Авторефераты по всем темам  >>  Авторефераты по техническим специальностям

На правах рукописи

ОРЛОВ АЛЕКСЕЙ АЛЕКСАНДРОВИЧ

МЕТОДЫ, МОДЕЛИ И АЛГОРИТМЫ АВТОМАТИЧЕСКОЙ ОБРАБОТКИ СНИМКОВ ДЛЯ ОПРЕДЕЛЕНИЯ ДЕФЕКТОВ В ПРОМЫШЛЕННЫХ ИЗДЕЛИЯХ

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Владимир - 2010

Работа выполнена на кафедре Информационные системы в Муромском институте (филиале) ГОУ ВПО Владимирский государственный университет Научный консультант доктор технических наук, профессор Садыков Султан Сидыкович

Официальные оппоненты: доктор физико-математических наук, профессор Давыдов Алексей Александрович доктор технических наук, профессор, заслуженный деятель науки РФ Сизов Александр Семенович доктор технических наук, профессор Федотов Николай Гаврилович Ведущая организация Институт систем обработки изображений РАН, г. Самара

Защита состоится л__ _____ 2010 г. в __ часов на заседании Диссертационного Совета Д.212.025.01 при Владимирском государственном университете по адресу: 600000, г.Владимир, ул.Горького, 87, ауд. 211-1.

С диссертацией можно ознакомиться в библиотеке Владимирского государственного университета.

Автореферат разослан л__ _____ 2010 г.

Ученый секретарь диссертационного совета доктор технических наук, профессор Р.И. Макаров

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы.

В связи с усложнением новой техники и повышением требований к ее надежности трудоемкость контрольных операций в промышленных системах управления качеством продукции существенно увеличивается. Значимость контроля в управлении качеством обусловлена тем, что именно он способствует правильному использованию условий выпуска продукции, соответствующей предъявляемым к ней требованиям. Практика показывает, что от степени совершенства контроля качества и его технического оснащения, включающего компьютерные средства обработки информации, во многом зависит эффективность производства в целом. Поэтому решение научных и технических проблем управления качеством на промышленных предприятиях, состоящих в разработке новых и совершенствовании существующих методов и средств обработки информации с целью повышения эффективности технических систем контроля, имеет важное значение.

В настоящее время в промышленности ручной контроль качества все еще преобладает над автоматизированным. Главная причина - отсутствие более совершенных методов автоматической обработки результатов, таких как снимки (изображения), получаемые большинством способов контроля качества. Сейчас в области визуального контроля качества стали применяться автоматизированные системы анализа изображений (АСАИ). Такие системы существенно уменьшают время и субъективизм оценки, повышают точность результатов и освобождают человека от рутинного однообразного труда. Большой вклад в разработку систем и методов компьютерного анализа снимков промышленных изделий внесли Д.

Мери, Р. Силва, Н. Насреддин, К. Демандт, Р. Гонсалес, И. Като, Г. Падуа, Х.

Шафик, В.В. Клюев, М.В. Филинов, В.А. Лопухин и др.

При обработке большинства изображений, как правило, требуется выделять и анализировать их линейчатые структуры. Линейчатые образы наблюдаются на дефектоскопических снимках, полученных магнитным, радиационным, капиллярным и оптическим методами контроля. Линейчатыми являются дефектытрещины, риски, царапины, швы, контуры, волокна, линейчатые вкрапления и др.

Для оценки линейчатых образов на снимках измеряются все возможные геометрические характеристики.

инейчатые структуры могут быть локально прямолинейными и представлены в виде полос с известным профилем и варьируемой шириной. При этом они часто довольно сильно зашумлены, размыты, малоконтрастны, насыщены пересекающимися образами подобных или других типов. Анализ таких структур на многих изображениях довольно сложен. Сложность выделения и анализа структур на дефектоскопических снимках обусловлена наличием неравномерной освещенности, неоднородной оптической плотностью анализируемого материала, присутствием шумов и размытий, появившихся при формировании снимка, а также образов незначимых для исследования объектов и их теней.

АСАИ, применяемые для анализа дефектоскопических и металлографических снимков в промышленности, состоят из оптического устройства, цифровой видеокамеры и компьютерной системы, реализующей цифровые методы обработки и анализа изображений. Однако применяются довольно простые методы, которые не позволяют выполнить более детальный разбор линейчатых по форме дефектов и всегда достоверно с заданной точностью определить геометрические характеристики дефектов. В связи с этим уровень автоматической обработки и анализа дефектоскопических изображений очень низок. Во многих случаях прибегают к полуавтоматической обработке, что снижает оперативность контроля качества.

В области цифровой обработки изображений существует четыре класса методов выделения и вычисления признаков линейчатых образов: градиентные методы (методы, использующие значения градиента яркости), корреляционные методы (методы, использующие коэффициент совпадения с шаблоном), пространственные методы (методы, использующие специальные преобразования сцены яркости в пространства заданных параметров), статистические методы (методы, использующие статистические признаки). Вклад в разработку методов выделения и анализа изображений линейчатых структур внесли Д. Канни, А. Рад, M. Хюккель, П. Хаф, Ф. Кларк, Д. Пао, K. Канатани, С. Наяр, С. Кониши, С.В.

Абламейко, В.А. Сойфер, В.В. Сергеев, Н.Г. Федотов, Я.А. Фурман и многие др.

Однако существующие методы не позволяют выделять линейчатую структуру, характеризующуюся вариацией кривизны, яркости, ширины, пересечениями и разветвлениями, с сохранением признаков, необходимых для анализа дефектоскопических и металлографических снимков. Поэтому на практике для выделения линейчатой структуры часто применяются следующие методы сегментации: пороговая, основанная на областях или морфологическом анализе.

Однако данные методы ориентированы на выделение площадных образов и применимы лишь для обработки простых изображений линейчатых структур.

Таким образом, в настоящее время существует проблемная ситуация между объективной необходимостью повышения оперативности и достоверности определения дефектов промышленных изделий по их снимкам и отсутствием современных методов и алгоритмов их выявления.

Исходя из вышеизложенного, актуальной научно-технической проблемой является повышение оперативности и достоверности определения дефектов на снимках промышленных изделий.

Теоретический аспект сформулированной проблемы заключается в:

Ц развитии математического базиса преобразований для анализа образов на снимках как линейчатых структур;

Ц создании методов и алгоритмов обработки изображений, позволяющих выполнить автоматическое и высокоточное выделение образов на снимках.

Практический аспект проблемы состоит в разработке методик и аппаратнопрограммных комплексов анализа дефектоскопических и металлографических снимков, обеспечивающих достоверное определение дефектов и оценку микроструктуры материалов изделий, для применения в системах контроля на промышленных предприятиях.

Цель диссертационной работы: создание теоретических и реализационных основ построения систем автоматического анализа промышленных снимков изделий, позволяющих повысить достоверность и оперативность их контроля.

В соответствии с поставленной целью в диссертационной работе решаются следующие задачи:

1. Анализ состояния проблемы обработки снимков промышленных изделий.

Обоснование направления исследований.

2. Развитие теоретических основ выделения признаков дефектов на снимках.

3. Разработка математических моделей изображений на снимках.

4. Разработка системы методов, обеспечивающих выделение линейчатых структур на дефектоскопических и металлографических снимках.

5. Разработка системы алгоритмов обработки дефектоскопических и металлографических снимков.

6. Экспериментальные исследования разработанных методов и алгоритмов обработки дефектоскопических и металлографических снимков.

Объект исследования - технические средства контроля качества изделий промышленных предприятий.

Предмет исследования - методы и средства автоматического выявления дефектов по дефектоскопическим и металлографическим снимкам.

Методы исследования базируются на использовании теории цифровой обработки сигналов и изображений, математического анализа, теории множеств и алгоритмов, теории системного анализа, линейной алгебры, теории вероятностей и математической статистики.

Научная новизна:

1. Разработана система преобразований изображений по линейчатым структурам, позволяющая получить необходимую информацию о линейчатых образах на снимках изделий, включающая:

Ц преобразование по сегменту полосы, отличающееся более полным описанием сегмента (сегмент задается масштабами по длине и ширине, ориентацией и профилем), что позволяет локально описать фрагмент изображения в виде полосы на плоскости;

Ц преобразования по линиям, состоящие в интегрировании по линии и заданному дифференциальным уравнением семейству линий объектов на снимках, обеспечивающих переход в спектральные пространства признаков образов линий на исходной сцене.

2. Создан математический базис преобразований изображений по линейчатым структурам в виде совокупности теорем:

Ц теоремы о максимальных значениях спектральной функции, обеспечивающие возможность определения признаков линейчатых структур;

Ц теоремы о разложимости детектора полосы и многомасштабном воспроизведении, позволяющие устранить ранжирование заданных параметров линейчатых структур.

3. Разработана математическая модель фрагмента изображения, отличающаяся представлением его в виде полосы, характеризующейся вариацией кривизны, яркости и ширины, и обеспечивающая адекватное представление линейчатых структур на дефектоскопических и металлографических снимках.

4. Разработана система методов выделения и вычисления признаков линейчатых структур, позволяющая повысить оперативность и достоверность анализа снимков линейчатых объектов, характеризующихся вариацией кривизны, яркости, ширины, пересечениями, разветвлениями, и включающая метод(ы):

- выделения и вычисления признаков полосы без вращения сегмента полосы, отличающийся использованием интегрального преобразования по сегменту полосы и возможностью аналитического вычисления углов наклона сегментов полос;

Ц выделения полос различного масштаба, отличающийся применением многомасштабного преобразования по сегменту полосы;

Ц воспроизведения полосовых образов на основе использования интегрального преобразования по сегменту полосы совместно с фильтром воспроизведения полезного сигнала;

Ц вычисления кривизны линейчатых структур, состоящий в анализе векторного поля, полученного в результате интегрального преобразования по сегменту полосы;

Ц реализации интегральных преобразований по линиям, отличающиеся возможностью использования данных о типе линии и ее сигнатурных признаках.

5. На основе разработанных методов получена система алгоритмов обработки изображений, позволяющая повысить оперативность и достоверность анализа снимков площадных объектов с размытыми контурными перепадами, включающая алгоритм(ы):

Ц выделения границ, отличающийся использованием интегрального преобразования по сегменту полосы как границы;

Ц соединения точек перепадов, состоящий в применении признаков, полученных в результате интегрального преобразования по сегменту полосы;

Ц подавления шума на полутоновых изображениях, основанный на сглаживании шума вдоль частей яркостных перепадов как сегментов полос;

Ц подчеркивания границ объектов, состоящий в приведении частей яркостных перепадов как сегментов полос к ступенчатому виду;

Ц сегментации, заключающиеся в выделении областей изображений с границами в виде полос.

Практическая ценность работы.

Предложенные теоретические подходы, модели, методы и алгоритмы положены в основу построения программного обеспечения автоматических систем анализа изображений для контроля качества производства трубопроводных изделий и продукции железнодорожного назначения. Сформированы:

1. Методика обработки и анализа дефектоскопических изображений, обеспечивающая:

Ц выделение образов трещин и проверку их на допустимость по вычисленным признакам;

Ц выделение и вычисление признаков образов шва и дефектов на рентгеновском снимке сварного соединения.

2. Методика обработки и анализа металлографических изображений, обеспечивающая:

Ц определение процентного соотношения перлита и феррита в стали;

Ц оценку размера неметаллических включений в стали;

Ц анализ структуры отливок чугуна.

3. Программные продукты, основанные на разработанных методиках, методах и алгоритмах, позволяют:

Ц сократить время расшифровки дефектоскопических снимков;

Ц увеличить точность количественного анализа микроструктур металлов.

Реализация результатов работы.

Диссертационная работа выполнена в рамках госбюджетной НИР №340/98.

Результаты работы внедрены в ОАО Выксунский металлургический завод (г.

Выкса), ОАО ПО Муроммашзавод (г. Муром), ОАО Селивановский машзавод (пгт. Красная Горбатка), ОАО Муромский завод радиоизмерительных приборов (г. Муром), ОАО Муромтепловоз (г. Муром).

Научно-методические результаты, полученные в диссертационной работе, внедрены в учебный процесс на кафедре Информационные системы Муромского института (филиала) ГОУ ВПО Владимирский государственный университет (г. Муром) при проведении занятий по дисциплинам Программные средств математических расчетов и Системы и методы цифровой обработки изображений и на кафедре Прикладная механика филиала ГОУ ВПО Московский государственный открытый университет (г. Кулебаки) при проведении лабораторных и практических работ по дисциплинам Материаловедение, Металловедение и Технология материалов.

Внедрения подтверждены соответствующими актами.

Основные положения, выносимые на защиту:

1. Система преобразований изображений по линейчатым структурам, позволяющая получить необходимую информацию о линейчатых образах на снимках изделий.

2. Формальный аппарат анализа преобразований изображений, обеспечивающий возможность определения признаков линейчатых структур на снимках.

3. Математическая модель фрагмента изображения в виде полосы, обеспечивающая адекватное представление линейчатых структур на дефектоскопических и металлографических снимках.

4. Система методов выделения и вычисления признаков линейчатых структур, позволяющая повысить оперативность и достоверность анализа снимков линейчатых объектов.

5. Система алгоритмов обработки изображений, основанных на интегральном преобразовании по сегменту полосы как границы, позволяющая повысить оперативность и достоверность анализа снимков площадных объектов.

6. Результаты практического применения разработанных методов и алгоритмов в системах контроля качества промышленных изделий.

Апробация работы.

Диссертационная работа и отдельные ее части докладывались и обсуждались более чем на 40 научно-технических конференциях, в том числе: 5th, 8th, 9th Int. Conf. УPattern Recognition and Image Analysis: New Information TehnologiesФ (PRIA-5-2000, Samara, PRIA-8-2007, YoshkarOla, PRIA-9-2008, Nizhny Novgorod), 6th, 7th Int. Conf. Pattern Recognition and Information Processing (Minsk, Republic of Belarus, 2001, 2003), Int. Conf УInformation systems and technologiesФ (Minsk, Republic of Belarus, 2004), 5-я, 7-я, 8-я Межд. конф. Распознавание - 2001, 2005, 2008 (Курск, 2001, 2005, 2008), IX Межд. конф. Интеллектуальные системы и компьютерные науки (Москва, МГУ, 2006), Межд. симпозиум Надежность и качествоТ2008 (Пенза, 2008), XXXIII и XXXIV Межд. конф. Информационные технологии в науке, социологии, экономике и бизнесе IT&SEТ06, IT + SE`07 (Украина, Крым, Ялта-Гурзуф, 2006, 2007 гг.), V Межд. конф. Информационные технологии и математическое моделирование (ИТММ-2006) (Томск, 2006), Межд. конф. Управление созданием и развитием систем, сетей и устройств телекоммуникаций (Санкт-Петербург, СПбГПУ, 2008), 6-я Межд. конф. Измерение, контроль, информатизация (Барнаул, 2006), 2-й Межд. конф. Инфотелекоммуникационные технологии в науке, производстве и образовании (Ставрополь, 2006), III Межд. конф.

Информационные технологии в науке, образовании и производстве (Орел, 2008), 5-я Межд.

конф. Современные проблемы информатизации в моделировании и анализе сложных систем, (Воронеж, 2000), Всерос. конф. Научная сессия ТУСУР - 2007 (Томск, 2007), 5-я и 6-я Межд.

конф. Информационно-вычислительные технологии и их приложения (Пенза, 2006, 2007 гг.), научных конференциях МИВГУ (1998-2009 гг.).

Диссертация докладывалась на научном семинаре в институте систем обработки изображений РАН (г. Самара).

По данному научному направлению под руководством автора защищена одна кандидатская диссертация.

Публикации. По теме диссертационной работы опубликовано более 80 работ.

Из них 13 статей в журналах, входящих в перечень ВАК РФ, патент и свидетельства о государственной регистрации, 3 монографии и одно учебное пособие. На английском языке опубликовано 8 работ.

ичный вклад автора. Все выносимые на защиту научные положения разработаны соискателем лично. В основных научных работах по теме диссертации, опубликованных в соавторстве, лично соискателем разработаны в [2,3,14,23Ц27] - математические модели, преобразования изображений и их математический базис, [7,15,16,38Ц44] - методы выделения и вычисления признаков линейчатых структур, [8,17,50Ц55] - алгоритмы обработки изображений, основанные на разработанных преобразованиях, [1,9Ц11,64Ц67] - методики экспериментального исследования разработанных методов и алгоритмов, [12,13,18,22,70Ц74] - методики и программы обработки дефектоскопических и металлографических снимков.

Структура и объем работы. Диссертация состоит из введения, шести разделов, заключения, списка литературы, включающего 386 наименований, и приложения. Объем диссертации 365 с. Таблиц 38, рисунков 117.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы проблема, цель и задачи исследований, научная новизна и практическая ценность, приведены результаты реализации работы.

В первом разделе выполнен системный анализ состояния проблемы обработки снимков промышленных изделий. Обосновано направление исследований.

Для выявления видов распространенных структур изображений на дефектоскопических и металлографических снимках был проведен их статистический анализ. Рассматривались такие структуры как точечные объекты, текстуры, контуры, площадные объекты известной формы, объекты с формой известного вида, образующие линии объектов, прямолинейные полосы, полосы с варьирующейся кривизной, полосы с известным профилем, полосы с варьирующейся шириной, разветвляющиеся полосы, пересекающиеся полосы, полосы с разрывами, размытые контурные перепады. Анализ показал подавляющее присутствие (более 85%) на снимках линейчатых структур, представляющих интерес для дефектоскопирования.

С целью обоснования проблемы обработки снимков промышленных изделий проведен анализ компьютерных систем обработки дефектоскопических и металлографических снимков. Проведенный анализ показал невозможность автоматического анализа большинства видов снимков существующими системами анализа изображений, применяемых при контроле качества. Это увеличивает время обработки снимков до 10Ц20 минут, что приводит к невозможности оперативного контроля качества изделий.

Для той же цели проведен анализ методов цифровой обработки и анализа линейчатых структур на изображениях. Выявлены недостаточные возможности существующих методов цифровой обработки и анализа изображений для выделения и вычисления признаков линейчатых структур на дефектоскопических и металлографических снимках (только 20-30% снимков достоверно анализируются существующими методами).

Обосновано направление исследований, заключающееся в разработке систем преобразований изображений по линейчатым структурам, методов выделения и вычисления признаков линейчатых структур, моделей линейчатых структур, и алгоритмов обработки снимков промышленных изделий.

Во втором разделе разрабатываются преобразования изображений по линейчатым структурам, позволяющие получить необходимую информацию о линейчатых образах на снимках промышленных изделий.

Определены основные понятия, такие как пространство сигналов, область изображения, пространство бинарных изображений, образ объекта.

Множество всех характеристических функций f : Rn {0, 1} является пространством бинарных изображений. Допустим также случай, когда значение функции f(x) меняется непрерывно в пределах от 0 до 1:

f(x) [0, 1].

Значение f(x) в таком случае будет показывать степень присутствия точки объекта Q в точке х. Изображение, заданное характеристической функцией f : Rn [0, 1], будем называть образом объекта множества Q.

Для обеспечения адекватного представления линейчатых структур на дефектоскопических и металлографических снимках разработана математическая модель полосового образа. Введены понятия области полосы, образующей линии полосы, полосы с переменной шириной, изображения полосы, профиля полосы.

Множество точек, расположенных вдоль линии x = x(t), y = y(t) на расстоянии, не превышающем значение (рис. 1), т.е.

L = {(x0, y0 ) (x0 - x(t))2 + ( y0 - y(t))2 }, является областью полосы (или просто полосой), заданной этой кривой.

Кривую x = x(t), y = y(t) будем называть образующей кривой (или просто образующей) полосы L. Если значение является функцией = (t), то полоса L будет с переменной шириной, так что 2(t) - ширина этой полосы, изменяющаяся по образующей кривой x = x(t), y = y(t).

Изображение полосы (или образ полосы) - это сцена, заданная характеристической функцией L : R2 {0, 1}, 1, (x0, y0 ) L, (x0, y0 ) = L 0.

Профилем полосы D будем называть сечение в окрестности точки (x, y) поверхности z = L(x, y) нормальной плоскостью в пространстве R3 к образующей кривой x = x(t), y = y(t) в точке (x, y). Для описания линейчатых структур с варьирующейся яркостью обобщим понятие образа полосы, видоизменив ее профиль. Для этого будем полагать, что полосовое изображение состоит из бесконечного множества ее профилей, расположенных вдоль кривой x = x(t), y = y(t).

Пусть AL(x) - профиль полосы, так что lim AL (x) = 0, тогда x характеристическая функция изображения полосы профиля AL(x) определится как криволинейный интеграл вида:

dy dx x 1 - x0 ds x - x0 ds ds (x0, y0 ) = AL L (s), (s) dx y - x0 dy y - x0 x=x(s), y= y(s) ds ds где s - натуральный параметр, - дельта-функция.

Таким образом, полоса характеризуется профилем и рассматривается как область переменной ширины, построенная вокруг образующей линии полосы.

y x = x(t), y = y(t) 2l 2 x Рис.1. Область и сегмент полосы.

Рис.2. Пример детектора полосы.

Для того чтобы локально описать фрагмент изображения в виде полосы на плоскости, выполнены разработка и исследование свойств интегральных преобразований по сегменту полосы.

Дано определение сегмента полосы. Анализируются его параметры.

Рассмотрено интегральное преобразование изображения по сегменту полосы (ИПСП).

Сегментом полосы будем называть прямоугольник, обладающий следующими свойствами: центр прямоугольника находится в точке образующей полосы; две стороны прямоугольника параллельны касательной к образующей в этой точке и аппроксимируют края полосы. Обозначим полуширину (или масштаб) сегмента как , полудлину - l, а угол наклона сегмента (который равен углу наклона нормали к образующей полосы) - (рис. 1).

На основе ИПСП вычисляются признаки сегмента (позиция, масштаб ориентация).

Функцию x y sL(x, y,, ) = sL T ,, l которая максимальным образом повторяет функцию изображения полосы z = (x, y) в каждой точке области ее сегмента в пространстве параметров x, y,, , назовем детектором сегмента полосы (или просто детектором полосы, рис. 2).

cos - sin T = - оператор (матрица) поворота на угол . Параметры и l sin cos являются масштабными коэффициентами (или просто масштабами) по ширине и длине соответственно.

Преобразование H[], ставящее в соответствие каждому изображению f(x,y) его спектр параметров h(x0,y0,,) по правилу h(x0, y0,, ) = f (x, y)sL (x - x0, y - y0,, )dxdy sL 2 - - назовем интегральным преобразованием по сегменту полосы (ИПСП) L, заданной детектором sL(x,y,,). Данный интеграл сходится, если L s (x, y)dxdy = 0.

- - Теорема 1. (теорема о максимальном значении спектральной функции) ИПСП функции f1(x,y) = ASsL(xЦx1, yЦy1,1, 1) в пространстве параметров x0,y0,, дает отклик, равный коэффициенту AS независимо от значений (x1,y1,1,1), то есть (x1,y1,1,1) h(x1,y1,1, 1) = AS.

Все остальные отклики будут меньше AS:

(x,y,, ) (x1,y1,1, 1) h(x,y,, ) < AS max h(x,y,,) = h(x1,y1,1, 1) = AS.

Доказательство приведено в диссертации.

Введено понятие интегрального преобразования по многомерной поверхности, выполнено исследование спектральной функции, полученной в результате такого преобразования на модели образа поверхности.

Пусть Rm - векторное пространство (область параметров) размерностью m.

Зададим в Rn аналитическую поверхность вида (x, a) = 0, где x = (x1,x2,Е,xn) - вектор переменных (x Rn); a = (a1,a2,Е,am) - вектор параметров (a Rm).

Преобразование H : L2(Rn, {0, 1}) L2(Rm, R), ставящее в соответствие каждому изображению f(x) его спектр параметров по правилу h(a) = H [f (x)]= f (x)dS, ... будем считать интегральным преобразованием по поверхности .

Теорема 2 (теорема о максимальном значении спектральной функции). Если изображение f(x) содержит только одну поверхность -вида, заданную параметрами a0:

1,(x, a0 ) = 0, f (x) = 0, то значение спектральной функции h(a) = H [f (x)] в точке a0 будет являться максимальным и равным площади этой поверхности, т.е.

h(a0 ) = max (h(a)).

aRm Доказательство приводится в работе.

Для анализа сложных линейчатых образов заданной формы на снимках разработаны интегральные преобразования по линиям. Введено понятие интегрального преобразования двумерного изображения по линии.

Преобразование H : L2(R2, [0, 1]) L2(Rm, R), ставящее в соответствие изображению f(x, y) его спектр параметров по правилу h(a) = H [f (x, y)]= f (x, y)ds, назовем интегральным преобразованием по линии (ИПЛ).

В данном преобразовании используется криволинейный интеграл. Из его свойств следует, что значение спектральной функции h(a) будет равно суммарной яркости части кривой (x, y, a) = 0. Можно утверждать, что каждый спектральный отсчет h(a) в точке a дает меру сходства линии на исходном изображении с заданной кривой (x, y, a) = 0.

Следствие. Максимальное значение спектральной функции h(a) соответствует параметрам кривой (x, y, a) = 0 на изображении f(x, y) и равно ее длине.

Построено интегральное преобразование по линии с учетом дополнительных признаков.

Пусть {Bi(x,y)} - множество функций некоторых k (k < m) признаков образа линии (например, угол наклона нормали, кривизна и др.), bi(a) - тот же признак линии (x, y, a) = 0 с параметрами a1, a2,Е,am в точке (x, y), i = 1,Е,k.

Преобразование, ставящее в соответствие изображению f(x, y) его спектр параметров по правилу k h(a) = f (x, y) D[Bi (x, y) - bi (a)]ds, i= 1,t = 0, где D(t) = будем считать производным интегральным преобразованием по 0, кривой .

Если известна характеристическая функция ориентации нормали к образу линии (x, y), то необходимо совпадение ее значений с углом наклона нормали к кривой (x, y, a) = 0:

h(a) = f (x, y)D[(x, y) - ((x, y, a))]ds, где = , - оператор градиента, () - оператор угла наклона вектора x y градиента. Назовем данное преобразование градиентным интегральным преобразованием по линии (x, y, a) = 0 (ГИПЛ).

Пусть : R2 R - функция кривизны образов линий на f(x, y). Запишем производное интегральное преобразование по линии, усовершенствовав градиентное преобразование так, чтобы кривизна (x, y) совпадала с кривизной линии, для которой выполняется преобразование d h(a) = f (x, y)D[(x, y) - ((x, y, a))]D (x, y) ds.

ds Следует отметить, что касательная к линии ортогональна градиенту, поэтому кривизну можно найти, зная градиент:

d 1 dg K = =, ds g ds где g = (x, y, a) - значение градиента в точке линии (x, y, a) = 0.

Для описания и анализа линейчатой структуры, претерпевшей преобразования подобия, введены понятия подобной кривой и интегрального преобразования по подобной кривой.

Пусть U R2 - множество точек некоторой линии. Введем оператор A, выполняющий преобразования подобия (растяжение в раз, поворот на угол и сдвиг на вектор (x0,y0)):

x A(x0, y0, , ) = T +, y где T - оператор (матрица) поворота на угол .

Кривую AU будем называть подобной для кривой U.

Пусть также f : R2 R - функция исходного изображения; (x, y) R2; a = (x0, y0, s, ) - вектор параметров подобия; Rm - спектральное пространство (m = 4).

Преобразование HAU : L2(R2, [0, 1]) L2(R4, R), ставящее в соответствие каждому изображению f(x,y) его спектр параметров h(a) по правилу h(a) = H [f (x, y)]= f (x, y)ds, AU AU будем считать интегральным преобразованием по кривой U в пространство признаков подобия, задаваемых оператором A (или интегральным преобразованием по подобной кривой, ИППК).

Спектральная функция h(a) также будет характеризовать степень близости образов линий P = {(x, y) | f(x, y) = 1} и кривой AU, преобразованной из эталона U.

Градиентное интегральное преобразование по подобной кривой (ГИППК) запишется следующим образом:

h(a) = HAU [f (x, y)]= f (x, y) D[(x, y) - - (s)]ds.

AU Исследованы свойства различных сигнатурных признаков линий. Введены новые сигнатурные признаки. Разработано интегральное преобразование в пространство признаков линий.

Разность угла наклона радиус-вектора в точке кривой и угла наклона нормали в этой точке назовем угловой разностью: = - .

Можно видеть, что характеризует скорость отдаления (приближения) кривой от начала координат.

Параметр d = (d,d ) = arctg, d характеризующий скорость изменения угла наклона нормали в точке кривой (x, y) в зависимости от изменения угла наклона вектора (x, y), назовем угловой кривизной.

Исследована реакция параметров на преобразование подобия (сдвиг, поворот, масштабирование). Анализировались следующие параметры: координаты, длина радиус-вектора, угол наклона радиус-вектора (), угол наклона нормали (), длина нормали (), угловая разность (), кривизна (K), угловая кривизна (), разность длин радиуса-вектора, разность углов наклона радиус-вектора, разность углов наклона нормалей, расстояние между касательными и др.

Пусть a1 и a2 - производные параметры кривой U в точке (x, y), инвариантные к некоторым преобразованиям подобия. Через параметры a1 и a2 зададим уравнение (a1, a2) = 0, описывающее кривую U. Т.к. параметры являются производными, то уравнение (a1, a2) = 0 является дифференциальным и описывает в действительности множество кривых. Решением данного дифференциального уравнения будет являться множество уравнений кривых семейства AU. Будем полагать, что уравнение в пространстве параметров a1, a(a1, a2) = 0 задает некоторую дифференциальную кривую.

Преобразование, ставящее в соответствие каждому изображению f(x, y), характеризующемуся производными признаками образов кривых на нем A1(x, y) и A2(x, y), его спектр параметров по правилу h(a1, a2 ) = f (x, y)[A1(x, y) - a1][A2 (x, y) - a2 ]dxdy, Rназовем интегральным преобразованием в пространство признаков кривых (ИПППК).

Следует отметить, что если f(x, y) содержит образ кривой, то спектр h(a1, a2) будет содержать дифференциальную кривую, которая является отображением исходной кривой.

Важным свойством спектра h является то, что он может быть инвариантным к некоторым преобразованиям подобия. Например, спектр h(, ) инвариантен к повороту, h(, ) инвариантен к повороту и масштабу, h(, K) инвариантен к сдвигу. ИПППК применимо для сравнения различных изображений линий. Для того чтобы сравнить два изображения независимо от каких-либо признаков подобия, будем искать скалярное произведение спектров этих изображений.

Полученное значение будет являться степенью схожести исходных образов.

Появляется возможность вычисления признаков подобия изображений относительно друг друга. Например, анализ свертки двух спектров h(, ) позволяет найти угол поворота .

Третий раздел включает в себя разработку и формальное описание методов выделения и вычисления признаков линейчатой структуры, основанных на введенных преобразованиях.

Для анализа на снимках линейчатой структуры с варьирующейся кривизной разработан метод выделения и вычисления признаков полосы без вращения сегмента полосы.

Пусть масштабные коэффициенты сегмента полосы и l постоянны и равны между собой ( = l = const), а детектор полосы при = 0 аппроксимируется второй производной гауссоида по переменной x (рис.2):

x2+ ysL (x, y) = (1 - x2) e.

Так как масштаб постоянен, то общий детектор полосы в нашем случае будет задаваться функцией трех переменных:

x2 + y x y (x cos - y sin )2 - 2 sL(x, y,) = sL T , =1 - e.

2 Теорема 3. (теорема о разложимости детектора полосы) Функция sL(x,y,) может быть разложена на три составляющих:

sL (x, y, ) = s1(x, y)cos2 + s2 (x, y)sin 2 + s3(x, y), где s1(x,y), s2(x,y) - нормированные гауссоидом гиперболические параболоиды:

x2 + y2 x2 + yx2 - y2 - 2 xy 2 2 s1(x, y) = - e, s2 (x, y) = e, 2 2 а s3(x,y) - лапласиан гауссоида:

x2 + y 1 x2 + y2 e 2 2.

s3 (x, y) = 2 2 Теорема 4. (теорема о максимальном значении спектральной функции) Спектральная функция h(x, y, ), получаемая в результате ИПСП, принимает максимальное значение в точке 0 = (S1, S2 ), так что h(0 ) = S12 + S2 2 + S3, где S1, S2, S3 - свертки исходного изображения f(x,y) с функциями s1(x,y), s2(x,y) и s3(x,y) соответственно:

Si = f (x, y)si (x - x0, y - y0 )dxdy, i = 1, 2, 3.

- - Преобразование исходного изображения f(x, y) на основе ИПСП в изображение g(x, y), так что g(x, y) = max H[f(x, y)] = ( f s1)2 + ( f s2 )2 + f s3, назовем выделением полос без вращения сегмента полосы (ВПБВ).

Метод выделения и вычисления признаков полосы без вращения сегмента полосы предполагает вычисление g(x, y) и (x, y) по данным формулам.

Для анализа на снимках полосовых образов с варьирующейся шириной разработан метод выделения полос различного масштаба.

Преобразование H[], выполняющее фильтрацию по масштабу в пределах [1, 2] функции f(x, y) вдоль каждого направления , формируя спектральную функцию g(x, y, ) таким образом, что 2 F(, ) d G(,, ) = SL(T (, )), Cs 1 (где Cs - нормирующий параметр, SL(, ), G(, , ), F(, ) - Фурье-спектры функций sL(x, y), g(x, y, ) и f(x, y) соответственно) назовем интегральным преобразованием по сегменту полосы различного масштаба (ИПСПРМ).

Преобразование исходного изображения f(x, y) на основе ИПСПРМ в изображение g(x, y), так что g(x, y) = max H[f(x, y)], назовем выделением полос различного масштаба (ВПРМ).

Метод выделения полос различного масштаба предполагает вычисление G(,,) и g(x, y) по данным формулам.

ВПРМ обеспечивает выделение полос различной ширины при 1 2.

Преобразование заключается в поиске значения угла наклона детектора, которое соответствует максимуму в спектре g(x, y, ).

x2 + yЕсли sL (x, y) = (1 - x2) e, то G(,, ) = F(, ) [T (, l )], L Cs 2 где (, ) = (1 - )e- -, F(, ) - Фурье-спектр f(x, y).

L Для выделения полос без искажения их ширины разработаны метод многомасштабной фильтрации профилей полос на основе фильтра воспроизведения полезного сигнала и метод воспроизведения полосовых образов на основе многомасштабной фильтрации профилей полос и ИПСП. Для осуществления многомасштабной фильтрации профилей полос сформированы два преобразования: воспроизводящее интегральное преобразование по сегменту полосы и преобразование для воспроизведения полосы.

Теорема 5. (теорема о многомасштабном воспроизведении) Многомасштабное воспроизведение профилей полос обеспечивает фильтрующая функция, спектр Фурье которой M [Ws ()] () =, M [Ws ()] + Wn () где M [Ws ()] = W ()d ; M - оператор среднего по масштабу ( - 1 1 s [1, 2]); Ws(), Wn() - энергетические спектры полезного сигнала (профиля полосы) и помех соответственно; 1, 2 - минимальное и максимальное значение масштаба соответственно.

Многомасштабное воспроизведение дает возможность фильтрации сигнала заданного вида в некотором диапазоне масштаба.

Пусть N(, ) - Фурье-спектр функции шума.

Преобразование H[], выполняющее фильтрацию по масштабу в пределах [1, 2] функции f(x, y) вдоль каждого направления , формируя спектральную функцию g(x, y, ), по правилу M s G(,, ) = F(, ) , M + N(, ) s где M = SL (T (,l )) d, s - 1 1 является воспроизводящим интегральным преобразованием по сегменту полосы (ВИПСП).

Преобразование исходного изображения f(x, y) на основе ВИПСП в изображение g(x, y), так что g(x, y) = max H[f(x, y)], назовем воспроизведением полосы (ВП).

ВП находит максимумы в откликах ВИПСП, тем самым среди сегментов разной ориентации определяется сегмент, который наилучшим образом повторяет часть полосы.

Для анализа на снимках линейчатой структуры различной формы разработан метод вычисления кривизны образующей линии полосы.

Значения координат образующей (x, y), угол наклона нормали к ней и масштаб возможно найти, определив максимумы спектральной функции, полученной в результате ИПСП, то есть в результате решения задачи оптимизации:

h(x, y, , ) max, 0 < 2, 1 2.

Для определения такого признака как кривизна будем основываться на следующем.

Пусть в Rn присутствует кривая, заданная параметрически системой уравнений x = (s), где x = (x1,x2,Е,xn) - вектор значений (x Rn) векторной функции (s) = (1(s), 2(s),Е, n(s)).

Проекции направляющего вектора g(x) касательной к линии x = (s) будут пропорциональны производным d1 d2 dn d ,,..., =.

ds ds ds ds Выполним нормирование векторной функции g(x):

g(x) (x) =.

g(x) Теорема 6. Значение кривизны векторной линии векторного поля, заданного функцией : Rn [-1, 1]n (|(x)| = 1), в точке x определяется по формуле:

nn i k(x) = (x).

x j i, j= Следствие. Если векторная функция (x) определена в трехмерном пространстве R3 (n = 3), то вычисление кривизны векторной линии сводится к определению модуля ротора векторного поля:

k(x, y, z) = rot (x, y, z) = = i j k z x y y z x = det = -, -, .

x y z y z x z x y x y z Перейдя на плоскость R2 (n = 2), получим y x 0,0, y x k(x, y) = - = -.

x y x y Теорема 7. Кривизна линии яркостного перепада в точке (x, y) на плоскости xOy определяется как абсолютное значение дивергенции векторного поля градиента яркости в этой точке:

k(x, y) = = div (x, y) = div (cos,sin ).

Для дискретного пространства:

k(i, j) (X - X + Yi, j+1 - Yij + X - X + Yi, j-1 - Yij ), i+1, j ij i-1, j ij где X, Y - матрицы значений составляющих нормали по оси x и y соответственно.

Метод вычисления кривизны основан на данной формуле.

Для реализации ИПЛ построены соответствующие методы, и даны им определения.

Рекуррентную реализацию интегрального преобразования по линии, (x, y) al (l=1,Е,m) (x, y; a1,a2,Е,am) = h(a1,a2,Е,am) = h(a1,a2,Е,am) + f(x, y)dxdy, будем называть методом накопления спектральной функции.

ИПЛ можно реализовать таким образом, что в вычислении будут участвовать только точки оцениваемых объектов на изображении (т.е. f(x, y) > 0):

(x, y)f(x, y) > al (l=1,Е,m) (x, y; a1,a2,Е,am) = h(a1,a2,Е,am) = h(a1,a2,Е,am) + f(x, y)dxdy.

Такое построение ИПЛ (устранение расчетов с координатами точек фона (x, y), когда f(x, y) = 0) будем называть методом отсечения фона.

Если выразить из уравнения (x, y, a) = 0 какой-либо из параметров, то алгоритм в таком случае приобретает следующий вид:

(x, y)f(x, y) > al (l=1,Е,m-1) h(a1,a2,Е,am) = h(a1,a2,Е,am) + f(x, y)dxdy am = (x, y; a1,a2,Е,am-1).

Назовем такую реализацию методом с разрешением относительно параметра.

Если уравнения разрешены относительно параметров:

ai = i(x, y; t), где i : Rn+1 R (i = 1,Е,m), то теперь вместо m параметров необходимо ранжировать только один параметр t, а значения a1,a2,Е,am вычисляются исходя из значения t:

(x, y) f(x, y) > t h(a1,a2,Е,am) = h(a1,a2,Е,am) + f(x, y)dxdy al = l(x, y; t) (l=1,Е,m).

Этот метод (выражение всех параметров линии через новый введенный параметр) является параметрическим разрешением.

Если линия задана параметрически:

x = (a1, a2,..., am ;t), x y = (a1, a2,..., am ;t), y где x, y : Rn+1 R (i = 1,Е,m), то th(a) = f (x, y)ds = f ( (a;t), (a;t)) n(a;t)dt, x y t где n(a;t) = x 2 (a;t) + (a;t).

y Сначала будем перебирать не значения переменных, а значения параметров линии:

al (l=1,Е,m) t h(a1,a2,Е,am) = h(a1,a2,Е,am) + f(x, y)n(a1,a2,Е,am; t)dxdy x = x(a1,a2,Е,am; t), y = y(a1,a2,Е,am; t).

Такой метод выполнения ИПЛ является методом разрешения относительно переменных.

Построено интегральное преобразование по линии с учетом дополнительных признаков.

В случае если известны дополнительные признаки {Bi(x,y)} (i = 1,Е,k), то имеем систему k уравнений {Bi(x,y) - bi(x, y; a1, a2,Е,am) = 0}, из которой выразим как l() (если это возможно аналитически) k+1 параметров кривой , и алгоритм ИПЛ сократится на k+1 циклов:

(x, y)f(x, y) > al (l=1,Е,m-k-1) h(a1,a2,Е,am) = h(a1,a2,Е,am) + f(x, y)dxdy am-i = k-i+1(x, y; a1, a2,Е, am-k-1) (i=k,Е,0).

Такой метод является построением интегрального преобразования с разрешением параметров через дополнительные признаки.

В четвертом разделе разработаны алгоритмы, основанные на ИПСП, для улучшения, препарирования и сегментации изображений.

Для выделения размытых контурных перепадов на снимках разработан алгоритм выделения границ объектов, основанный на ИПСП. Алгоритм позволяет получить единственный отклик на профиль границы полутоновых образов. По спектральной функции ИПСП определяется позиция, длина, ширина и ориентация каждого сегмента границы, используемые для дальнейшей обработки и анализа изображения. Непосредственное применение ИПСП к исходному изображению (без использования предобработок) обеспечивает значительное сохранение полезной информации. Алгоритм позволяет получить изображения утоньшенных границ. Граничная точка определяется как середина контурного перепада.

Бинаризация изображения осуществляется с порогом, выбранным в зависимости от уровня шума, где значение порога находится по гистограмме этого же изображения.

Для формирования векторного изображения сцены дефектов разработан алгоритм соединения точек перепадов (прослеживания), позволяющий преобразовывать выделенные границы в цепной код в зависимости от угла наклона каждого сегмента, полученного в результате ИПСП.

С целью предварительной обработки дефектоскопических и металлографических снимков создан алгоритм подавления шума на основе ИПСП, обеспечивающий фильтрацию аддитивного шума как на однородных областях изображений, так и на зонах перепадов, без смазывания границ.

Для четкого выявления областей объектов на снимках разработан алгоритм подчеркивания границ на полутоновых изображениях, позволяющий устранять зоны перепадов яркости. Алгоритм также основан на использовании ИПСП. В зависимости от уровня шума изображение делится на области перепадов яркости и на однородные области. Однородные области сглаживаются, а области перепадов делятся по линии границы и сливаются с соответствующими однородными областями.

Для выделения площадных объектов на снимках созданы алгоритмы сегментации, основанные на наращивании областей и квантовании мод гистограммы. Алгоритм использует также признаки, полученные в результате ИПСП. В качестве предобработки для получения четких контуров областей применяется алгоритм подчеркивания границ.

Подробное описание алгоритмов приведено в диссертации.

В пятом разделе выполнено исследование разработанных методов и алгоритмов.

Разработан метод синтеза образующей линии полосы и изображения полосы.

Анализ фона многих реальных изображений показывает, что модуль Фурьеспектра фона достаточно хорошо аппроксимируется гиперболой:

aN z(w) =, w - bN где aN и bN - параметры, характеризующие интенсивность шума.

Для синтеза фона будем генерировать гиперболический Фурье-спектр и искажать его добавлением случайной комплексной составляющей:

z1(w) = z(w) + U1 + iW1, где U1, W1 - гауссовские случайные величины с нулевыми математическими ожиданиями и единичными дисперсиями. Уравнение образующей полосы получается путем решения дифференциального уравнения относительно функций x(t) и y(t):

d K(t) =, ds где K(t) - функция кривизны, сформированная по ее случайному спектру.

lx(t) Решением дифференциального уравнения будет = v(t)ds, где y(t) llcos v = , так что (t) = K(t)ds (l1, l2 - предельные значения параметра s).

sin lПолуширина полосового образа также задается как случайный процесс.

Данный метод синтеза полосы позволяет формировать различного вида линейчатые образы с заданным профилем, переменной кривизной и масштабом.

Проведены эксперименты синтеза тестовых изображений фоновых и полосовых образов. Выполнена аппроксимация полос на реальных изображениях.

На основе модели полосы и алгоритма синтеза полосовых образов построены тестовые изображения с различными значениями параметров. Показано видоизменение образа полосы при варьировании некоторых параметров, что дает возможность генерировать линейчатые изображения специфического вида.

Осуществлена оценка качества фильтрации полос. Для оценки разработаны алгоритмы, основанные на корреляционном сравнении и сравнении геометрических характеристик образов полос.

График статистической зависимости коэффициента корреляции от среднеквадратического отклонения шума (СКО) приведен на рис.3,а. Из графика видно, что фильтрация позволяет сохранить большие значения коэффициента корреляции при увеличении мощности шума.

В алгоритме сравнения по геометрическим характеристикам выполняется бинаризация тестового, зашумленного и фильтрованного изображений. По бинарным сценам вычисляются характеристики полос: площадь, длина, максимальная ширина, центр тяжести, вторые центральные моменты. Данные характеристики позволяют оценить форму, позицию и ориентацию анализируемого образа.

Показано, что фильтрация полос вносит лишь незначительные искажения.

Полезный эффект фильтрации наблюдается при наличии на изображении шумов:

шум сильно варьирует признаки объекта, фильтрация же устраняет такой разброс (рис.3,б).

1 S, % 0.10.0.0. ш ш 0 20 40 60 80 100 0 20 40 60 80 1а) б) Рис.3. Зависимости коэффициента корреляции (а) и отклонения площади S (б) от СКО шума ш (пунктирной линией показана зависимость без фильтрации, сплошной - с фильтрацией).

Значения и S даны c предельными ошибками 0,1 и 15% соответственно при доверительной вероятности 0,95.

Тестирование и визуальный анализ результатов обработки показывают целесообразность применения фильтрации при наличии помех на изображении.

Для исследования разработанных фильтров также построено тестовое изображение полосы, обладающей следующими свойствами: сегменты полосы имеют различную ориентацию, кривизна образующей линии и ширина полосы варьируются по всей ее длине, полоса имеет прямоугольный профиль, разрывов в полосе не имеется, длина полосы значительно больше средней ширины. На изображение полосы накладывался гауссовский шум с гиперболическим спектром, который искажает признаки полосы.

Вычислены важные геометрические характеристики построенного образа (площадь, длина, средняя ширина, максимальная ширина) и выполнено сравнение различных методов фильтрации по отклонениям характеристик от реальных значений. По графикам отклонений видно, что фильтрация позволяет приблизить характеристики к реальным значениям (рис.4). Отметим, что сохранение длины полосы хорошо обеспечивают все фильтры. Однако сохранение характеристик, зависящих от ширины полосы, выполняется только методом воспроизведения на основе ИПСП. Это связано с тем, что первые три фильтра выделяют на самом деле не полосу, а ее образующую, искажая при этом информацию о ширине.

100,Площадь Длина 90,Максимальная ширина Средняя ширина 80,70,60,50,40,30,20,10,0,Значение при Результат фильтра Результат Результат Результат зашумлении Габора фильтрации второй прямоугольного воспроизведения производной фильтра полосы на основе гауссоида ИПСП Рис.4. Графики относительной ошибки вычисления геометрических характеристик полос при обработке различными методами фильтрации.

Сформированы модели образов линий, на которых выполнено исследование разработанных интегральных преобразований изображений по линиям.

Пусть исходное изображение будет совпадать с образом линии (x, y; a0) = 0:

1,(x, y, a0 ) = 0, f (x, y) = f (x, y) = 0.

Очевидно, что изображение, заданное функцией f(x,y), является моделью образа линии (x, y; a0) = 0.

Введем случайную величину U2 = {(01- p),(1 p)}, то есть U2 = 1 с вероятностью p и U2 = 0 с вероятностью 1Ц p.

Введем также случайную величину W2 = {(0 0,5),(10,5)}, то есть W2 принимает значения единицы и нуля равновероятно.

Пусть, если точка (x, y) подверглась шуму, то она заменяется его значением, в качестве которого будем использовать значение случайной величины W2:

f (x, y),U2 = 0, f (x, y) = = f (x, y) (1-U2 ) +W2 U2.

,U2 = WИзображение, заданное функцией f(x,y), является моделью линия+шум.

Вероятность p будет соответствовать уровню зашумленности изображения Относительная ошибка, % линии (x, y; a0) = 0.

Пусть теперь на исходном изображении присутствуют три компоненты: образ линии (x, y; a0) = 0, множество других линий вида (x, y; a) = 0 и шумовая составляющая.

В таком случае f (x, y) f (x, y),U2 = 0, f (x, y) = = ( f (x, y) f (x, y)) (1-U2 ) +W2 U2, ,U2 = Wгде f (x,y) - функция изображения других линий вида (x, y; a) = 0:

f (x, y) = (i (x, y, ai ) = 0).

i Изображение, заданное функцией f(x,y), является моделью линия+линии+шум.

Произведено статистическое исследование ИПЛ в зависимости от уровня зашумленности.

Обозначим множество реализаций функций изображений, зашумленных с уровнем шума p, как Fp = {f1p, f2p, f3p, Е, fnp }, где n - число реализаций. Будем полагать, что параметры линии вычислены правильно, если максимум в спектральной функции реализации fip соответствует параметрам линии на изображении f(x,y). Для этого введем проверочный оператор С : Fp {0, 1}. С[fip] равен единице, если параметры кривой вычислены правильно, и нулю в другом случае.

Частоту правильного вычисления будем определять как среднюю арифметическую С[fip] для различных реализаций:

n p n = C[ fi ].

p n i=Графики зависимости частоты np для 100 реализаций от уровня зашумленности p показаны на рис.5.

np np 0.8 0.0.6 0.0.4 0.0.0.0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8 p p б) а) Рис.5. Зависимости частоты правильного вычисления от уровня зашумленности для образа линии в 30 пикселей (а - ИПЛ, б - ГИПЛ). Значения частоты даны c предельной ошибкой 0,при доверительной вероятности 0,95.

Графики показывают область применимости ИПЛ и целесообразность использования дополнительных признаков, так как это повышает вероятность правильного вычисления параметров линий.

Выполнено экспериментальное исследование разработанных алгоритмов, основанных на интегральном преобразовании по сегменту границы.

Результаты исследования показывают, что созданные в работе алгоритмы производят выделение границ с меньшими искажениями, чем существующие алгоритмы (рис. 6). Интегрирование вдоль границы объектов уменьшает влияние шума, что позволяет принять порог бинаризации намного ниже, чем в известных методах, использующих локальные градиентные операторы, и выделить менее контрастные контуры. Алгоритм соединения точек перепадов также позволяет снизить порог бинаризации и получить контуры большей длины. В алгоритмах сегментации предварительная обработка на основе ИПСП довольно четко определяет моды на яркостной гистограмме изображения. При обработке тестовых изображений с помощью известных и разработанных алгоритмов видно, что разработанные алгоритмы дают лучший результат: контур образов определен точнее, выявлены также менее контрастные образы.

nш 0.0.0.0.ш 0 20 40 0 20 40 ш Рис. 6. Зависимости коэффициента корреляции между контуром тестового изображения и выделенного контура на зашумленном изображении и количество образующихся разрывов и ответвлений контура nш от СКО шума (пунктирной линией показана зависимость для детектора Кониши, сплошной - для метода выделения контуров на основе ИПСП). Значения и nш даны c предельными ошибками 0,1 и 10% соответственно при доверительной вероятности 0,95.

В шестом разделе выполнено построение методик на основе разработанных методов и алгоритмов, и приведены результаты их практического применения для обработки и анализа дефектоскопических и металлографических изображений.

Отмечено, что выявление дефектов-трещин выполняется в магнитной, оптической и радиационной дефектоскопии и является основной задачей в капиллярной дефектоскопии, в которой выполняется определение таких параметров как ширина и глубина раскрытия трещин.

Выполнен статистический анализ снимков трещин. Отмечено, что дефекты на всех взятых снимках представляют линейчатые образы прямоугольного профиля со случайно варьируемой шириной. Для оценки уровня шума на данных дефектоскопических снимках проведены исследования, которые позволяют определить значения параметров, характеризующих спектр фона.

Определена минимальная и максимальная ширина раскрытия дефектов на снимках. Для нахождения длины сегмента полосы дефектов выполнялось усреднение изображений в каждой точке образующей полосы. Полученные параметры в ходе проведенного анализа используются как входные данные для разработанного алгоритма фильтрации.

Построена общая методика обработки снимков трещин. Методика основана на следующей схеме:

1) Фильтрация полосовых образов.

2) Бинаризация фильтрованного изображения.

3) Вычисление площади выделенных областей.

4) Устранение областей малой площади.

5) Вычисление признаков выделенных дефектных областей.

6) Классификация дефектов по допустимости.

Выполнялась обработка реальных изображений. На рис.7 приведены примеры воспроизведения полос прямоугольного профиля как образов трещин на дефектоскопических изображениях. С порогами, выбранными по гистограммам, произведена бинаризация исходного и обработанного изображений (рис.7). По бинарным сценам видно, что применение фильтрации позволяет довольно четко отделить фон от трещины.

Возникает возможность выделения изображений дефектов такого рода для дальнейшей автоматической оценки качества поверхности анализируемого изделия (вычисление длины, ширины и других геометрических характеристик с помощью известных алгоритмов). Обработка и анализ дефектоскопических снимков без воспроизведения полос не дает положительных результатов.

Визуальный экспертный анализ подтвердил достоверность результатов обработки и анализа снимков на основе построенной методики.

а) б) в) г) Рис.7. Результаты обработки снимка фрагмента изделия Глухой фланец 90x14 с трещиной (ширина раскрытия трещины - 0,48 мм, суммарная длина - 18,32 мм) (а - исходный снимок, б - результат бинаризации исходного снимка, в - результат фильтрации, г - результат выделения значимых дефектов на фильтрованном снимке).

Осуществлен обзор задач оценки качества выполненных сварочных работ в дефектоскопии. Рассмотрены виды дефектов и сварных швов, произведена их классификация. Разработана методика предобработки рентгеновского снимка сварного шва.

Предобработка включает в себя следующие этапы:

1) Фильтрация для сглаживания неровностей границ сварного шва на рентгеновском снимке.

2) Бинаризация изображения с порогом яркости, который соответствует области сварного шва.

3) Выделение границ области сварного шва.

4) Вычисление параметров верхней и нижней границ области сварного шва на основе интегрального преобразования по прямой линии.

5) Нормализация (масштабирование и поворот) изображения в зависимости от найденных параметров прямых линий.

Выполнен анализ структуры образов дефектов на рентгеновских снимках сварных соединений, показавший распространенность дефектов, имеющих линейчатую форму, таких как трещины, подрез и непровар. Возможны также дефекты, имеющие округлую форму (пористость). Определены параметры фона, а также минимальная и максимальная ширина раскрытия дефектов на снимках.

Методика обработки рентгеновских снимков сварных швов состоит в следующем:

1) Предобработка снимка для его нормализации и выделения области шва с возможным содержанием образов дефектов.

2) Выделение линейчатых дефектов с помощью метода фильтрации полос, построенного на основе ИПСП.

3) Выделение границ и поиск округлых дефектов с помощью интегрального преобразования по окружности.

4) Классификация дефектов по найденным с помощью ИПСП и ИПЛ признакам.

На рис.8 приведен пример обработки рентгеновского снимка сварного шва.

а) б) в) г) Рис.8. Результаты обработки рентгеновского снимка сварного шва [а - снимок сварного шва нефтегазопроводной трубы 125х11,4, б - границы сварного шва, в - прямые линии границ сварного шва, г Цвыделенный дефект (максимальная ширина - 1,06 мм, длина - 58,21 мм)].

Геометрические параметры и виды дефектов, определяемые с помощью разработанной методики, соответствуют результатам эксперта (операторадефектоскописта).

Разработаны методы и алгоритмы выделения признаков на металлографических снимках. Осуществлено применение полученных алгоритмов для обработки и анализа металлографических снимков.

Рассмотрены способы металлографического исследования снимков микроструктур. Разработаны методы и алгоритмы выделения базовых и производных признаков плоских объектов. Исследована информативность рассматриваемых признаков для осуществления классификации объектов на металлографических снимках. Выявлены информативные признаки образов различных включений в микроструктуре.

На основе алгоритмов предобработки с помощью ИПСП и алгоритмов вычисления признаков плоских объектов разработана методика анализа металлографических снимков. Методика заключается в следующем:

1) Выделение и вычисление признаков контуров на основе ИПСП.

2) Подчеркивание границ объектов на изображении в зависимости от найденных границ и их признаков.

3) Сегментация по яркости для выделения образов включений на снимке.

4) Вычисление информативных признаков выделенных образов.

5) Классификация найденных объектов, то есть отнесение их к определенным видам включений.

6) Определение размеров каждого объекта в соответствии с ГОСТ 1778-70.

7) Подсчет количества включений каждого типа, размер которых превышает установленное значение, а также общего количества таких включений.

Примеры обработки и анализа металлографических снимков приведены на рис. 9 и рис. 10.

а) б) в) Рис. 9. Результаты сегментации металлографического снимка (а - исходный металлографический снимок; б, в - выделенные области методом квантования мод без предобработки и с предобработкой на основе ИПСП соответственно) а) б) в) Рис. 10. Результат обработки и анализа микроснимка чугуна (а - исходное изображение, б - результат сегментации, в - найденные и распознанные объекты).

Разработанные методики реализованы в системах управления процессом контроля изделий по снимкам. Сравнительная оценка систем по данным экспертов (операторов-дефектоскопистов) приведена в следующей табл. Исходя из данных, приведенных в таблице, разработанные методы и алгоритмы позволяют увеличить достоверность анализа снимков (увеличить долю достоверного автоматического анализа), увеличить оперативность (уменьшить время до необходимого для оперативного анализа снимка) и увеличить точность вычисления параметров объектов на снимках (уменьшить отклонения вычисляемых параметров объектов).

Следует также отметить, что разработанные методы и алгоритмы нашли применение для обработки и анализа многих видов картографических и медицинских изображений.

Существующие системы Разработанные системы Виды снимков Оценки системы 0,Доля достоверного 0,до 0,0,Оптические, 0,7-0,автоматического анализа 0,капиллярные и магнитографиВремя анализа снимка*, ческие снимки 1-мин 15-0,Доля достоверного 0,до 0,0,0,8-0,автоматического анализа 0,Рентгеновские снимки Время анализа снимка*, мин 10-15 1-5-Металлографи- Отклонения параметров 5 менее ческие снимки зерен, % *На рассматриваемых предприятиях для оперативного анализа снимка требуется 5Ц10 минут.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ В диссертационной работе в рамках решения поставленной научнотехнической проблемы повышения оперативности и достоверности определения дефектов на снимках промышленных изделий получены следующие основные результаты:

1. Выполнен анализ состояния проблемы обработки снимков промышленных изделий, показавший: преобладание различных линейчатых структур на дефектоскопических и металлографических снимках; невозможность автоматического анализа большинства видов снимков существующими компьютерными системами анализа изображений, применяемыми при контроле качества; недостаточные возможности существующих методов цифровой обработки и анализа изображений для выделения и вычисления признаков линейчатых структур на дефектоскопических и металлографических снимках.

Обосновано направление исследований, заключающееся в разработке систем новых методов, моделей и алгоритмов для выделения и анализа линейчатых структур на снимках промышленных изделий.

2. Разработана система преобразований изображений по линейчатым структурам, позволяющая получить необходимую информацию о линейчатых образах на снимках изделий, включающая: преобразование по сегменту полосы, отличающееся более полным описанием сегмента (сегмент задается масштабами по длине и ширине, ориентацией и профилем), что позволяет локально описать фрагмент изображения в виде полосы на плоскости; преобразования по линиям, состоящие в интегрировании по линии и заданному дифференциальным уравнением семейству линий объектов на снимках, обеспечивающих переход в спектральные пространства признаков образов линий на исходной сцене.

3. Создан математический базис преобразований изображений по линейчатым структурам в виде совокупности теорем: о максимальных значениях спектральной функции, обеспечивающие возможность определения признаков линейчатых структур; о разложимости детектора полосы и многомасштабном воспроизведении, позволяющие устранить ранжирование заданных параметров линейчатых структур.

4. Разработана математическая модель фрагмента изображения, отличающаяся представлением его в виде полосы, характеризующейся вариацией кривизны, яркости и ширины, и обеспечивающая адекватное представление линейчатых структур на дефектоскопических и металлографических снимках.

5. Разработана система методов выделения и вычисления признаков линейчатых структур, позволяющая повысить оперативность и достоверность анализа снимков линейчатых объектов, характеризующихся вариацией кривизны, яркости, ширины, пересечениями, разветвлениями, и включающая метод(ы):

выделения и вычисления признаков полосы без вращения сегмента полосы, отличающийся использованием интегрального преобразования по сегменту полосы и возможностью аналитического вычисления углов наклона сегментов полос; выделения полос различного масштаба, отличающийся применением многомасштабного преобразования по сегменту полосы; воспроизведения полосовых образов на основе использования интегрального преобразования по сегменту полосы совместно с фильтром воспроизведения полезного сигнала;

вычисления кривизны линейчатых структур, состоящий в анализе векторного поля, полученного в результате интегрального преобразования по сегменту полосы; реализации интегральных преобразований по линиям, отличающиеся возможностью использования данных о типе линии и ее сигнатурных признаках.

6. На основе разработанных методов создана система алгоритмов обработки изображений, позволяющая повысить оперативность и достоверность анализа снимков площадных объектов с размытыми контурными перепадами, включающая алгоритм(ы): выделения границ, отличающийся использованием интегрального преобразования по сегменту полосы как границы; соединения точек перепадов, состоящий в применении признаков, полученных в результате интегрального преобразования по сегменту полосы; подавления шума на полутоновых изображениях, основанный на сглаживании шума вдоль частей яркостных перепадов как сегментов полос; подчеркивания границ объектов, состоящий в приведении частей яркостных перепадов как сегментов полос к ступенчатому виду; сегментации, заключающиеся в выделении областей изображений с границами в виде полос.

7. Проведено экспериментальное исследование разработанных методов и алгоритмов на тестовых сценах, показавшее на основе статистических и геометрических численных оценок высокую точность анализа и обработки изображений: по сравнению с известными методами применение разработанных методов выделения полос позволило уменьшить отклонение геометрических характеристик объектов на снимках от реальных значений на 50Ц90%, применение разработанных алгоритмов выделения площадных объектов - на 5Ц10%.

8. Построены с помощью разработанных методов и алгоритмов методики обработки и анализа дефектоскопических и металлографических снимков, позволяющие автоматически выделять и анализировать дефекты, производить распознавание включений и их процентное соотношение в материалах продукции по различным вычисляемым признакам образов на снимках.

9. Результаты проведенных в работе исследований внедрены на промышленных предприятиях для использования в системах автоматического анализа дефектоскопических и металлографических снимков. Применение разработанных методов и алгоритмов увеличило долю (с 0,3 до 0,7Ц0,9) достоверного автоматического анализа снимков и уменьшило затрачиваемое на это время (до 1Ц2 мин), что позволило достичь оперативного контроля качества изделий.

Таким образом, вышеизложенное дает основание полагать, что сформулированная научно-техническая проблема и поставленные задачи решены, и цель диссертационной работы достигнута.

В приложении приведены примеры снимков изделий и акты, подтверждающие практическое использование результатов исследований.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ Публикации в изданиях по перечню ВАК 1. Orlov, A.A. Using the Hough transform for separation and suppression the rib in X-ray scenes [Текст] / A.A. Orlov, S.S. Sadykov, A.L. Zhyznyakov // Pattern Recognition and Image Analysis (Avances in Mathematical Theory and Applications). - 2001, vol.11. No. 2. pp.365-369. (л. вк.40%) 2. Садыков, С.С. Теория, алгоритмы и методика обработки линейчатых образов на дефектоскопических снимках [Текст] / С.С. Садыков, А.А. Орлов, А.А.

Ермаков // Известия высших учебных заведений. Приборостроение. - 2009, №2.

С.11-16. (л. вк.40%) 3. Орлов, А.А. Фильтрация полосовых образов прямоугольного профиля [Текст] / А.А. Орлов, А.А. Ермаков // Научно-технические ведомости СПбГПУ.

Информатика. Телекоммуникации. Управление. - СПб.: СПбГПУ, 2008, №3(60).

С.52-56. (л. вк.50%) 4. Орлов, А.А. Реализация интегральных преобразований по кривым применительно к цифровой обработке изображений [Текст] / А.А. Орлов // Информационные технологии в науке, социологии, экономике и бизнесе.

Приложение к журналу Открытое образование. - М.:МГАПИ, 2006. С.188-190.

5. Орлов, А.А. Способы реализации алгоритмов интегральных преобразований изображений по линиям [Текст] / А.А. Орлов // Программные продукты и системы. - 2008, №1. С.70-72.

6. Орлов, А.А. Инвариантное выделение изображений полос к масштабу и ориентации [Текст] / А.А. Орлов // Информационные технологии в науке, социологии, экономике и бизнесе. Приложение к журналу Открытое образование. - М.:МГАПИ, 2007. С.134-136.

7. Орлов, А.А. Технология сравнения и идентификации растровых изображений линий [Текст] / А.А. Орлов, А.А. Ермаков // Программные продукты и системы. - 2008, №1. С.68-70. (л. вк.50%) 8. Орлов, А.А. Алгоритм вычисления признаков отрезков на растровых изображениях [Текст] / А.А. Орлов, М.И. Ткачук // ИКТ. - 2008, №3. С.36-39. (л.

вк.50%) 9. Орлов, А.А. Метод синтеза изображений трещин [Текст] / А.А. Орлов, Д.Б.

Зацепин // Системы управления и информационные технологии. - 2007, №4.1(30).

С.186-188. (л. вк.50%) 10. Орлов, А.А. Цифровая обработка текста на изображениях рукописей как линейчатых объектов [Текст] / А.А. Орлов, Е.Е. Канунова // Информационные технологии. - 2008, №1. C.57-62. (л. вк.50%) 11. Orlov, A.A. Analysis and Syntheses of the Rift Images [Текст] / A.A. Orlov, S.S.

Sadykov // Pattern Recognition and Image Analysis. - 2009, vol.19. No. 1. pp.186-189.

(л. вк.50%) 12. Орлов, А.А. Реализация системы обработки изображений линейчатых объектов [Текст] / А.А. Орлов // Программные продукты и системы. - 2007, №4.

С.61-62.

13. Орлов, А.А. Компьютерный рентгенографический анализ качества сварных соединений и выделение линейчатых объектов в них [Текст] / А.А. Орлов // Автоматизация и современные технологии. - 2009, №6. C.5-7.

Монографии 14. Орлов, А.А. Теоретические основы интегральных преобразований изображений по линиям [Текст] / А.А. Орлов, С.С. Садыков. - Владимир: Изд-во Владим. гос.ун-та, 2008. - 113с. (л. вк.50%) 15. Ермаков, А.А. Методы и алгоритмы обработки и анализа дефектоскопических и металлографических снимков [Текст] / А.А. Ермаков, А.А.

Орлов, С.С. Садыков, Д.Н. Стародубов. - Владимир: Изд-во Владим. гос. ун-та, 2008. - 112с. (л. вк.30%) 16. Канунова, Е.Е. Методы и алгоритмы реставрации изображений архивных текстовых документов [Текст] / Е.Е. Канунова, А.А. Орлов, С.С. Садыков. - М.:

Мир, 2006. - 134с. (л. вк.40%) Учебное пособие 17. Дегтярев, С.В. Методы цифровой обработки изображений. Учебное пособие [Текст] / С.В. Дегтярев, А.А. Орлов, С.С. Садыков и др. - Курск: Курск. гос. тех.

ун-т., 2004, Ч.3. - 216 с. (л. вк.30%) Патенты и свидетельства 18. Орлов, А.А. Устройство поиска неаналитической кривой на растровом цифровом изображении [Текст] / А.А. Орлов, Д.Б. Зацепин // Патент на полезную модель №69287, 2007. (л. вк.50%) 19. Орлов, А.А. Программа редактирования и обработки растровых изображений [Текст] / А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2009611524, 2009.

20. Орлов, А.А. Программа обработки изображений на основе интегрального преобразования по сегменту границы [Текст] / А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2009611525, 2009.

21. Орлов, А.А. Программа обработки дефектоскопических изображений на основе интегрального преобразования по сегменту полосы [Текст] / А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2009611526, 2009.

22. Садыков, С.С. Автоматизированная система управления фондами музея и реставрации изображений текстовых и фотографических документов [Текст] / С.С.

Садыков, Е.Е. Канунова, А.Д. Варламов, А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2007612203, 2007. (л. вк.20%) Основные публикации в остальных изданиях 23. Орлов, А.А. Многомасштабная фильтрация полосовых образов в двумерных сигналах [Текст] / А.А. Орлов, А.Л. Жизняков // Радиотехника. - 2008, №9. C.115118. (л. вк.50%) 24. Николаев, В.Н., Выделение и оценка линейчатой структуры городских объектов и коммуникаций в специальной геоинформационной системе / В.Н.

Николаев, А.А. Орлов // Научно-технический сборник ФГУП Курский НИИ МО РФ. - 2009, №1. C.10-20, ДСП. (л. вк.50%) 25. Николаев, В.Н., Разработка и применение метода преобразования аэрокосмических изображений по линиям для обработки городских планшетов / В.Н. Николаев, А.А. Орлов // Научно-технический сборник ФГУП Курский НИИ МО РФ. - 2009, №1. C.21-29, ДСП. (л. вк.50%) 26. Орлов, А.А. Определение параметров поверхности на цифровом изображении: теория, алгоритмы, модель [Текст] / А.А. Орлов, П.В. Матвеев // Обработка информации: системы и методы. Сборник научных статей. - М.:

Горячая линия - Телеком, 2003. С.4-8. (л. вк.50%) 27. Орлов, А.А. Интегральные преобразования растровых изображений по отрезкам [Текст] / А.А. Орлов, М.И. Ткачук // Алгоритмы и методы обработки и анализа информации. Сборник научных статей. - М: Горячая линия - Телеком, 2006. С.4-9. (л. вк.50%) 28. Орлов, А.А. Цифровая реконструкция полосовых образов [Текст] / А.А.

Орлов // Искусственный интеллект. Научно-теоретический журнал. - НАН Украины. Институт проблем искусственного интеллекта, 2006, №4. С.779Ц786.

29. Орлов, А.А. Криволинейное интегрирование двумерных сигналов в видеосистемах [Текст] / А.А. Орлов // Методы и устройства передачи и обработки информации: Межвуж. сб. науч. тр. - Муром: ИПЦ МИ ВГУ, 2007. С.121-125.

30. Орлов, А.А. Реализация интегральных преобразований двумерных сигналов по кривым [Текст] / А.А. Орлов // Радиотехника. - 2007, №6. С.52-54.

31. Орлов, А.А. Определение кривизны позвоночника по рентгеновскому снимку [Текст] / А.А. Орлов // Биотехнические, медицинские и экологические системы и комплексы. Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов. - Рязань: РГРА, 1998. С.45-46.

32. Орлов, А.А. Методы и алгоритмы обработки и выделения структурных элементов полутоновых изображений на основе преобразования Хоха [Текст] / А.А. Орлов // Автореферат на соискание ученой степени кандидата технических наук. - СПб.: СПИИРАН, 2001. 16c.

33. Орлов, А.А. Преобразования Хоха для отрезков [Текст] / А.А. Орлов // Методы и системы обработки информации: Сборник научных статей в 2-х частях.

- М.: Горячая линия - Телеком, 2004, Часть 2. С.82-88.

34. Орлов, А.А. Выделение полосовых объектов на цифровых изображениях [Текст] / А.А. Орлов // Труды 2-й Международной конференции Составляющие научно-технического прогресса. - Тамбов, 2006. С. 202Ц204.

35. Орлов, А.А. Выделение полосовых образов заданного профиля на цифровых изображениях [Текст] / А.А. Орлов // IX международная конференция "Интеллектуальные системы и компьютерные науки". - Москва, 2006. C.218-221.

36. Orlov, A.A. Calculation of curvature of the brightness swing lines on the digital images [Текст] / A.A. Orlov // Международная научная конференция "Информационные системы и технологии" (IST'2006). - Белорусь, Минск, Лицей БГУ, 2006. C. 47-52.

37. Орлов, А.А. Поиск угловых точек изображений как областей яркостных перепадов [Текст] / А.А. Орлов // Информационно-вычислительные технологии и их приложения: сборник статей V Международной научно-технической конференции. - Пенза: РИО ПГСХА, 2006. С. 243-246.

38. Жизняков, А.Л. Фильтрация локальных неоднородностей двумерных сигналов на основе вейвлет-преобразования [Текст] / А.Л. Жизняков, А.А. Орлов // Радиотехника. - 2006, №6. С.99-100. (л. вк.50%) 39. Sadykov, S.S. The Hough transform in processing and analysis of the digital grayscale images [Текст] / S.S. Sadykov, A.A. Orlov // Proceedings of Sixth International Conference. Pattern recognition and information processing PRIPТ2001. - Minsk, Republic of Belarus, 2001, Vol. 2, May. pp. 47-52. (л. вк.50%) 40. Орлов, А.А. Применение преобразования Хоха для обнаружения и идентификации объектов на изображениях [Текст] / А.А. Орлов, Е.М. Залазинская // Методы и устройства передачи и обработки информации: Межвуж. сб. науч. Тр.

- СПб.: Гидро-метеоиздат, 2002. С.103-107. (л. вк.50%) 41. Орлов, А.А. Вычисление кривизны линии яркостных перепадов на цифровых изображениях [Текст] / А.А. Орлов, А.В. Чернов // Системы и методы обработки и анализа информации. Сборник научных статей. - М: Горячая линия - Телеком, 2005. С.55-60. (л. вк.50%) 42. Орлов, А.А. Анализ изображений на основе интегральных преобразований по неаналитическим кривым [Текст] / А.А. Орлов, Д.Б. Зацепин // Алгоритмы и методы обработки и анализа информации. Сборник научных статей. - М: Горячая линия - Телеком, 2006. С.9-14. (л. вк.50%) 43. Орлов, А.А. Фильтрация полосовых образов прямоугольного профиля [Текст] / А.А. Орлов, А.А. Ермаков // Управление созданием и развитием систем, сетей и устройств телекоммуникаций:Труды научно-практической конференции. - СПб.: СПбГПУ, 2008. С.138-143. (л. вк.50%) 44. Орлов, А.А. Применение интегральных преобразований по линиям в обработке изображений [Текст] / А.А. Орлов, С.С. Садыков, А.А. Ермаков // Распознавание - 2008: сб.материалов VIII Междунар.конференции. - Курск: Курск.

гос. тех. ун-т., 2008, Ч.2. С.36-37. (л. вк.40%) 45. Орлов, А.А. Распознавание контуров с помощью преобразования Хоха [Текст] / А.А. Орлов // Биотехнические, медицинские и экологические системы и комплексы. Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов. - Рязань: РГРА, 1998. С.43-44.

46. Орлов, А.А. Обнаружение прямоугольных сегментов линий как частей контуров изображений [Текст] / А.А. Орлов // Радиотехника, телевидение и связь.

Межвузовский сборник научных трудов, посвященный 110-летию В.К. Зворыкина.

- Муром: ИПЦ МИ ВГУ, 1999. С. 145-149.

47. Орлов, А.А. Восстановление полутоновых изображений из контурного препарата [Текст] / А.А. Орлов // Нейроинформатика и ее приложения: Материалы VIII Всероссийского семинара. 6-8 октября 2000 года. - Красноярск: ИПЦ КГТУ, 2000. С.126-127.

48. Орлов, А.А. Выделение границ на полутоновых изображениях на основе одномерного анализа перепада яркости [Текст] / А.А. Орлов // Оптикоэлектронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание 2001. 5-я Международная конференция. - Курск: КГТУ, 2001. С.41-43.

49. Орлов, А.А. Измерение шума и выбор порога квантования градиентных изображений [Текст] / А.А. Орлов // Научные труды муромских ученых.

Материалы 35-й научно-технической конференции преподавателей, сотрудников и аспирантов по итогам работы за 1999 год. - Муром: ИПЦ МИ ВГУ, 2001. С.44-45.

50. Андрианов, Д.Е. Модификация фильтра Рампони для подавления спеклшума на медицинских изображениях [Текст] / Д.Е. Андрианов, А.А. Орлов // Обработка и анализ данных. - Ташкент: НПО Кибернетика АН РУз, 1998. С. 2125. (л. вк.50%) 51. Орлов, А.А. Определение геометрических характеристик контуров на полутоновых изображениях [Текст] / А.А. Орлов, Е.М. Залазинская // Методы и устройства передачи и обработки информации: Межвуж. сб. науч. Тр. - СПб.:

Гидро-метеоиздат, 2002. С.93-97. (л. вк.50%) 52. Орлов, А.А. Алгоритм контурного обнаружения объектов на полутоновых изображениях [Текст] / А.А. Орлов, А.М. Ерин // Данные, информация и их обработка: Сборник научных статей. - М.: Горячая линия - Телеком, 2002. С.9-14.

(л. вк.50%) 53. Orlov, A.A. The edge detection of images in the digital gray-scale pictures using the Hough transform [Текст] / A.A. Orlov, S.S. Sadykov // Proceedings of Seventh International Conference. Pattern recognition and information processing PRIPТ2003. - Minsk, Republic of Belarus, 2003, Vol. 2, May. pp.80-85. (л. вк.50%) 54. Орлов, А.А. Вычисление градиента яркости на цифровых изображениях [Текст] / А.А. Орлов, Е.М. Сафронов // Системы и методы обработки и анализа информации. Сборник науч. статей - М: Горячая линия - Телеком, 2005. С.50-55.

(л. вк.50%) 55. Орлов, А.А. Алгоритм градиентного интегрального преобразования по сегменту [Текст] / А.А. Орлов, М.И. Ткачук // Материалы международная научнопрактическая конференция "Перспективные разработки науки и техники - 2006".

- Днепропетровск: Наука i освiтa, 2006. С.94-96. (л. вк.50%) 56. Орлов, А.А. Полуавтоматическое распознавание и анализ объектов на медицинских изображениях [Текст] / А.А. Орлов // Биотехнические, медицинские и экологические системы и комплексы. Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов. - Рязань: РГРА, 1999. С.

37-38.

57. Орлов, А.А. Применение преобразования Хоха для обработки и анализа медицинских изображений [Текст] / А.А. Орлов, С.С. Садыков // Компьютерные технологии обработки и анализа данных. - Ташкент: НПО Кибернетика АН РУз, 2000. С.74-78.

58. Орлов, А.А. Выделение однородных областей на медицинских изображениях [Текст] / А.А. Орлов // Современные проблемы информации в непромышленной сфере и экономике. Труды V Международной электронной конференции. - Воронеж, 2000. С. 92-93.

59. Орлов, А.А. Функции зрения человека и машины для детектирования объектов на изображениях [Текст] / А.А. Орлов // Информационные технологии в проектировании, производстве и образовании: Сборник трудов Российской научно-технической конференции. - Ковров: КГТА, 2002. С.48-49.

60. Орлов, А.А. Выделение текста на цифровых изображениях рукописей с помощью интегрального преобразования по сегменту полосы [Текст] / А.А. Орлов // Информокоммуникационные технологии в науке, производстве и образовании:

Вторая международная научно-техническая конференция. - Ставрополь: СевероКавказский государственный технический университет, 2006. С. 136-137.

61. Орлов, А.А. Разработка детектора полосы и его исследование на реальных цифровых изображениях [Текст] / А.А. Орлов // Международная научнотехническая конференция. Измерение, контроль, информатизация. - Барнаул:

Алтайский государственный технический университет Им. И.И. Ползунова, 2006.

С. 224Ц225.

62. Орлов, А.А. Исследование детектора полосы на модели яркостного перепада [Текст] / А.А. Орлов // Информационные технологии и математическое моделирование: Материалы V международной научно-практической конференции. - Томск: Из-во Том.ун-та, 2006, Ч.2. С.42-43.

63. Орлов, А.А. Синтез полосовых образов [Текст] / А.А. Орлов // Научная секция ТУСУР-2007: Материалы докладов Всеросийской научно-технической конференции. Тематический выпуск "Системная интеграция и безопасность". - Томск: Из-во "В-Спектр", 2007, Ч.4. С.154-156.

64. Андрианов, Д.Е. Исследование точности измерения параметров объектов на многомерных сигналах [Текст] / Д.Е. Андрианов, А.А. Орлов // Управление в технических системах: Материалы научно-технической конференции. - Ковров:

КГТА, 1998. С. 78-80. (л. вк.50%) 65. Орлов, А.А. Применение преобразования Хоха для выделения и подавления изображений ребер на флюорограммах [Текст] / А.А. Орлов, С.С. Садыков, А.Л.

Жизняков // 5-я международная конференция распознавание образов и анализ изображений: новые информационные технологии (РОАИ-5-2000). Труды конференции. Том 3. Прикладные задачи в системах распознавания образов и обработки изображений. - Самара: СГТУ, 2000. С.584-588. (л. вк.50%) 66. Orlov, A.A. Analysis and syntheses of the rift images [Текст] / A.A. Orlov, S.S.

Sadykov // 8th International Conference УPattern Recognition and Image Analysis: New Information TechologiesФ (PRIA-8-2007): Conference Proceedings. - Yoshkar-Ola:

MarGTU, 2007, Vol.1. C.348-350. (л. вк.50%) 67. Орлов, А.А. Обзор проблемы обработки изображений карт [Текст] / А.А.

Орлов, М.И. Ткачук // Алгоритмы, методы и системы обработки данных: Сборник научных статей. - М.: ООО Центр информационных технологий, 2007. С.143148. (л. вк.50%) 68. Орлов, А.А. Выделение дефектов на цифровых изображениях с помощью преобразования Хоха для отрезков [Текст] / А.А. Орлов // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2005. - Курск: КГТУ, 2005. С.41-43.

69. Орлов, А.А. Метод анализа линейчатых структур на цифровых дефектоскопических изображениях [Текст] / А.А. Орлов // Труды международного симпозиума Надежность и качествоТ2008. - Пенза: ПГУ, 2008. С.376-380.

70. Яковлев, А.В. Методы автоматического анализа удельной поверхности границ зерен или фаз в сплаве [Текст] / А.В. Яковлев, А.А. Орлов // Компьютерные технологии обработки и анализа данных. - Ташкент: НПО Кибернетика АН РУз, 2000. С.69-73. (л. вк.50%) 71. Орлов, А.А. Метод предобработки рентгеновского снимка сварного шва для последующего анализа на наличие дефектов сварных элементов [Текст] / А.А.

Орлов, Д.Б. Зацепин // Информационно-вычислительные технологии и их приложения: сборник статей VI Международной научно-технической конференции. - Пенза: РИОПГСХА, 2007. С.135-137. (л. вк.50%) 72. Орлов, А.А. Выделение линейчатых образов в капиллярной дефектоскопии [Текст] / А.А. Орлов, А.А. Ермаков // Алгоритмы, методы и системы обработки данных: Сборник научных статей. - М.: ООО Центр информационных технологий, 2007. С.138-143. (л. вк.50%) 73. Орлов, А.А. Методика компьютерного анализа образов в капиллярной дефектоскопии [Текст] / А.А. Орлов, А.А. Ермаков // Современные проблемы науки: Сборник материалов 1-й международной научно-практической конференции. - Тамбов: Издательство: ТАМБОВПРИНТ, 2008. C.191-193. (л.

вк.50%) 74. Orlov, A.A. Processing the band images on the defectoscopic pictures [Текст] / A.A. Orlov, S.S. Sadykov, A.A. Ermakov // 9th Internat. Conf. УPattern Recognition and Image Analysis: New Information TechologiesФ (PRIA-9-2008): Conference Proceedings. - Nizhny Novgorod: NNSU, 2008, V.2. P.104-106. (л. вк.40%) Авторефераты по всем темам  >>  Авторефераты по техническим специальностям