Авторефераты по всем темам >>
Авторефераты по техническим специальностям
На правах рукописи
ПРИВЕЗЕНЦЕВ Денис Геннадьевич
АЛГОРИТМЫ ЦИФРОВОЙ ОБРАБОТКИ ДЕФЕКТОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ПРИЗНАКОВ САМОПОДОБИЯ
Специальность: 05.13.01 - Системный анализ, управление и обработка информации (промышленность).
АВТОРЕФЕРАТ
диссертации на соискание ученой степени кандидата технических наук
Владимир 2012
Работа выполнена на кафедре Систем автоматизированного проектирования в Муромском институте (филиале) федерального государственного бюджетного образовательного учреждения высшего профессионального образования Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых.
Научный консультант: доктор технических наук, профессор Жизняков Аркадий Львович
Официальные оппоненты: доктор технических наук, профессор, декан факультета информатики и вычислительной техники ФГБОУ ВПО Юго-западный государственный университет Дегтярев Сергей Викторович доктор технических наук, профессор, профессор кафедры информационных систем и информационного менеджмента ФГБОУ ВПО Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых Александров Дмитрий Владимирович
Ведущая организация: ФГБОУ ВПО Рязанский государственный радиотехнический университет
Защита диссертации состоится л21 ноября 2012 г. в 15 часов на заседании диссертационного совета Д 212.025.01 при ФБГОУ ВПО Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых по адресу: 600000, г. Владимир, уд. Горького д. 87, ВГУ, 1-й учебный корпус, аудитория 335-1.
С диссертацией можно ознакомиться в библиотеке ФБГОУ ВПО Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых по адресу: 600000, г. Владимир, ул. Горького д. 87, ВГУ, 2-й учебный корпус.
Автореферат разослан л 19 октября 2012 г.
Ученый секретарь диссертационного совета, доктор технических наук, профессор Н.Н. Давыдов
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность работы. Активное развитие науки и техники, возрастающая сложность решаемых научно-технических задач приводит к необходимости анализа различных видов информации, в том числе изображений. Анализ изображений, выполняется на промышленных предприятиях при осуществлении контроля качества изделий, в медицинских учреждениях при диагностике различных заболеваний, в робототехнике, системах безопасности, при контроле дорожного движения и т. д. Важно отметить, что на сегодняшний день создано большое количество алгоритмов обработки изображений. При этом актуальной является задача разработки новых алгоритмов обработки изображений.
Задачами анализа изображений занимаются школы: С. Абламейко, Б. Алпатова, Т. Блу, Р. Вудса, Р. Гонсалеса, У. Гренандера, И. Гуревича, Г. Евангелиста, В. Еремеева, В. Злобина, С. Илюшина, Ю. Журавлева, В. Киричука, В. Кондратьева, У. Прэтта, С. Садыкова, И. Селезник, В. Сергеева, В. Сойфера, К. Спиридонова, В. Титова, В. Утробина, К. Фу, Я. Фурмана, К. Чуи, Л. Ярославского и др.
Перспективным подходом к анализу изображений является фрактальная обработка (Alan Sloan, R.M. Crownover, Edward R. Vrscay, Fuyuan Peng, Georey M.
Davis, George H. Freeman, Huawu Lin, Kaplan L.M., Keller J.M., Manik Varma, Michael Barnsley, Mohsen Ghazel, Oldich Zmekal, Sarkar, N., Suzuki Y., Д. Ватолин, С. Илюшин, П. Короленко, А. Потапов, К. Спиридонов, А. Сухорученко, С. Уэлстид). В настоящий момент разработано большое количество алгоритмов вычисления фрактальных признаков изображений, которые используются в различных областях промышленности.
Одной из важнейших задач цифровой обработки изображений является строгое количественное описание структуры природного объекта. Новым подходом в решении задачи является методология мультифрактальной параметризации структур материалов, предложенная Г. Встовским, А. Колмаковым, которая в частности используется для обнаружения дефектов сварных соединений (А. Маминов, А. Анваров, В. Булкин). Однако к вычисляемым признакам относятся только фрактальная размерность и производные от нее признаки, которые характеризуют структурные свойства изображения.
В отличие от идеальных фрактальных структур реальные природные системы являются самоподобными только лишь над конечным числом уровней масштабов, поэтому в некоторых случаях, например, при дефектоскопии, используемые фрактальные признаки показывают близкие значения для дефектов и нормальных участков. Следовательно, набора признаков, использующегося в мультифрактальной параметризации структур, не хватает. Поэтому актуальной остается задача построения новых признаков и алгоритмов их вычисления, основанных на свойствах фрактальных объектов, не использовавшихся ранее в цифровой обработке изображений.
Объект исследований. Методы и алгоритмы цифровой обработки дефектоскопических изображений с использованием фрактальных признаков.
Предмет исследований. Фрактальные признаки самоподобия и их использование в цифровой обработке дефектоскопических изображений.
Научная задача. Разработка новых фрактальных признаков самоподобия и создание алгоритмов обработки дефектоскопических изображений на их основе.
Цель работы: повышение качества цифровой обработки дефектоскопических изображений листового металлопроката за счет использования алгоритмов, использующих признаки самоподобия.
Решение общей научной задачи и достижение поставленной цели связано с рассмотрением следующих вопросов:
1. Обзор и анализ использования применяемых в настоящее время алгоритмов обработки изображений, основанных на фрактальных методах.
2. Построение математических моделей, основанных на фрактальном представлении цифрового изображения, служащих основой для разработки новых алгоритмов обработки изображений.
3. Разработка новых алгоритмов обработки и анализа изображений, основанных на фрактальных методах.
4. Получение новых признаков цифровых изображений на основе фрактального представления изображений.
5. Исследование возможностей применения разработанных алгоритмов для решения практических задач.
Методы исследования. В работе использованы методы дискретной математики, основные понятия математического анализа и теории множеств, методы цифровой обработки изображений и сигналов, теории фракталов.
Научная новизна работы:
1. математическая модель цифрового изображения, основанная на его представлении в виде фрактального кода, являющаяся основой для получения признаков самоподобия.
2. алгоритм формирования представления изображения с наиболее ярко выраженными фрактальными признаками для более точного вычисления параметров распределения самоподобия.
3. фрактальные признаки цифровых изображений, основанные на вычислении распределения самоподобия и определении характерных участков, отличающиеся от существующих проявлением инвариантных свойств к изменению яркости исходного изображения.
4. алгоритм вычисления распределения самоподобия на цифровом изображении, основанный на подсчете самоподобных участков изображения.
5. алгоритм определения характерных участков изображения, позволяющий выделить блоки изображения, свойства которых наиболее схожи со свойствами самого изображения.
Достоверность результатов работы. Основные полученные результаты представлены в виде алгоритмов, вычислительных схем алгоритмов и структурной схемы автоматизированной подсистемы обработки изображений. Применимость предложенных алгоритмов доказывается результатами сравнения с известными алгоритмами.
Практическая значимость:
Разработанные фрактальные признаки цифровых изображений проявляют полную инвариантность к линейным преобразованиям яркости и контраста исходного изображения, что позволяет повысить точность алгоритмов обработки изображений с использованием фрактальных признаков.
Разработанный алгоритм определения нехарактерных участков, основанный на использовании распределения самоподобия, позволяет обнаруживать большинство дефектов листового проката.
Разработанная автоматизированная подсистема фрактальной обработки изображений может быть использована в составе систем технического зрения для анализа дефектоскопических изображений и позволяет в автоматическом режиме обнаруживать и вычислять геометрические характеристик дефектов листового проката, что подтверждается соответствующим актом.
Результаты работы получены автором при выполнении госбюджетной НИР №448/11 Разработка методов и алгоритмов выделения фрактальных признаков цифровых изображений, хоздоговорной НИР №4135/11, грантов РФФИ №11-0709225-моб_з и №11-07-16000-моб_з_рос, гранта Администрации Владимирской области на проведение научных исследований по проекту Обработка металлографических снимков фрактальными методами и используются:
в центральной заводской лаборатории ОАО ПО Муроммашзавод г. Муром в процессе анализа оптических снимков поверхности металлов и ОАО Муромский радиозавод, г. Муром в процессе контроля паяных соединений;
в учебном процессе МИ (ф) ВГУ при проведении лабораторных и практических работ по курсу Методы и системы цифровой обработки изображений.
На защиту выносятся следующие результаты:
1. Математическая модель цифрового изображения, основанная на фрактальном представлении.
2. Алгоритм формирования представления изображения с наиболее ярко выраженными фрактальными признаками.
3. Алгоритм получения распределения самоподобия на цифровом изображении.
4. Алгоритм вычисления характерных участков изображения.
5. Результаты исследования разработанных алгоритмов.
Апробация работы. Диссертационная работа и отдельные ее части докладывались и обсуждались на: 8th Open German-Russian Workshop УPattern recognition and image understandingФ (г. Нижний Новгород 2011), 13-ой и 14-ой межд. конф.
Цифровая обработка сигналов и её применение DSPA (г. Москва, 2011, 2012), межд. конф. Распознавание 2010 (г. Курск 2010), межд. конф. Распознавание 2012 (г. Курск 2012), межд. симпозиуме Надежность и качество 2012 (г. Пенза, 2012), 13-ой и 14-ой межд. НТК "Измерение, контроль, информатизация" (г. Барнаул, 2011, 2012), 9-ом межд. симп. Интеллектуальные системы (INTELSТ2010) (г. Москва, 2010), XV Всерос. НТК студентов, молодых ученых и специалистов "Новые информационные технологии в научных исследованиях и в образовании" (НИТ-2010) (г. Рязань, 2010), IV-ой межд. НТК Информационные технологии в науке, образовании и производстве (ИТНОП-2010) (г. Орел, 2010), IX Всерос.
научной конф. Нейрокомпьютеры и их применение (г. Москва, 2011), 17 межд.
конф. по Вычислительной механике и современным прикладным программным системам (ВМСППСТ2011), (г. Алушта, 2011).
Публикации. По теме диссертационной работы опубликовано более 30 печатных работ, в том числе 16 статей, 9 из которых в журналах, входящих в перечень ВАК, 1 монография, 2 свидетельства об официальной регистрации программ для ЭВМ.
Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 147 наименований и приложения. Общий объем диссертации 161 страница, в том числе 141 страница основного текста, 15страниц списка литературы, 5 страниц приложения. Таблиц 20, рисунков 71.
ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность темы, сформулированы научная проблема, цели и задачи исследования, приведены результаты, выносимые на защиту.
Дана аннотация диссертационной работы.
В первой главе проведен обзор целей и задач методов цифровой обработки изображений, описаны используемые группы признаков. Проведен обзор современных методов обработки изображений с использованием фрактальных признаков. Описаны используемые фрактальные алгоритмы цифровой обработки изображений. Подробно рассмотрено использование фракталов в обработке металлографических изображений. Дан анализ возможностей использования фрактальных алгоритмов обработки изображений в промышленных системах.
Определены цель и задачи диссертационной работы, направленные на разработку новых алгоритмов цифровой обработки изображений с использованием фрактальных признаков самоподобия и исследование возможностей их применения в практических производственных задачах.
Во второй главе предлагаются новые фрактальные признаки изображений, полученные с помощью разработанной фрактальной модели, основанные на вычислении распределения свойства самоподобия с использованием систем итерируемых функций.
Формирование фрактального представления изображений. Системы итерируемых функций предполагают описание формирования одних участков изображения с помощью других участков.
Изображение разбивается на доменные блоки и ранговые блоки, таким образом, чтобы каждый участок изображения был описан с помощью доменного блока с заданной точностью. Для аппроксимации ранговых блоков доменными блоками применяется преобразование, включающее операции масштабирования, переноса, поворота, изменения яркости. В итоге такого описания получается список ранговых блоков, из которых строится изображение, для каждого из которых указывается доменный блок и параметры преобразований.
Таким образом, изображение может быть описано следующим образом:
M * ' r d ~ f = Bn,m siwiBk,lf + oi i=, d где f - исходное изображение, Bk,l - оператор извлечения блока изображения, который извлекает доменный блок изображения с индексом d, левый верхний угол * r которого находится в точке k,l; Bn,m - оператор вставки блока, который вставляет блок изображения размером m n в место рангового блока с индексом r, левый верхний угол которого находится в точке с координатами (n,m); si, oi - коэф~ фициенты преобразования яркости изображения; wi - аффинное преобразование;
M - количество ранговых блоков на которое развивается изображение при заданных условиях фрактального разложения.
Описание фрактальных параметров изображения. Каждое изображение может быть описано его фрактальным кодом, полученным в ходе формирования фрактального представления, который можно представить следующим образом:
Ф D, R, D D1, D2,..., DND , Ri R R1, R2,..., RNR , Ri I, D, wi, Ri Ri Ri Ri ~ I I1, I2,..., IM , wi wi, si, oi, R где Ф - фрактальный код изображения, состоящий из множества доменных блоков D и множества ранговых блоков R. Каждый ранговый блок содержит в себе Ri индекс рангового блока I, доменный блок D, который наиболее точно аппроксимирует текущий ранговый блок и преобразование wi, переводящее доменный блок в ранговый блок. Индекс рангового блока представляет собой вектор, определяющий позицию рангового блока на изображении.
Вычисление характерных участков изображения. Исходя из того факта, что большинство изображений не являются полностью самоподобными, следует что не все доменные блоки используются для восстановления исходного изображения.
Таким образом, из множества доменных блоков D Di можно выделить подмножество используемых доменных блоков Du Dui D, отражающих самоподобные участки изображения.
Каждый доменный блок из множества Du используется для формирования фрактального кода определенное количество раз. Каждому доменному блоку можно сопоставить число равное количеству аппроксимируемых ранговых блоков.
Представив частоту использования доменных блоков в виде карты высот, и проведя аппроксимацию, можно получить трехмерную поверхность Z (x, y), где x 1W, y 1H, Z (x, y) 1maxDui , высота которой в i каждой точке отражает степень подобия участка изображения.
Если построить изолинии для поверхности Z (x, y) и наложить на исходное изображение, то получим наглядное представление изменения самоподобия участков (рис. 1).
Рис. 1 - Представление изменения самоподобия Распределение локальных участков изображения свойств самоподобия внутри изобра жения лучше всего характеризовать параметрами трехмерной гистограммы использования доменных блоков для восстановления изображения по его фрактальному коду.
Характер распределения самоподобия изображения. Представление изменения самоподобия участков изображения с помощью изолиний обладает наглядностью и позволяет качественно оценить распределение, но не позволяет получить количественную оценку. Для задач обработки изображений необходимо представить распределение самоподобия в виде характеристик, имеющих числовое или аналитическое выражение.
D Для этого строится гистограмма использования доменных блоков H j. Чем D больше значение H j для доменного блока D, тем более характерным является j участок соответствующий доменному блоку для этого изображения. СледоваD тельно, участки с наибольшим значением H j можно использовать как шаблоны изображений в задаче распознавания и классификации изображений.
D Если значения H j упорядочить по убыванию, то в общем виде получится следующего вида кривая (рис. 2):
График, представленный на рисунке 2, отражает характер распределения самоподобия на изображении. Если аппроксимировать полученные значения, тогда можно получить аналитическое выражение, характеризующее распределение признаков самоподобия.
Наибольшее соответствие наблюдаетРис. 2 - Характер распределения ся при аппроксимации логарифмическим самоподобия на изображении уравнением вида:
y(x) k ln( x) b.
Вычисление характерных участков цифровых изображений.
Под характерным участком изображения понимается доменный блок, число раз использования которого во фрактальном коде больше заданного значения. Пример характерных участков представлен на рис. 3.
Алгоритм формирования списка таких участков следующий. Вначале производится вычисление фрактальных параметров изображения с использованием всех доменных блоков. Вычисляется максимальная ошибка аппроксимации ранговых блоков:
Рис. 3 - Характерные участки max maxi тестовых изображений Ri микроструктур металлов При вычислении фрактальных параметров с использованием всех доменных блоков ошибка является минимальной. Определяется доменный блок, который max встречается на изображении максимальное количество раз. Он записывается в список характерных участков и исключается из списка доменных блоков.
Затем осуществляется повторное формирование фрактального кода, при этом доменный блок, который встречается на изображении максимальное количество раз, также записывается в список характерных участков. Так повторяется до тех пор, пока ошибка описания не будет значительно выше минимальной.
Полученные характерные участки цифрового изображения являются новым фрактальным признаком, который можно Рис.4 - блок-схема алгоритма формирова- использовать в различных задачах цифрония характерных участков вой обработки изображений.
Алгоритм обнаружения нехарактерных участков.
Для обнаружения нехарактерных блоков на изображении осуществляется формирование фрактального кода с помощью списка характерных участков вместо доменных блоков.
Фрактальное кодирование из-за использования аппроксимации подразумевает потерю информации, так как существует ошибка аппроксимации ранговых блоков доменными блоками:
Ri wi(Dj) i.
В данной задаче необходимо получить вектор 1,2,...,k, k 1, NR, тогда можно получить двумерную функцию (x,y):
x, y i x, y Ri.
Рис. 5 - диаграмма ошибок В результате получается трехмерная диааппроксимации грамма, показывающая, насколько хорошо каждый блок изображения аппроксимируется характерными участками (рис. 5). Проводя пороговую обработку полеченной диаграммы, можно установить наличие и местоположение участков изображения плохо описывающихся с помощью характерных участков.
Алгоритм вычисления разницы между изображениями по признакам самоподобия.
Пусть имеется множество изображений f f1, f2,, fn. Каждое изображеi i i ние fi характеризуется вектором характерных участков Qi Q1,Q2,,Qm.
f Тогда степень сходства изображений fi и определяет выражение:
j i max g(Qk,Qlj ).
k,l n m g( f,h) f (i, j) h(i, j)m n i1 jКроме этого, если при сравнении характерных участков двух изображений к ним применять операции масштабирования, поворота и изменения яркости, то точность процедур значительно повысится.
Систематизация разработанных фрактальных признаков цифрового изображения Описанные ранее разработанные фрактальные признаки изображений приведены в таблице 1.
Таблица 1 - Разработанные фрактальные признаки изображений Формула вычисления Название R j Гистограмма количества рангоH (j) = N HR( j) R N вых блоков по уровням R M R Средний уровень ранговых блоT = j H(j) T ков j=H W Средние размеры ранговых блоH,W H =,W = ков 2T 2T Du K = К Коэффициент самоподобия ND N R D H ( j) (R, j), i i Гистограмма числа раз испольHD( j) 1, Di j, зования доменных блоков (Ri, j) 0, Di j.
y b k D y H, ln x b y k ln x Характер распределения самоS {k,b} подобия D где H - упорядоченная гистограмма HD( j) D X Di H (i) Вектор характерных участков X В третьей главе проводится исследование предлагаемых фрактальных признаков изображений. Приводятся результаты физического эксперимента и анализируются объективные критерии пригодности признаков для использования в решении задач обработки изображений.
Исследование инвариантного поведения признаков самоподобия относительно линейного изменения яркости. Исследование проводилось на тестовых текстурных изображениях. Было взято 32 изображения размерами 512х512. В результате формирования наборов анализируемых изображений, было получено 864 изображений, для каждого из которых были вычислены локальные признаки самоподобия.
Из графиков (рис. 6) видно, что известные фрактальные параметры изображения не проявляют устойчивость к линейному преобразованию яркости исходного изображения. Это объясняется следующим: для вычисления параметров используются абсолютные значения яркости изображения, а при преобразовании эти значения изменяются, следовательно, изменяются и конечные характеристики.
а) б) в) г) Рис.6 - графики изменения фрактальных признаков: скейлинговых экспонент (а), экспонент сингулярности (б), спектра сингулярности (в), спектра обобщенных фрактальных размерностей (г).
Исследование характера распределения самоподобия для изображений одного и разных классов. Для исследования были взяты текстурные изображения размерами 1800x1200 пикселей. Из каждого изображения было получено 5 тестовых изображений размерами 512x512 пикселей. Для каждого тестового изображения были сформированы характерные участки и рассчитаны коэффициенты уравнений, описывающих характер распределения самоподобия на изображениях. После чего было произведено их сравнение. Результаты расчета коэффициентов уравнений, описывающих распределение самоподобия на тестовых изображениях, приведены в таблице 2.
Таблица 2 - коэффициенты уравнений распределения самоподобия Класс a Класс b Класс c Класс d Класс e k b k b k b k b k b Тест 1 -15,83 87,21 -19,10 99,35 -15,69 84,51 -15,05 80,50 -14,03 78,Тест 2 -16,13 87,46 -20,24 105,2 -18,18 98,27 -13,01 75,41 -13,61 75,Тест 3 -15,25 85,18 -18,38 95,92 -19,07 102,3 -14,43 81,14 -13,58 74,Тест 4 -15,52 85,20 -19,83 98,41 -17,43 93,24 -13,12 75,55 -12,97 73,Тест 5 -15,03 82,99 -20,40 106,5 -17,05 95,87 -13,41 77,62 -13,21 73,Среднее -15,55 85,61 -19,59 101,1 -17,48 94,84 -13,80 78,04 -13,48 75,Дисп. 0,194 3,299 0,710 20,77 1,602 44,43 0,799 7,238 0,165 3,8Коэффициенты уравнения, описывающего распределение самоподобия близки для изображений одного класса, но различны для изображений разных классов.
Исследование алгоритма вычисления разницы между изображениями по характерным участкам и распределению самоподобия. Для исследования алгоритма было взято 50 подклассов изображений, сгруппированных в два класса. В каждом подклассе по пять изображений.
Минимальная разница между изображениями в 70% случаев соответствует схожим изображениям.
В четвертой главе приведены результаты практического применения разработанных алгоритмов и предложена автоматизированная подсистема фрактальной обработки изображений.
Решение задачи дефектоскопии листового проката. Для обнаружения дефектов листового проката произвольной формы и размеров, таких как Вдав или Раковина, используется алгоритм обнаружения нехарактерных участков изображения с величиной предельной ошибки равной средней ошибки аппроксимации ранговых блоков.
Было установлено, что разработанные алгоритмы обнаружения нехарактерных участков выявляют большинство дефектов (рис.7,8), включая такие как Вдав, Раковина, Скол. Дальнейший анализ обнаруженных объектов показал, что количество и геометрические характеристики дефектов практически не отличаются от значений, полученных квалифицированным операторомдефектоскопистом. Это доказывает возможность использования предложенных алгоритмов в практических задачах дефектоскопии.
Дефекты, обнаруженные операторомдефектоскопистом Вдав, диаметр 1,7 см.
Дефекты, обнаруженные с использованием разработанного алгоритма Объект 1 - Длина 1,9 см, Ширина 1,7 см.
Рис.7 - результат обнаружения одиночного дефекта Вдав.
Значимой задачей дефектоскопии является обнаружение групповых дефектов, состоящих из множества одиночных, т.к. в соответствии с требованиями различных стандартов наличие подобных дефектов может являться недопустимым.
Дефекты, обнаруженные операторомдефектоскопистом Вдав, диаметр 0,6 см.
Вдав, протяженность 3,8 см Дефекты, обнаруженные с использованием разработанного алгоритма Объект 1 - Длина 0,5 см, Ширина 0,6 см.
Объект 2 - Длина 3,4 см, Ширина 2,7 см.
Объект 3 - Длина 0,5 см, Ширина 0,4 см.
Рис.8 - результат обнаружения групповых дефектов Вдав.
Автоматизированная подсистема фрактальной обработки и анализа изображений реализует предложенные алгоритмы фрактальной обработки изображений.
Данная подсистема позволяет в диалоговом режиме решать задачи предобработки изображений, вычисления фрактальных характеристик, обнаружения нехарактерных участков на изображениях.
К основным функциям подсистемы относятся: повышение качества исходный изображений (изменение яркости и контраста); подавление шума на изображениях; вычисление фрактальных параметров, в т.ч. фрактального представления;
обнаружение нехарактерных участков на изображении; протоколирование результатов анализа; архивирование снимков и результатов их обработки в базе данных;
импорт/экспорт данных для взаимодействия с другими системами В результате анализа возможностей аппаратной реализации разработанных алгоритмов предложен ряд вычислительных схем алгоритмов фрактальной обработки изображений.
Для формирования фрактальных параметров изображения аппаратно может быть реализован алгоритм формирования фрактального представления изображения (рис. 10). Организация параллельного вычисления параметров ранговых блоков позволит, как минимум, вчетверо сократить вычислительное время. Данное устройство является частью системы устройств и необходимо для работы остальных.
Рис. 9 Структура автоматизированной подсистемы обработки и анализа изображений Для сокращения времени вычисления характерных участков аппаратно может быть реализован соответствующий алгоритм (рис. 11).
УУ - Устройство управления;
МПДБ - блок получения доменных блоков;
МИРБ - блок получения индексов ранговых блоков;
МПРБ - блок получения ранговых блоков;
МСУ - блок сравнения участков изображения.
Рис. 10. Аппаратная реализация алгоритма формирования фрактальных параметров цифрового изображения.
УФФП - устройство формирования фрактальных параметров;
МПХУ - блок получения характерного участка;
МВРМ - блок вычисления разности множеств Рис. 11. Аппаратная реализация алгоритма формирования характерных участков цифрового изображения.
Для обнаружения дефектов на поверхности металлопроката может быть реализован алгоритм обнаружения нехарактерных участков (рис. 12). Это позволит обнаруживать различные дефекты металлопроката и решать задачи контроля качества. Поэтому устройство может быть использовано в составе систем технического зрения.
УВХУ - устройство вычисления характерных участков;
МПО - блок пороговой обработки.
Рис. 12. Аппаратная реализация алгоритма обнаружения нехарактерных участков.
В заключении сформулированы основные результаты, полученные в ходе выполнения диссертационной работы:
1. Проведен обзор и анализ методов цифровой обработки изображений с использованием фрактальных признаков. Показаны достоинства использования фрактальных признаков, основанных на фрактальной размерности.
2. Предложена фрактальная математическая модель изображений, являющаяся основой для разработки новых подходов и алгоритмов цифровой обработки изображений.
3. Предложены новые фрактальные признаки и разработаны алгоритмы их вычисления, на 45% более устойчивые к изменению яркости по сравнению с фрактальной размерностью;
4. Разработаны новые алгоритмы обнаружения нехарактерных участков с использованием признаков самоподобия, позволяющие в на 20-30% повысить точность вычисления геометрических параметров дефектов произвольной формы по сравнению с известными алгоритмами, применяемыми в системах технического зрения;
5. Проведены исследования разработанных алгоритмов на тестовых и реальных изображениях, доказывающие работоспособность и возможность применения предложенных алгоритмов в практических задачах обработки и анализа изображений.
6. Проведен анализ проблемы визуализации и цифровой обработки дефектоскопических изображений при автоматизации задач неразрушающего контроля качества продукции. Показано, что повышение качества изделий может быть достигнуто путем создания и внедрения алгоритмов и методов цифровой обработки и анализа дефектоскопической информации. Показана необходимость использования новых алгоритмов анализа изображений для автоматизированной обработки дефектоскопических изображений.
7. Разработана автоматизированная подсистема фрактальной обработки и анализа дефектоскопических изображений, реализующая разработанные алгоритмы фрактального анализа изображений. Подсистема позволяет сократить время обработки дефектоскопических снимков поверхности металлопроката в среднем в 2-3 раза по сравнению с анализом оператора-дефектоскописта.
8. Предложены варианты аппаратной реализации разработанных алгоритмов, для расширения функциональности известных устройств-аналогов и повышения оперативности обработки и анализа дефектоскопических снимков.
В приложении приведены копии свидетельств об официальной регистрации программ для ЭВМ, актов о внедрении.
ПУБЛИКАЦИИ В ИЗДАНИЯХ, РЕКОМЕНДОВАННЫХ ВАК 1. Привезенцев Д.Г. Формирование тестовых изображений с заданным распределением самоподобия // Системы управления и информационные технологии, №2(48), 2012. - С. 29-33. (соискатель - 100%) 2. Жизняков А.Л., Фомин А.А., Привезенцев Д.Г. Классификация изображений на основе локальных признаков самоподобия // Ползуновский вестник, №3/1, 2011. - С. 12-14. (соискатель - 50%) 3. A. L. Zhiznyakov, V. V. Zuev, A. A. Orlov, and D. G. Privezentsev. A Method of Comparison of Image Skeletons with Account of Features of Hereditary Factors // Image Analysis and Pattern Recognition, Vol.21, No.2, 2011. - PP.365-368. (соискатель - 25%) 4. Жизняков А.Л., Привезенцев Д.Г. Использование характера распределения самоподобия в качестве признака цифрового изображения в задаче классификации // Цифровая обработка сигналов. - 2012. - №3. - С.64-67. (соискатель - 50%) 5. Жизняков А.Л., Привезенцев Д.Г. Распределение самоподобия на цифровом изображении // Известия высших учебных заведений. Приборостроение, №2, 2012. - С.27-32. (соискатель - 50%) 6. Жизняков А.Л., Привезенцев Д.Г. Использование локальных признаков самоподобия цифровых изображений для решения задач дефектоскопии // Ползуновский вестник, №3/2, 2012. - С. 43-47. (соискатель - 50%) 7. Жизняков А.Л., Привезенцев Д.Г. Классификация изображений по характерным участкам на основе фрактальной модели // Проектирование и технология электронных средств №1, 2011, - С. 61-65. (соискатель - 50%) 8. Жизняков А.Л., Фомин А.А., Привезенцев Д.Г. Многомасштабная обработка контуров объектов на радиолокационных снимках // Вопросы радиоэлектроники, сер. ОТ, №1, 2010, - С. 165-170. (соискатель - 50%) 9. Жизняков А.Л., Привезенцев Д.Г. Использование фрактальных признаков самоподобия в задачах цифровой обработки изображений // Радиопромышленность, №2, 2012, - С. 166-174. (соискатель - 50%) МОНОГРАФИЯ 10. Жизняков А.Л., Привезенцев Д.Г. Анализ цифровых изображений на основе фрактальных признаков: монография / А.Л. Жизняков, Д.Г. Привезенцев;
Владим. гос. ун-т имени Александра Григорьевича и Николая Григорьевича Столетовых. - Владимир: Изд-во ВГУ, 2012. - 100с. ISBN 978-5-9984-0252-4. (соискатель - 50%) СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ 11. Свидетельство о государственной регистрации программы для ЭВМ 2010612344 РФ. Программа для вычисления фрактальных признаков изображений / Жизняков А.Л., Привезенцев Д.Г., Фомин А.А., Баранов А.А.; зарег. в реестре прогр. для ЭВМ 31.03.2010. (соискатель - 50%) 12. Свидетельство о государственной регистрации программы для ЭВМ №2010612730 РФ. Программа для вычисления локальных свойств самоподобия цифровых изображений / Жизняков А.Л., Привезенцев Д.Г., Белякова А.С., Зуев В.В.;. зарег. в реестре прогр. для ЭВМ 6.04.2011 г. (соискатель - 50%) ПУБЛИКАЦИИ В ЖУРНАЛАХ, СБОРНИКАХ И МАТЕРИАЛАХ НАУЧНО-ТЕХНИЧЕСКИХ КОНФЕРЕНЦИЙ 13. Привезенцев Д.Г. Модель цифрового изображения с использованием систем итерируемых функций // Информационные технологии моделирования и управления, №6(65), 2011. - С.761-769. (соискатель - 100%) 14. Привезенцев Д.Г., Жизняков А.Л. Фрактальная модель цифрового изображения // Алгоритмы, методы и системы обработки данных, № 15, 2010. - С. 147-152. (соискатель - 50%) 15. Привезенцев Д.Г., Жизняков А.Л. Формирование тестовых изображений с заданным распределением самоподобия // Алгоритмы, методы и системы обработки данных, № 16, 2011. - С. 15-22. (соискатель - 50%) 16. Привезенцев Д.Г., Жизняков А.Л. Обзор фрактальных методов цифровой обработки изображений в металлографии // Алгоритмы, методы и системы обработки данных, № 18, 2011. - С. 3-8. (соискатель - 50%) 17. Привезенцев Д.Г., Жизняков А.Л. Представление цифровых изображений с помощью фрактальной модели // Алгоритмы, методы и системы обработки данных, № 18, 2011. - С. 8-12. (соискатель - 50%) 18. Привезенцев Д.Г., Жизняков А.Л. Выделение локальных признаков самоподобия цифрового изображения // Методы и устройства передачи и обработки информации, №12, 2010. - С. 54-58. (соискатель - 50%) 19. Привезенцев Д.Г., Жизняков А.Л. Генерация фрактальных изображений с заданным распределением самоподобия // Методы и устройства передачи и обработки информации, №13, 2011. - С. 86-91. (соискатель - 50%) 20. Привезенцев Д.Г. Фрактальные методы выделения локальных признаков самоподобия на цифровом изображении // Труды 13-й международной конференции Цифровая обработка сигналов и её применение (DSPA'2012), т. 2. 2012, с.
281-285. (соискатель - 100%) 21. Zhiznyakov A.L., Privezentsev D. G., Sadykov S.S. Detection of uncharacteristic sections on the image with usage of the characteristic sections // 8th Open GermanRussian Workshop УPattern recognition and image understandingФ. November 21-26, 2011. Nizhny Novgorod. Workshop Proceedings. Nizhny Novgorod: Lobachevski State University, 2011. 396 p. (P. 375-377). (соискатель - 50%) Подписано в печать 17.11.2012. Формат 6084/16.
Бумага для множит. техники. Гарнитура Times. Печать ризография.
Усл. печ. л. 0,93. Тираж 100 экз. Заказ № 2325.
Муромский институт (филиал) федерального государственного бюджетного образовательного учреждения высшего профессионального образования Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых Издательско-полиграфический центр Адрес: 602264, Владимирская обл., г. Муром, ул. Орловская, 23.
Авторефераты по всем темам >>
Авторефераты по техническим специальностям