при изменении масштаба рассмотрения тех особенностей, которые наиболее четко характеризуют рассматриваемый сигнал по отношению к другим. В связи с этим актуальна разработка алгоритмов, реализующих произвольные значения изменения масштаба вейвлет - преобразования, адаптируемые к частотным характеристикам сигнала.
Предлагаемый алгоритм многомасштабной аппроксимации изображений с произвольным коэффициентом сжатия основан на применении дискретного пакетного вейвлет-преобразования и свойстве частотной локализации коэффициентов вейвлет-пакета.
Рис. 1. Квадратное дерево вейвлет-пакета
Представляя пакетное вейвлет-преобразование в виде квадратного дерева (рис. 1) и ставя в соответствие каждому узлу дерева множество вейвлет-коэффициентов , где - количество узлов дерева, находящихся слева и сверху на глубине , а также условно принимая ширину частотного диапазона изображения равной 1, энергия Фурье-образов масштабирующей функции и вейвлета , используемых при разложении, будет сосредоточена в частотных квадратах вида .
Для вычисления аппроксимации изображения с заданными коэффициентами сжатия , по двум направлениям просмотра необходимо определить ширину частотных диапазонов , , исключить из рассмотрения вейвлет-коэффициенты, энергия которых сосредоточена вне заданных диапазонов, и восстановить изображение по оставшимся коэффициентам вейвлет-пакета. Выбор коэффициентов , необходимых для аппроксимации изображения с заданными коэффициентами сжатия осуществляется по правилу
.
Также существует возможность вычисления детализирующей информации многомасштабного представления. При этом для формирования горизонтальных вертикальных и диагональных детализирующих коэффициентов используются коэффициенты вейвлет-пакета вида
,
,
.
Получаемые при этом аппроксимация и детализирующие коэффициенты , , многомасштабного представления могут быть использованы для обратного восстановления изображения .
Принцип работы предложенного подхода приведен на рис.2. Имеется результат четырехканального пакетного вейвлет преобразования изображения (рис. 2а) с коэффициентом сжатия 2. Для простоты, группы вейвлет - коэффициентов обозначаются как ННi, НВi, ВНi, ВВi, где i - уровень разложения. Пусть, например, необходимо получить четырехканальное вейвлет - разложение с коэффициентом сжатия 4/3, т.е., перейти от разложения НН1, НВ1, ВН1, ВВ1 к разложению НН'1, НВ'1, ВН'1, ВВ'1 (рис. 2г).
аб
вг
Рис. 2 Четырехканальное вейвлет - преобразование изображения
Для формирования поддиапазона НН'1, в соответствии с предлагаемым подходом, необходимо в исходном вейвлет - разложении оставить только те вейвлет - коэффициенты, которые отмечены серым цветом на схеме рис. 2б, а остальные обнулить. После этого производится обратное вейвлет преобразование. Аналогично, для получения набора вейвлет - коэффициентов ВН'1 необходимо произвести обратное вейвлет преобразование над коэффициентами, отмеченными на рис. 2в. Так же формируются наборы коэффициентов ВВ'1 и НВ'1. Обоснованность подобного выбора групп коэффициентов можно легко проверить, если рассмотреть двумерные спектры Фурье исходного и полученного вейвлет - разложения.
После того, как вейвлет - коэффициенты подверглись обработке в соответствии с поставленной задачей, восстановление изображения (если оно требуется) производится в обратном порядке.
Критерии выбора значений коэффициентов изменения масштаба
Разработка критериев выбора масштабного коэффициента осуществляется исходя из основных положений Пункта 1.8 диссертационной работы. В общем случае масштабный коэффициент многомасштабной последовательности соответствует параметру оператора Т в определении 1.30. В основе выбора лежит анализ значения изменчивости выбранного признака (или группы признаков).
В качестве примера, был использован, порог равный отношению мощности ВЧ- составляющей, к мощности НЧ - составляющей. Для одномерного сигнала (строки изображения):
,
где Ai - i-ая составляющая энергетического спектра сигнала. В качестве частоты среза при разделении НЧ и ВЧ компонент выбирается такое s, при котором порог достигает заданного значения Ps=P0.
Для вычисления значения Р может быть использован простой алгоритм. Сначала вычисляются две суммы
и .
Затем на каждом следующем шаге i=1.. smax-1:
,
и вычисляется отношение (6). Кратность изменения масштаба определяется отношением полос.
Для двумерного перегруппированного (НЧ составляющие лежат в начале координат) спектра, вычисленного на основе БПФ, коэффициент масштабирования
при условии, что,
где E() - мощность спектральных составляющих полосы , P0 - заданный порог, 1 - ширина полосы нижних частот, 2 - ширина полосы верхних частот.
В качестве другого критерия, был выбран такой глобальный признак как величина взаимной информации (энтропии) между соседними изображениями последовательности:
,
где - двумерные наборы данных, , - плотности распределения вероятностей наборов коэффициентов и , - совместная плотность распределения вероятности коэффициентов и .
Коэффициент сжатия выбирается таким образом, что бы величина взаимной информации между соседними изображениями последовательности была не менее некоторого порога.
Для обоих критериев, меняя порог (параметр адаптации) можно плавно менять степень изменения изображения, или, что, то же самое, более чутко отслеживать его изменения.
В диссертации также приведен обзор других возможных критериев, основанных на принципах, изложенных в Пункте 1.8.
Определение параметров локальных моделей элементов изображений многомасштабных последовательностей
Исходя из определений 1.25-1.26 модель можно записать, как
В диссертации предлагается рассчитывать параметры локальной области на основе следующего подхода:
1) Сформировать матрицу по изображению следующим образом:
,
где - оператор вычисления расстояния между двумя отсчётами изображения, , , - размер изображения по вертикали, - размер изображения по горизонтали.
2) Выполнить преобразование матрицы в число, которое соответствует весу элемента в вычисляемой окрестности:
где - оператор преобразования матрицы в число.
3) Выполнить шаги 1 и 2 для каждого значения и , где ,,
- максимальный размер вычисляемой окрестности.
Рис.3 Структура связей между отсчетами
4) Выполнить нормализацию:
.
Для выбора окрестности к матрице применяется процедура отсечения по порогу:
- порог.
При реализации операторов и предлагается использовать величину взаимной информации [2.20].
На рис. 4 показаны результаты вычислений окрестности изображения.
а бв
Рис. 4. Выбор окрестности области: а - исходное изображение;
б - графическое отображение матрицы ; в - окрестность
Исходя из описанных подходов, а также на основе утверждения теоремы 8, в диссертации предложена модификация модели многомасштабного марковского случайного поля. В основе этой модели лежат следующие принципы:
1) Использование адаптивной окрестности для описания связей между отсчётами в одном элементе многомасштабной последовательности.
2) Использование адаптивного многомасштабного представления изображения в качестве исходных данных.
Рассмотрены возможности реализации на базе предложенных моделей алгоритмов обработки последовательностей изображений вида «снизу-вверх» и «сверху - вниз».
Представлены результаты генерации изображений на базе введенных моделей.
В третьей главе проводится разработка и исследование алгоритмов обработки и анализа изображений, основанных на введенных в Главе 2 методах и моделях адаптивного многомасштабного представления изображений.
Результаты исследований разработанных алгоритмов восстановления и сегментации изображений показали, что они по эффективности не уступают классическим алгоритмам, а в ряде случаев позволяют получить лучшие результаты.
Использование адаптивного многомасштабного представления в качестве исходных данных позволило улучшить результаты решения задач сегментации и восстановления изображений. Приведены результаты сравнения с традиционно применяемыми подходами.
В четвертой главе разработаны алгоритмы выделения (фильтрации) особенностей изображений на неравномерных многомасштабных последовательностях.
В диссертации показано, что значительное число задач обработки дефектоскопических изображений сводится к обнаружению на них особенностей и определению их характеристик.
Алгоритмы многомасштабной фильтрации особенностей изображений
С точки зрения распределения функции яркости объекты могут интерпретироваться как локальные особенности анализируемого изображения . Фильтрация особенностей выполняется с применением вейвлет-преобразования с произвольным коэффициентом изменения масштаба, поскольку возможность плавного изменения масштабирующего коэффициента вейвлет-фильтра позволяет обнаруживать особенности произвольных размеров на разных уровнях разложения.
Поскольку особенности изображений являются двумерными, то очевидно, что их геометрические характеристики могут изменяться в зависимости от направления и точки просмотра (рис. 5), т.е. являться анизотропными.
Рис. 5. Пример особенности с анизотропными характеристиками
Исходя из того, что амплитуда вейвлет-коэффициентов, соответствующих области особенности, максимальна при сопоставимых размерах особенности и фильтра, то для сохранения формы особенностей масштаб вейвлет-разложения выбирается адаптивно к размеру особенности в каждой строке , , или столбце , , изображения путем анализа вейвлет-коэффициентов , , соответствующих строкам и столбцам изображения на -ом уровне разложения (масштабе ).
Очевидно, что в каждой строке или столбце изображения может присутствовать несколько особенностей разного размера, которым будут соответствовать максимальные вейвлет-коэффициенты с разных уровней разложения. В данном случае предлагается формировать вейвлет-образы , строк и столбцов изображения из максимальных по всему диапазону изменения масштаба вейвлет-коэффициентов, т.е. , .
Определяя для двумерного вейвлет-преобразования множества масштабирующих коэффициентов , , , для двух направлений просмотра изображения и углов поворота , , вычисляется трехмерный вейвлет-спектр , где уровень разложения есть . В терминах предлагаемой теории такое представление рассматривается как последовательность изображений .
Выбор подходящего уровня разложения при заданных масштабирующих коэффициентах , и угле поворота возможен с использованием выражений, полученных для сепарабельных вейвлетов, но обобщенных на двумерный случай, например, на основании анализа скейлограммы трехмерного вейвлет-спектра.
Алгоритмы многомасштабной фильтрации групповых объектов изображений
Наряду с задачами обнаружения и определения характеристик объектов изображений, часто возникают задачи определения некоторых связей (топологических, пространственных) между отдельными объектами и их отнесения к некоторой группе . В качестве критерия оценки принадлежности объекта некоторой группе рассматривается расстояние между парами объектов, т.е. , , , где - порог.
Поскольку при использовании непрерывного вейвлет-преобразования максимальные отклики фильтров соответствуют особенностям изображения при сопоставимых размерах особенности и фильтра, то при увеличении масштаба разложения , отклик вейвлет-фильтра будет соответствовать некоторой группе особенностей, при выполнении условия , где - размер вейвлет-фильтра, , - размеры особенностей изображения.
Определяя множество уровней и масштабов разложения и применяя алгоритм многомасштабной фильтрации особенностей, формируются множества объектов , обнаруженных на уровне разложения , т.е. , причем каждый объект может быть представлен множеством точек .
При достаточно высоком уровне разложения для пары (или более) объектов , на масштабе может быть выделен только один объект (рис. 6), который в свою очередь будет являться групповым объектом на масштабе .
Можно показать, что если множество точек объекта с первого уровня разложения пересекается хотя бы с одним множеством точек объектов со всех последующих уровней разложения, то объект с первого уровня разложения входит в групповой объект с -го уровня разложения, т.е. .
Рис. 6. Взаимное расположение объектов изображения на группе уровней разложения.
Алгоритмы многомасштабной фильтрации кривых
Задача сглаживания кривой ставиться в диссертации в связи с анализом последовательностей таких признаков как контура и скелеты полутоновых изображений. Она решается с использованием алгоритма многомасштабной аппроксимации изображений с произвольным коэффициентом сжатия, адаптированным на одномерный случай. При этом многомасштабной обработке подвергаются все векторы координат, описывающие исходную кривую, а результирующая кривая формируется по многомасштабным представлениям, как .
При этом решается задача обеспечения требуемой степени сглаженности кривой с устранением шумовой компоненты, но сохранением формы кривой. В диссертации рассматривается также возможность применения алгоритма многомасштабного сглаживания кривых в задачах их сравнения. При этом степень подобия кривой некоторому эталону определяется на основе вычисления коэффициентов корреляции между соответствующими векторами координат сравниваемых кривых.
Предложенные алгоритмы фильтрации кривых обобщены на трехмерный случай, добавлением в описание кривой еще одного вектора координат, т.е. . Это позволяет использовать предложенные алгоритмы для обработки и анализа трехмерных контуров и скелетов.
Табл. 1. Результаты сравнения контуров
|
Эталонный контур |
Тестируемый контур |
, |
, |
Сглаженный контур |
, |
, |
|
|
1.13 1.08 |
0.89 0.90 |
0.70 0.71 |
0.99 0.99 |
||||
|
1.13 1.10 |
0.90 0.92 |
0.63 0.66 |
0.99 0.99 |
В пятой главе показаны возможности применения разработанных подходов при решении задач обработки и анализа изображений микроструктур металлов, рентгеновских снимков сварных швов и восстановления изображений в малоракурсной промышленной томографии.
В ходе вычислительного эксперимента обрабатывались рентгенографические снимки сварных соединений магистрального газопровода диаметром 1020 мм и толщиной стенок труб 12.5 мм, полученные с использованием импульсного рентгеновского аппарата АРИНА-3 с регистрацией излучения на рентгенографическую пленку AGFA STRUCTURIX D7 и последующей оцифровкой изображения на специализированном сканере для рентгеновских изображений UMAX POWERLOOK 2100 XL со слайд адаптером UTA-2100 XL.
Дефекты, обнаруженные оператором-дефектоскопистом:
1. Газовые поры, диаметр 4 мм, 2 шт (Aa-4-2).
2. Газовая пора, диаметр 0.5 мм (Аа-0.5).
Объекты, обнаруженные с использованием алгоритма многомасштабной фильтрации особенностей:
Объект 1. Длина 4.1 мм, ширина 1.9 мм, площадь 6.3 мм2.
Объект 2. Длина 4.1 мм, ширина 2 мм, площадь 6.1 мм2.
Объект 3. Длина 0.5 мм, ширина 0.5 мм, площадь 0.2 мм2.
Рис. 8. Обнаружение дефектов сварного соединения.
Было установлено, что разработанные алгоритмы успешно обнаруживают большинство дефектов (рис. 8), таких как, газовые поры, инородные включения, непровары. Дальнейший анализ обнаруженных областей показал, что геометрические характеристики дефектов (длина, ширина, площадь) практически не отличаются от значений, полученных квалифицированным оператором-дефектоскопситом. Это доказывает возможность использования предложенных алгоритмов в практических задачах дефектоскопии.
Обнаружение групповых дефектов предъявляет к используемому алгоритму дополнительные требования, т.к. необходимо не только сохранять форму и размеры, как отдельных дефектов, так и их групп, но и учитывать пространственное расположение и топологические связи между дефектами группы. Эти проблемы решаются с применением алгоритма многомасштабной фильтрации групповых объектов изображений (рис. 9).
Рис. 9. Обнаружение группового дефекта сварного соединения.
Также были проведены вычислительные и физические эксперименты по препарированию изображений микроструктур металлов, полученных на металлографическом микроскопе типа ММР-4 (Россия).
Разработанные алгоритмы кратномасштабного восстановления по усеченным проекциям были проверены при реконструкции томограмм по ограниченному числу усеченных проекций, полученных на рентгеновском симуляторе SLS-9 (Philips).
Разработанная автоматизированная подсистема обработки и анализа ДИ реализует предложенные алгоритмы многомасштабной обработки изображений для решения задач контроля качества металлоизделий. Данная подсистема позволяет в диалоговом режиме решать задачи предобработки ДИ, обнаружения, оценки характеристик и классификации дефектов, а также задачи определения структурной составляющей в микроструктуре. Предложенная подсистема повышает точность оценки характеристик материалов и их соединений, а также оперативность контроля качества.
ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ
В диссертационной работе в рамках решения поставленной научной проблемы получены следующие результаты:
1. Разработаны основные положения теории обработки многомасштабных последовательностей цифровых изображений, определяющие возможности построения новых методов и алгоритмов цифровой обработки и анализа изображений.
2. Введено понятие сходимости последовательности изображений по набору признаков, определяющее возможность создания новых подходов к разработке алгоритмов выделения и анализа признаков изображений.
3. Предложенный подход, основанный на введении понятий наследственности и изменчивости признаков в последовательностях изображений, приводит к возможности формирования и использования операторов, обеспечивающих точное восстановление изображения по выбранной группе признаков. Описаны основные требования, предъявляемые к подобным операторам.
4. Разработанные теоретические основы обеспечивают возможность построения иерархических структур формальных описаний, т.е. моделей изображений, основанных на различных признаках, относящихся к различным морфологическим и масштабным уровням представления.
3. Разработаны методы представления изображения в виде многомасштабной последовательности с произвольными коэффициентами сжатия, позволяющие более полно вскрывать его внутреннюю структуру и обнаруживать скрытые признаки и особенности.
4. Осуществлён анализ свойств многомасштабного представления изображений в виде многомасштабных последовательностей. Выделены наиболее существенные связи между элементами многомасштабного представления, которые могут быть описаны при разработке моделей изображений. Предложен ряд подходов к модификации существующих многомасштабных моделей изображений. К ним относятся: использование адаптивного многомасштабного представления в качестве исходных данных для модели, применение окрестности, выбираемой на основе исходных данных, для описания связей между элементами многомасштабного разложения.
5. Разработаны адаптивные математические модели многомасштабного представления изображений.
6. На основе введенных теоретических положений разработаны алгоритмы:
- алгоритмы многомасштабной аппроксимации сигналов и изображений с произвольным коэффициентом сжатия;
- алгоритмы оценки параметров шума на изображении;
- алгоритмы многомасштабной фильтрации комбинированных помех изображений;
- алгоритмы многомасштабной фильтрации особенностей изображений, основанных на использовании непрерывного вейвлет-преобразования;
- алгоритмы многомасштабной фильтрации линейчатых объектов изображений;
- алгоритмы многомасштабного сглаживания линейчатых объектов с выбором коэффициента сглаженности;
- алгоритмы анализа признаков описания формы изображений на основе их многомасштабного представления;
- алгоритмы многомасштабной фильтрации групповых объектов изображений;
- кратномасштабный алгоритм восстановления томографических изображений по неполным данным в малоракурсной томографии.
7. Проведены исследования разработанных методов и алгоритмов на тестовых и реальных изображениях, доказывающие работоспособность и возможность применения предложенных алгоритмов в практических задачах контроля качества изделий.
8. Предложена структура автоматизированной системы расшифровки дефектоскопических изображений сварных швов. С использованием разработанных алгоритмов и системы решены практические задачи автоматизированной расшифровки рентгенографических изображений сварных соединений.
ПУБЛИКАЦИИ
По перечню ВАК
1. Жизняков, А.Л. Формализация некоторых понятий теории обработки многомасштабных последовательностей цифровых изображений / А. Л. Жизняков // Системы управления и информационные технологии. - 2007. - № 3.3(29). - С. 354-358.
2. Жизняков, А.Л. Обработка многомерных сигналов на основе стохастических моделей вейвлет - коэффициентов / А. Л. Жизняков // Радиотехника. - 2006. - №11. - С. 68-71.
3. Жизняков, А. Л. Формирование и анализ наборов признаков многомасштабных последовательностей цифровых изображений / А. Л. Жизняков // Программные продукты и системы. - 2007. - №4. - С. 67-70.
4. Орлов, А. А. Фильтрация локальных неоднородностей двумерных сигналов на основе вейвлет - преобразования / А. А. Орлов, А. Л. Жизняков // Радиотехника, 2006. - №6. - С. 99-100.
5. Жизняков, А.Л. Многомасштабный подход к фильтрации контуров полутоновых изображений / А.Л. Жизняков, А.А. Фомин // Вестник компьютерных и информационных технологий. - 2007. - №9. - С. 75-82.
6. Жизняков, А. Л. Автоматизированная система кратномасштабной обработки и анализа рентгенографических снимков / А. Л. Жизняков // Программные продукты и системы. - 2007. - №3. - С. 92-94.
7. Жизняков, А. Л. Вопросы применения вейвлет - преобразования для обработки данных в ГИС / А. Л. Жизняков, Н.В. Вакунов // Геоинформатика. - 2004. - №4. - С.51-53.
8. Жизняков, А. Л. Некоторые подходы к статистической оценке вейвлет - коэффициентов полутонового изображения / А. Л. Жизняков // «Информационные технологии в науке, социологии, экономике и бизнесе» - Приложение к журналу «Открытое образование». - 2006. - С.148-149.
9. Жизняков, А. Л. Использование критерия взаимной информации в локальных алгоритмах обработки вейвлет - коэффициентов / В. Е. Гай, А. Л. Жизняков // Инфокоммуникационные технологии. - 2007. - Т. 5. - № 1. - С. 12- 17.
10. Orlov, A.A. Sadykov S.S., Zhiznjakov A.L. Using the Hough Transform for Extraction and Suppression of Ribs in X-rays of the Thorax / A.A. Orlov, S.S. Sadykov, A.L. Zhiznjakov // Pattern Recognition and Image Analysis. Advances in Mathematical Theory and Applications. - 2001. - vol.11. - № 2. - p.365-369.
11. Жизняков, А. Л. Информационная технология обнаружения дефектов сварных соединений на основе непрерывного вейвлет - анализа рентгенографических снимков / А. Л. Жизняков, А. А. Фомин, Г. А. Симонова // Информационные технологии №8. - 2007. - С. 43 - 49.
12. Жизняков, А. Л. Понятия наследственности и изменчивости признаков в многомасштабных последовательностях цифровых изображений / А. Л. Жизняков // Приложение к журналу «Открытое образование». - 2007. - С. 50-52.
13. Возможности реализации режима вычислительного томографа на рентгеновском симуляторе SLS-9 / А. Л. Жизняков, С. И. Семенов, Л. Т. Сушкова, Д. П. Троицкий, К. В. Чирков // Информационно-измерительные и управляющие системы. - 2007. - Т.5. - №6. - С.20-25.
14. Жизняков, А. Л. Использование вейвлет - преобразования для классификации текстур на аэрокосмических снимках / А. Л. Жизняков, С. С. Садыков // Геоинформатика. - 2005. - №1. - С. 3-6.
15. Hardware and software for X-ray therapy planning / A. L. Zhiznyakov, S. I. Semenov, L. T. Sushkova, D. P. Troitskii, K. V. Chirkov // Biomedical Engineering . - Springer New York. - 2007. - Vol. 41. - №. 5. - P. 232 - 234
16. Жизняков, А. Л. Применение пакетного вейвлет - преобразования для анализа многомерных сигналов / А. Л. Жизняков, В. Е. Гай // Радиотехника. - 2007. - №6. - C. 48 - 51.
17. Жизняков, А.Л. Обнаружение пор и шлаковых включений по рентгенографическим снимкам сварных швов средствами вейвлет-анализа / А.Л. Жизняков, А.А. Фомин, Г.А. Симонова // Заводская лаборатория. Диагностика материалов. - 2007. - Т. 73. - №11. - С. 25-29.
18. Гай, В. Е. Выбор структуры локальной области в вейвлет алгоритмах обработки изображений / В. Е. Гай, А. Л. Жизняков // Системы управления и информационные технологии. - 2007. - № 2(28). - С. 82 - 86.
19. Жизняков, А.Л. Автоматизированная подсистема кратномасштабной обработки рентгенограмм в системах неразрушающего контроля / А.Л. Жизняков, А.А. Фомин // Автоматизация и современные технологии. - 2007. - №12. - С. 26-35.
20. Алгоритмы восстановления томографических изображений / А. Л. Жизняков, С. И. Семенов, Л. Т. Сушкова, Д. П. Троицкий, К. В. Чирков // Информационно-измерительные и управляющие системы. - 2007. - Т. 5, . - №9. - С. 29-38.
21. Жизняков, А. Л. Сегментация изображений на базе использования адаптивной локальной области / А. Л. Жизняков, В. Е. Гай // Вестник компьютерных и информационных технологий. - 2008. - № 1. - С. 16 - 21.
22. Технические и программные средства планирования лучевой терапии / А. Л. Жизняков, С. И. Семенов, Л. Т. Сушкова, Д. П. Троицкий, К. В. Чирков // Медицинская техника. - 2007. - №. 5. - Т. 41. - С. 25-27.
Монографии
1. Жизняков, А. Л. Теоретические основы обработки многомасштабных последовательностей цифровых изображений / А. Л. Жизняков, С. С. Садыков. - Владим. гос. ун-т.- Владимир: Изд-во Владим. гос. ун-та, 2008. - 121 с. - ISBN 978-5-89368-801-5
2. Жизняков, А. Л. Вейвлет - преобразование в анализе и обработке изображений / А. Л. Жизняков, Н. В. Вакунов - М.: Государственный научный центр Российской Федерации - ВНИИ Геосистем, 2004. - 102 с.- ISBN 5-8481-0031-4
3. Варламов, А. Д. Компьютерная реставрация изображений архивных фотодокументов / А. Д. Варламов, А. Л. Жизняков, С. С. Садыков. - М.: Мир, 2006 - 133 с. - ISBN 5-03-003792-6
Учебные пособия
1. Жизняков, А. Л., Садыков С.С., Юрков Н.К. Автоматизация восстановления и обработки томографических снимков. Учебное пособие с грифом УМО / А. Л. Жизняков, С.С. Садыков, Н.К. Юрков - Пенза: Пензенский гос. у-нт - 2000. - 104 с.
2. Жизняков, А. Л. Многомасштабные методы обработки цифровых изображений / А. Л. Жизняков, Гай В.Е., Фомин А.А. - Владим. гос. ун-т.- Владимир: Изд-во Владим. гос. ун-та, 2008. - 102 с. - ISBN 978-5-89368-802-3
3. Жизняков, А.Л. Обработка сигналов и изображений на основе вейвлет - преобразования в среде Matlab 6.0: учеб. пособие / А. Л. Жизняков. - Муром: Изд.-полиграф. центр МИ ВлГУ, 2007. - 110 с. - ISBN 978-5-8439-0130-1
Патенты
1. Пат. 57033 РФ, МПК7 G 06 F 17/14. Устройство вычисления вейвлет преобразования / Жизняков А.Л., Фомин А.А. ; заявитель и патентообладатель Жизняков А.Л., Фомин А.А. - №2006116364/22 ; заявл. 12.05.2006 ; опубл. 27.09.2006, Бюл. №27. - 2 с. : ил.
2. Пат. 59863 РФ, МПК7 G 06 T 1/00. Устройство для определения различия между исходным и обработанным изображениями / Жизняков А. Л., Гай В. Е.; заявитель и правообладатель Жизняков А. Л., Гай В. Е. - №2006116365/22; заявл. 12.05.2006; опубл. 27.12.2006, Бюл. № 36. - 3 с.: ил.
3. Пат. 60242 РФ, МПК7 G 06 F 17/14. Устройство вычисления непрерывного двумерного вейвлет-преобразования с произвольным углом поворота фильтра / Жизняков А.Л., Фомин А.А. ; заявитель и патентообладатель Жизняков А.Л., Фомин А.А. - №2006132807/22 ; заявл. 12.09.2006 ; опубл. 10.01.2007, Бюл. №1. - 2 с. : ил.
...Подобные документы
Цифровые рентгенографические системы. Методы автоматического анализа изображений в среде MatLab. Анализ рентгеновского изображения. Фильтрация, сегментация, улучшение изображений. Аппаратурные возможности предварительной нормализации изображений.
курсовая работа [890,9 K], добавлен 07.12.2013Изучение и программная реализация в среде Matlab методов обработки, анализа, фильтрации, сегментации и улучшения качества рентгеновских медицинских изображений. Цифровые рентгенографические системы. Разработка статически обоснованных алгоритмов.
курсовая работа [4,7 M], добавлен 20.01.2016Изучение современных методик компьютерной обработки биомедицинских изображений с целью улучшения изображений для их наилучшего визуального восприятия врачом-диагностом и эффективного сжатия изображений – для надежного хранения и быстрой передачи данных.
курсовая работа [2,3 M], добавлен 15.04.2019Обработка изображений на современных вычислительных устройствах. Устройство и представление различных форматов изображений. Исследование алгоритмов обработки изображений на базе различных архитектур. Сжатие изображений на основе сверточных нейросетей.
дипломная работа [6,1 M], добавлен 03.06.2022Описание математических методов представления и обработки графических изображений. Описание разработанного программного дополнения. Описание функций и их атрибутов. Представление и обработка графических изображений. Результаты тестирования программы.
курсовая работа [1,7 M], добавлен 27.01.2015Обнаружение деталей и их границ изображения. Применение ранговых алгоритмов. Использование алгоритмов адаптивного квантования мод в режиме пофрагментной обработки. Обобщенная линейная фильтрация изображений. Восстановление отсутствующих участков.
курсовая работа [1,8 M], добавлен 17.06.2013Обзор существующего программного обеспечения для автоматизации выделения границ на изображении. Разработка математической модели обработки изображений и выделения контуров в оттенках серого и программного обеспечения для алгоритмов обработки изображений.
дипломная работа [1,7 M], добавлен 27.03.2013История появления и основные понятия графического дизайна. Выявление главных преимуществ и недостатков недеструктивной обработки изображений. Сравнение деструктивной и недеструктивной обработки изображений. Сущность и особенности двухмерной графики.
реферат [5,2 M], добавлен 05.05.2023Анализ существующих методов масштабирования изображений. Повышение скорости обработки и изменения картинок. Алгоритм масштабирования с использованием параллелизма. Отбор пикселей для правильного расчета градиента. Выбор метода интерполяции изображения.
курсовая работа [5,8 M], добавлен 17.06.2017Задачи цифровой обработки изображений. Методы пороговой сегментации. Создание программы представления рисунка в виде матрицы и применения к нему пороговой обработки. Разработка интерфейса программы загрузки и фильтрации изображения с выбранным порогом.
курсовая работа [2,0 M], добавлен 12.11.2012Анализ проблем, возникающих при совмещении изображений в корреляционно-экстремальных навигационных системах. Использование двумерного дискретного преобразования Фурье. Нахождение корреляционной функции радиолокационного и моделируемого изображений.
дипломная работа [3,6 M], добавлен 07.07.2012Задача пространственно-временной обработки изображений при наличии шумов и помех. Методы оптимизации при пространственно-временной обработке изображений. Структура специализированной программы, описание ее пользовательского интерфейса. Смета затрат.
дипломная работа [957,2 K], добавлен 10.06.2013Типы изображений (черно-белые, полутоновые, цветные) и их форматы. Устройства, создающие цифровые изображения, и их параметры. Применение и характеристики методов сжатия изображений. Поиск по содержимому в базах данных изображений. Структуры баз данных.
презентация [360,4 K], добавлен 11.10.2013Проблема улучшения качества отпечатков пальца с целью повышения эффективности работы алгоритмов биометрической аутентификации. Обзор алгоритмов обработки изображений отпечатков пальцев. Анализ алгоритма, основанного на использовании преобразования Габора.
дипломная работа [4,5 M], добавлен 16.07.2014Выбор методов обработки и сегментации изображений. Математические основы примененных фильтров. Гистограмма яркости изображения. Программная реализация комплексного метода обработки изображений. Тестирование разработанного программного обеспечения.
курсовая работа [1,3 M], добавлен 18.01.2017Описание метода обработки "Выделение контурных линий" и особенностей его применения и программной реализации. Способы увеличения контрастности. Значение правильного подбора формы гистограммы для качества компьютерной обработки растрового изображения.
курсовая работа [940,2 K], добавлен 24.06.2013Основные категории изображений: растровые и векторные. Программы, работающие с растровыми изображениями. Инструменты для работы с обоими типами графики в программе Photoshop. Обзор современных программ обработки и просмотра графических изображений.
курсовая работа [49,0 K], добавлен 20.09.2010Исследование вертикальных проекций яркости и размаха яркости. Программная реализация алгоритма автоматического анализа цифровых изображений номерных знаков с целью сегментации цифробуквенных символов. Разработка графического пользовательского интерфейса.
дипломная работа [1,5 M], добавлен 12.04.2013Выполнение геометрической коррекции сканированного листа карты Украины масштаба 1:1000000 в среде Erdas. Возможности выявления объектов с использованием радиолокационных снимков. Создание цифровых моделей рельефа и перспективных изображений местности.
курсовая работа [2,0 M], добавлен 17.12.2013Растровая графика, составление графических изображений из отдельных точек (пикселей). Растровые графические редакторы. Векторная графика - построение изображения из простых объектов. Достоинства, недостатки и применение растровой и векторной графики.
презентация [7,8 K], добавлен 06.01.2014
