Алгоритмы цифровой обработки дефектоскопических изображений на основе признаков самоподобия

• Автор: Привезенцев, Денис Геннадьевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Владимир
• Количество страниц: 163 с. : ил.

ВВЕДЕНИЕ
ГЛАВА 1. ОБЗОР И АНАЛИЗ МЕТОДОВ И АЛГОРИТМОВ ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ФРАКТАЛЬНЫХ ПРИЗНАКОВ

1.1 Понятие цифровой обработки изображений

1.2 Задачи и методы цифровой обработки изображений

1.3 Признаки изображений.

1.4 Современное состояние фрактальных методов цифровой обработки изображений

1.4.1 Фрактальный анализ изображений

1.4.2 Анализ фрактальных характеристик изображений

1.4.3 Фрактальное кодирование и сжатие изображений

1.4.4 Фрактальное удаление шумов на изображениях

1.4.5 Сегментация полутоновых изображений с использованием фрактальных характеристик

1.4.6 Распознавание образов на изображениях.
1.4.7 Фрактальный анализ изображений в металлографии
1.4.8 Фрактальная оценка количества и размеров объектов на изображении
1.4.9 Систематизация фрактальных параметров цифровых изображений .
1.5 Анализ возможностей применения фрактальных методов в
промышленных системах обработки изображений
ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ
ГЛАВА 2. РАЗРАБОТКА ФРАКТАЛЬНЫХ ПРИЗНАКОВ ДЛЯ ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ.
2.1 Разработка фрактальной модели изображения
2.2 Структура фрактальных параметров цифрового изображения.
2.3 Сравнение фрактальных параметров изображений.

2.4 Характеристики изображений, вычисляемые с использованием фрактальной модели.
2.5 Распределение самоподобия на цифровом изображении
2.6 Характер распределения самоподобия цифрового изображения
2.7 Получение характерных участков цифрового изображения с использованием фрактальной модели
2.8 Систематизация разработанных фрактальных признаков цифрового изображения
2.9 Обнаружение нехарактерных участков на изображении на основе анализа характерных участков.
2. Вычисление разности изображений на основе фрактальной модели
2. Формирование фрактального представления изображения.
ВЫВОДЫ ПО ГЛАВЕ
ГЛАВА 3. ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ ИСПОЛЬЗОВАНИЯ РАЗРАБОТАННЫХ ФРАКТАЛЬНЫХ ПРИЗНАКОВ В ЦИФРОВОЙ ОБРАБОТКЕ ИЗОБРАЖЕНИЙ
3.1 Формирование тестовых изображений с заданными фрактальными характеристиками.
3.2 Исследование инвариантности фрактальных параметров к изменению яркости исходного изображения
3.3 Исследование инвариантности фрактального кодирования к изменению контраста исходного изображения
3.3 Исследование инвариантности фрактальных параметров к шуму
3.4 Исследование инвариантности оценок фрактальных размерностей цифровых изображений.
3.5 Исследование характера распределения самоподобия для изображений одного и разных классов
3.6 Исследование характерных участков для изображений одного и разных классов
3.7 Исследование алгоритма вычисления разности изображений по их фрактальным признакам.
3.8 Исследование алгоритма обнаружения нехарактерных участков
ВЫВОДЫ ПО ГЛАВЕ 3.
4.1 Обработка и анализ снимков поверхности металлопроката
4.1.1 Актуальность проблемы цифровой обработки и анализа дефектоскопических изображений
4.1.2 Классификация дефектов поверхности проката.
4.1.3 Описание автоматизированной системы обнаружения дефектов листового проката.
4.1.4 Анализ дефектоскопических изображений листового проката
4.2 Структура библиотеки программ алгоритмов.
4.3 Анализ возможностей построения автоматизированной информационной системы контроля качества изделий
4.4 Анализ возможностей разработки аппаратных средств анализа
дефектоскопических изображений
ВЫВОДЫ ПО ГЛАВЕ 4.
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Для решения задач сегментации, распознавания изображений и поиска по базам данных, часто необходимо выделять ряд характеристик изображения, уникальным образом его определяющих. Построение описания изображения на основе его представления с использованием признаков является одной из наиболее сложных задач в процессе построения любой системы распознавания. При этом, если в рамках некоторых математических моделей удалось формализовать процесс классификации, то процесс выбора признаков до сих пор остается процедурой эвристической и зависимой как от предметной области, так и от разработчика. В то же время, можно выделить несколько основных групп признаков, наиболее часто используемых при решении задач классификации 3,2. К группе геометрических можно отнести признаки, расчет которых основан на использовании геометрических характеристик представленных на изображении объектов. К таким признакам относят различные размеры объектов, их площади, расстояния между объектами и др. Достаточно часто используются признаки, связанные с представлением формы или структуры объекта контура, остовы и скелеты срединные оси. Следующая группа признаков характеризует топологические свойства изображений. К ним относятся число связных компонент, число дыр в объекте, число Эйлера и т. Весьма часто при распознавании используются статистические признаки. При этом функция яркости изображения рассматривается как реализация случайного процесса. В этом случае признаками изображения являются числовые характеристики процесса. Различают яркостные, текстурные, энергетические признаки, а также признаки, основанные на стохастической геометрии 4. К спектральным, относятся признаки, вычисляемые на основе спектрального подхода к представлению изображения и основанные на выполнении преобразований Карунена Лоэва, Фурье, косинусного, Радона и др. Выбор и специфика использования данных признаков во многом определяется свойствами конкретной задачи. Одним из развивающихся направлений в цифровой обработке изображений является фрактальный анализ изображений. Развитию этого направления способствует тот факт, что большинство изображений в некоторой степени можно считать фракталом или мультифракталом 2. Поэтому, любое изображение обладает свойствами и характеристиками фрактальных объектов, в том числе инвариантностью к масштабу рассмотрения и повороту, что целесообразно использовать для разработки новых методов фрактальной обработки изображений. Под фракталом понимается структура или образование, которое обладает следующими свойствами 9,3,4 самоподобие и дробная размерность. Мультифракталы или псевдофракталы это неоднородные фрактальные объекты, для полного описания которых, в отличие от фракталов, недостаточно использовать одну фрактальную размерность ,. Поэтому для описания мультифракталов используют целый спектр фрактальных размерностей. Это связано с тем, что кроме геометрических характеристик, мультифракталы обладают статистическими свойствами. Фактически, мультифрактал это объект, который можно какимто образом разделить на части, для каждой из которых наблюдается самоподобие. Самоподобие, как основное свойство фракталов означает, что он единообразно устроен в широком диапазоне масштабов. Однако для реального объекта существует минимальный и максимальный масштабы, ограничивающие область самоподобия, вне пределов которой самоподобие пропадает . Самоподобие может быть полным, при этом фрактал является регулярным, либо может наблюдаться элемент случайности, в этом случае фракталы называются случайными 1. Большинство изображений не являются полностью самоподобными, однако отдельные их участки обладают выраженными фрактальными признаками, в частности самоподобием. Т.е. И, следовательно, для некоторых участков свойство подобия будет более выраженным, для других менее выраженным. Поэтому, представляет интерес исследовать свойство самоподобия, с целью выявления его характера и распределения. Для этого необходимо разработать алгоритмы оценки свойства и алгоритмы представления его в виде гистограммы, диаграммы или иными способами. При описании свойств фракталов важную роль играет его размерность.