Разработка процедур автоматизированного выбора методов анализа и цифровой обработки изображений при решении задач дефектоскопии

Размещено на http://www.allbest.ru/

Разработка процедур автоматизированного выбора методов анализа и цифровой обработки изображений при решении задач дефектоскопии

Алексанин Сергей Андреевич

аспирант, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики

197101, Россия, г. Санкт-Петербург, Конверкский проспект, 49

Аннотация

В данной работе объектом исследования являются разработанные процедуры автоматизированного выбора методов анализа и цифровой обработки изображений, которые применяются при создании проблемно-ориентированных подсистем, в частности при решении задач дефектоскопии. Актуальность представленной задачи обусловлена все возрастающими требованиями к техническим характеристикам современного оборудования, используемого в области медицины, освоения космоса, информационных технологий и так далее. А отсюда вытекает актуальность задачи создания процедур автоматизированного выбора методов цифровой обработки и анализа изображений, используемых при решении задачи дефектоскопии. Представленные автоматизированные процедуры автоматизированного выбора методов анализа и цифровой обработки изображений разрабатывались на базе современных методов цифровой обработки изображений Основным результатом представленных исследований разработанных процедур автоматизированного выбора методов цифровой обработки изображений для решения задач дефектоскопии является то, что при помощи данных процедур оператор, в зависимости от квалификации, может значительно улучшить качество цифровых фотографий. А это приведет к более качественной идентификации дефектов, что, в свою очередь, позволит выдержать все заданные технические требования к выпускаемой продукции.

Ключевые слова: РАЗМЫТИЕ ИЗОБРАЖЕНИЯ, СВЕРТКА, МАСКА ЛАПЛАСА, ВИНЕРОВСКАЯ ФИЛЬТРАЦИЯ, ДЕФЕКТОСКОПИЯ, ОБРАБОТКА ИЗОБРАЖЕНИЙ, ОБНАРУЖЕНИЕ ГРАНИЦ, МОРФОЛОГИЧЕСКАЯ ФИЛЬТРАЦИЯ, СГЛАЖИВАНИЕ ИЗОБРАЖЕНИЯ, УСТРАНЕНИЕ СМАЗА

автоматизированный цифровой обработка изображение

Aleksanin Sergei Andreevich

graduate student, St. Petersburg State University of Information Technologies, Mechanics and Optics

197101, Russia, Saint Petersburg, Kronverkskii Prospekt, 49

Aleksanin@diakont.com

Abstract.

In the article the author presents developed procedures of automated automated selection of methods of analysis and digital processing of images, used when creating domain-specific subsystems, in particular for defectoscopy. The relevance of the problem is caused by ever-increasing requirements for technical characteristics of modern equipment used in medicine, space exploration, information technology, etc. And this implies the urgency of the task of creating functions of automated selection of methods for digital image processing and analysis in defectoscopy. The described automated procedures for choosing methods for digital image processing and analysis were developed on the basis of modern methods of digital image processing. The main results of the present research of procedures for automated selection of digital image processing solutions for the problems of defectoscopy is that the use of this procedures, depending on qualification, can significantly improve the quality of digital photos. This will lead to better identification of defects, which in turn will allow to withstand all specified technical requirements for manufactured products.

Keywords:

morphological filtering, image processing, defectoscopy, Wiener filtration, Laplace's mask, convolution, blur image, edge detecion, smoothed image, deblurring

Применение методов цифровой обработки изображений (ЦОИ) при решении задачи обнаружения дефектов на дефектоскопических изображениях c вычислением геометрических характеристик является крайне актуальным, что связано с ужесточением требований к качеству, надежности и долговечности изделий.

Очевидно, что многообразие типов дефектов и причин их возникновения обусловливает существенные различия их форм и размеров. Изображения многих дефектов характеризуются недостаточной резкостью и контрастностью. Кроме того, следует учитывать и количество дефектов. Всё это существенно снижает обнаружение дефектов и требует использования алгоритмов и учитывающих эти проблемы методов выявления дефектов.

В настоящее время еще очень часто для эффективного применения существующих методов дефектоскопии необходимы достаточно большие затраты человеческого труда, затрачиваемые на обработку результатов обследования изделий. Это связано, например, с недостаточно хорошим качеством полученных дефектоскопических изображений. Естественно это приводит к снижению скорости и качеству контроля.

Но тем не менее, уже существуют средства на базе современной вычислительной техники (ВТ), математического и программного обеспечения (ПО), позволяющие автоматизировать многие рутинные операции по анализу и расшифровке дефектоскопических снимков [1].

При автоматизированной ЦОИ общую задачу дефектоскопии целесообразно разделить на ряд целевых задач, например: реконструкция изображений, обнаружение объектов и изменений в сцене наблюдения, высокоточные измерения элементов сцены, самоориентация и самопозиционирование [2] Понятно, что для решения конкретной целевой задачи необходимо использовать подходящие методы. А отсюда вытекает актуальность задачи по разработке процедур автоматизированного выбора методов ЦОИ, входящих в состав диагностических комплексов.

Постановка задачи улучшения изображения

Надежная идентификация дефектов напрямую зависит от качества анализируемого изображения. Низкое качество может привести к неправильной идентификации или к недостоверному определению характеристик дефектов. В связи с этим надежное качество улучшения подобных изображений является важной задачей, которую необходимо решать в условиях слабой контрастности и низкой резкости изображений.

Улучшение изображения - это процесс манипулирования изображением, в результате которого оно становится более подходящим для конкретного применения, чем оригинал. Здесь важно слово “конкретного”, поскольку оно с самого начала устанавливает, что методы улучшения изображений являются проблемно-ориентированными [3]. Так, например, метод, который весьма полезен для улучшения рентгеновских изображений, может оказаться не лучшим подходом для улучшения спутниковых изображений, снятых в инфракрасном диапазоне электромагнитного спектра.

Общей теории улучшения изображений не существует. Если изображение обрабатывается с целью визуальной интерпретации, то оценку, насколько хорошо работает конкретный метод, дает в конечном счете наблюдатель. Методы улучшения настолько разнообразны и используют так много различных подходов к обработке изображения, что трудно собрать осмысленную совокупность подходящих для улучшения методов в одной статье, не проводя отдельное обширное исследование [4].

Достаточно часто для улучшения изображений используют термин фильтрация, понимая при этом не только удаление или компенсацию шумов и помех, но и непосредственно выделение из изображения информации о характеристиках локально неоднородных объектов [5].

Все представленные ниже процедуры была разработаны и протестированы при помощи систем компьютерной алгебры MATLAB или Maple [6-10]. Кроме того, при разработке процедур были использованы методы автоматизированного проектирования [9,11].

Процедура выбора параметров при Винеровской фильтрации

Винеровский фильтр (ВФ), названный по имени Н. Винера, который предложил данный подход, - это один из самых первых разработанных методов восстановления изображений. При помощи ВФ вычисляется приближение, минимизирующее среднеквадратическое отклонение:

,

где M - математическое ожидание, f - исходное изображение.

В частотной области формула для решения этой экстремальной задачи выглядит так:

где H (u,v ) - искажающий оператор (функция);

G (u,v ) - Фурье-образ искаженного изображения;

H* (u,v ) - комплексно-сопряженная функция H (u,v );

- энергетический спектр шума;

- спектр неискаженного изображения;

- энергетическое соотношением шум/сигал (NSPR Noise-to-Signal Power Ratio).

Из определения NSPR видно, что если для любых u и v , то NSPR тоже равно нулю. В этом случае ВФ переходит в инверсный фильтр.

В представленной ниже разработанной процедуре автоматизированного выбора параметров ВФ будут участвуют две величины:

- средняя энергия шума;

- средняя энергия изображения.

Величины M и N равны размерностям матрицы изображения или шума.

Из определения величин и следует, что они скаляры. Их отношение можно использовать при построении постоянной матрицы, в которой заменяют . В этом случае, даже не зная истинное NSPR, можно в интерактивном режиме, экспериментально изменяя константу , наблюдать за результатами восстановления. Такой метод носит название - параметрический винеровский фильтр.

Блок-схема алгоритма автоматизированного выбора параметров ВФ, объединяющего параметрический ВФ и NSPR представлена на Рис. 1.

Процедура выбора параметров маски Лапласа

Оператор Лапласа изображения можно записать так:

(1)

Так как изображение представляется дискретной функцией, то в качестве приближений (1) используются различные формулы, например:

Отсюда следует, что:

и соответствующая маска Лапласа имеет вид:

Кроме того, в практике ЦОИ применяются следующие фильтры (маски) высоких частот Лапласа:

Если качество восстановленного изображения не устраивает оператора, то он может выбрать следующую маску:

В этом случае, оператор в интерактивном режиме подбирает подходящий параметр Размещено на http://www.allbest.ru/

для более “тонкой” настройки.

Блок-схема алгоритма автоматизированного выбора маски Лапласа представлена на Рис.2.

Заключение

В работе представлены процедуры автоматизированного выбора методов ЦОИ для решения задач дефектоскопии. При помощи данных процедур оператор, в зависимости от квалификации, может значительно улучшить качество цифровых фотографий [12, 14]. А это приведет к более качественной идентификации дефектов, что, в свою очередь, позволит выдержать все заданные технические требования к выпускаемой продукции.

Библиография

1. Гонсалес Г., Вудс Р. Цифровая обработка изображений. -- М.: Техносфера, 2006. 1072 с.

2. Гришенцев А.Ю., Коробейников А.Г. Методы и модели цифровой обработки изображений.-Санкт-Петербург: Политехнический университет, 2014.-190 с.-ISBN 978-5-7422-4892-7.

3. Сидоркина И.Г., Кудрин П.А., Коробейников А.Г. Алгоритм распознавания трехмерных изображений с высокой детализацией. Вестник Марийского государственного технического университета. Серия: Радиотехнические и инфокоммуникационные системы - Йошкар-Ола: Марийский государственный технический университет - 2010.-№2(9). - С. 91-98.

4. Малла, С. Вэйвлеты в обработке сигналов / С. Малла; пер.- М.: Мир, 2005.- 671 с.: ил.

5. Басараб М.А., Волосюк В.К., Горячкин О.В. Цифровая обработка сигналов и изображений в радиофизических приложениях./ Под ред. Ф.В. Кравченко. - М.: ФИЗМАТЛИТ, 2007. - 544 с.

6. Коробейников А.Г. Разработка и анализ математических моделей с использованием MATLAB и MAPLE-СПб: СПбГУ ИТМО, 2010. 144 с.

7. Коробейников А.Г. Проектирование и исследование математических моделей в средах MATLAB и MAPLE.-Санкт-Петербург: СПбГУ ИТМО, 2012.-160 с.

8. Коробейников А.Г., Гришенцев А.Ю. Разработка и исследование многомерных математических моделей с использованием систем компьютерной алгебры // СПбНИУ ИТМО.-Санкт-Петербург: СПбНИУ ИТМО, 2013.-100 с.

9. Коробейников А.Г. Математическое моделирование. Проектирование и анализ многомерных математических моделей с применением систем компьютерной алгебры // LAP LAMBERT Academic Publishing.-2014.-125 с.-ISBN 978-3-659-16593-1

10. Коробейников А.Г., Ахапкина И.Б., Безрук Н.В., Демина Е.А., Ямщикова Н.В. Применение системы компьютерной алгебры Maple в обучении проектированию и анализу многомерных математических моделей // Информатика и образование.-Москва: ООО "Образование и информатика", 2014.-Вып. 253.-№ 4.-ИТК в предметной области.-С. 69-75.-ISSN 0234-0453.-URL: http://www.infojournal.ru.

11. Коробейников А.Г. Методы автоматизированного проектирования// LAP LAMBERT Academic Publishing.-2011.-250 с.-ISBN 978-3-8465-1652-2.

12. Гришенцев А.Ю., Коробейников А.Г. Улучшение сходимости метода конечных разностей с помощью вычисления промежуточного решения // Научно-технический вестник информационных технологий, механики и оптики.-Санкт-Петербург: СПбНИУ ИТМО, 2012.-Вып. 3.-№ 79.-С. 124-127.-158 с.-ISSN 2226-1494.

13. Гришенцев А.Ю., Коробейников А.Г. Декомпозиция n-мерных цифровых сигналов по базису прямоугольных всплесков // Научно-технический вестник информационных технологий, механики и оптики.-Санкт-Петербург: СПбНИУ ИТМО, 2012.-Т. 80, вып. 4.-Компьютерные системы и информационные технологии.-С. 75-79.-170 с.-ISSN 2226-1494.

14. Коробейников А.Г., Гришенцев А.Ю. Увеличение скорости сходимости метода конечных разностей на основе использования промежуточного решения // Кибернетика и программирование. - 2012. - 2. - C. 38 - 46. URL: http://www.e-notabene.ru/kp/article_13864.html

Размещено на Allbest.ru