Методы решения задачи попиксельной S-аппроксимации мультитоновых изображений и их оптимизация

• Автор: Скляренко, Анна Анатольевна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Ростов-на-Дону
• Количество страниц: 239 с. : ил.

ВВЕДЕНИЕ
1 АППРОКСИМИРУЮЩЕЕ ПРЕОБРАЗОВАНИЕ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ КАК МЕТОД ИХ ПОДГОТОВКИ К ЗАДАЧАМ РАСПОЗНАВАНИЯ

1.1 Прикладные задачи распознавания изображений

1.1.1 Компьютерное зрение

1.1.2 Использование распознавания изображений в машиностроение

1.1.3 Задача распознавания изображений в геодезии и геологии.

1.1.4 Использование распознавания изображений в медицине.

1.1.5 Проблемы решения задачи распознавания изображений

1.1.6 Описание задачи обработки распознаваемых изображений.

1.2 Задача предобработки распознаваемых изображений

1.2.1 Предобработка изображения

1.2.2 Структура кодирования цветного изображения.
1.2.3 Матричная модель пиксельного изображения.
1.2.4 Упрощение полутоновых изображений в
1.3 Сегментация полутоновых изображений
1.3.1 Постановка задачи сегментации изображений
1.3.2 Методы сегментации.
1.3.3 Постановка задачи оптимальной аппроксимации изображений
1.4 Анализ возможностей методов поисковой оптимизации применительно к задаче построения оптимального упрощенного изображения.
1.4.1 Классификация методов оптимизации
1.4.2 Сравнительный анализ методов оптимизации.
1.5 Эвристические методы как универсальный инструмент поисковой оптимизации
1.5.1 Понятие эвристических методов
1.5.2 Генетические алгоритмы.
1.5.3 Метод колонии муравьев.
1.5.4 Метод роящихся частиц.
1.6 Исследование возможностей и особенностей КМРЧ для решения задач поисковой оптимизации.
1.6.1 Обзор канонического метода роящихся частиц
1.6.2 Анализ возможностей канонического метода роящихся частиц при исследовании функции Химмсльблау на экстремумы
1.7 Выводы по первой главе
2 АЛГОРИТМЫ БА ПГ1РОКС ИМ А ЦИ И МУЛЬТИТОНОВЫХ ИЗОБРАЖЕНИЙ.
2.1 Структурирование изображений на основе метода Баппроксимации
2.1.1 Сущность аппроксимации изображений
2.1.2 Критериальная оценка результатов Баппроксимации
2.1.3 Критерий эффективности Баппроксимации на основе опорной СКОоценки
2.2 Приближенная эаппроксимация изображения на основе его частотной диаграммы яркостей
2.2.1 Общая характеристика задачи формирования изображения в этоновой палитре.
2.2.2 Алгоритм прямого деления частотной диаграммы яркости
2.2.3 Алгоритм взвешенного деления частотной диаграммы яркости .
2.2.4 Алгоритм доминирования опорной яркости на основе ЧДЯ
2.2.5 Анализ альтернативных возможностей повышения эффективности аппроксимации.
2.3 Приближенная Баппроксимация изображения на основе интегральной диаграммы яркостей
2.3.1 Интегральная диаграмма яркости
2.3.2. Алгоритм прямого деления интегральной диаграммы яркости
2.3.3 Алгоритм доминирования опорной яркости на основе ИДЯ
2.3.4 Алгоритм зеркального отображения опорных яркостей
2.3.5 Гибридные алгоритмы Баппроксимации
2.4 Сравнительный анализ эвристических алгоритмов Баппроксимации на статистически значимой выборке мультитоновых изображений.
2.4.1 Описание библиотеки изображений.
2.4.2 Влияние величины Б на выбор алгоритма аппроксимации заданного изображения.
2.4.3 Влияние величины 5 на выбор алгоритма аппроксимации множества изображений.
2.4.4 Расчет степени лидерства алгоритма Баплроксимации над другими алгоритмами.
2.5. Оптимизация Баппроксимации изображений методом свободных границ.
2.5.1 Аксиома Баппроксимации.
2.5.2 Алгоритм равноудаленности границ
2.5.3 Модифицированный алгоритм равноудаленности границ.
2.6 Выводы по второй главе.
3 ПАРАМЕТРИЧЕСКАЯ ОПТИМИЗАЦИЯ ОБОБЩЕННОГО АЛГОРИТМА 8А1ШРОКСИМАЦИИ МУЛЬТИТОНОВЫХ ИЗОБРАЖЕНИЙ
3.1 Предметная ориентация метода роящихся частиц под задачу оптимизации Баппроксимации
3.1.1 Анализ особенностей исходного канонического метода роящихся частиц
3.1.2 Концептуальная усовершенствованная структура модели роя
3.1.3 Структура роя и ее построение иод задачу оптимизации Баппроксимации.
3.1.4 Постановка задачи поведенческой модифицикации метода роящихся частиц
3.2 Структурнопараметрическая модификация метода роящихся частиц .
3.2.1 Описание путей модификации исходного метода роящихся частиц
3.2.2 Математическая модель метода деления роев
3.2.3 Алгоритмическая модель метода деления роев.
3.3 Исследование метода деления роев при решении математических задач .
3.3.1 Общая постановка задачи
3.3.2 Описание схемы полнофакторного эксперимента
3.3.3 Анализ эффективности применения МДР для поиска экстремумов одномерной функции
3.3.4 Анализ эффективности применения МДР для поиска экстремумов двумерной функции.
3.4 Исследование метода деления роев при решении задачи оптимизации аппроксимации мультитоновых изображений
3.4.1 Постановка задачи
3.4.2 Исследование эффективности применения метода деления роев для оптимизации аппроксимации.
3.5 Применение метода делящихся роев для решения задачи распознавания образов
3.5.1 Предметная ориентация МДР под задачу распознавания зерен.
3.5.2 Результаты применения предметно ориентированного МДР для распознавания зерен.
3.6 Выводы по третьей главе.
4ПРОГРАММНЫЙ КОМПЛЕКС II ПОПИКСЕЛЬНОЙ АППРОКСИМАЦИИ МУЛЬТИТОНОВЫХ ИЗОБРАЖЕНИЙ.
4.1 Общая характеристика программного комплекса Ii.
4.1.1 Функциональное назначение программного комплекса Ii
4.1.2 Концептуальная схема функционирования программного комплекса Ii.
4.1.3 Структура программного комплекса Ii.
4.1.4 Объектноориентированная модель модуля xii.
4.1.5 Объектноориентированная модель модуля .
4.2 Описание интерфейса взаимодействия с пользователем
4.2.1 Интерфейс, реализованный в модуле xii.
4.2.2 Интерфейс, реализованный в модуле .
4.3 Выводы по четвертой главе
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ


Известно, что свойства металлов и сплавов зависят не только от качественных особенностей микроструктуры, но и, в основном, от ее количественных характеристик. Работы, устанавливающие связь между механическими свойствами и размерами структурных составляющих, способствовали развитию количественной металлографии . Целью количественной металлографии является изучение характеристик пространственной структуры путем измерения численных параметров микроскопических изображений. Основными операциями является подсчет, измерение и классификация элементов в поле зрения. Наиболее часто встречающиеся в количественной металлографии задачи это определение размеров зерна, определение объемных долей фаз в многофазных материалах, определение размеров частиц и расстояний между дисперсными включениями . Применение ЭВМ и методов цифровой обработки изображений в количественной металлографии позволяет избежать ошибок связанных, в первую очередь, с субъективными особенностями восприятия, а также с неизбежным утомлением исследователя, которое возникает вследствие необходимости анализа в процессе работы большого объема информации. Все это делает актуальным создание системы автоматизированного анализа изображений, в частности, структуры микрошлифов металлов. Принцип работы системы состоит в следующем. Изображение снимается со шлифованной и протравленной поверхности образца, так как вследствие наличия особенностей в химическом составе отражение и поглощение света для отдельных фаз различное, то в результате получается полутоновое изображение рис. Полученное изображение передается видеокамерой в персональный компьютер, на котором в дальнейшем может быть произведен анализ. Прежде чем введенное таким образом изображение подвергнется анализу, оно, обычно, должно пройти этап препарирования. Под препарированием понимается процесс приведения изображения к виду, удобному для машинной обработки. Этот вид может быть достаточно далек от естественного. Рисунок 1. Полутоновое изображение это разновидность изображения, характеризующегося множеством значений гона, непрерывно изменяющихся в поле изображения. Множество возможных полутонов называют уровнями серого англ. Таким образом, уровни серого не отличаются по спектральному составу оттенку цвета, но отличаются по яркости. На этапе препарирования изображение микрошлифа металла подвергается фильтрации, контрастированию, эквализации, выделению контуров, сегментации и так далее. В результате препарирования сокращается информационная избыточность изображения, исключаются несущественные особенности, отделяются структурные элементы заданного класса от всей совокупности элементом микроструктуры. Зрительный анализ приведенных на рисунке 1. В связи с этим возникает задача уменьшения количество тонов для упрощения и повышения эффективности дальнейшей сегментации. Другим приложением распознавания изображений в машиностроении является определение плотности пористых структур. На изображении объекта рис. Первая фоновая составляющая, определяемая оптическими ограничениями используемого микроскопа темная область вокруг содержащего информацию круга. Вторая и третья области соответствуют металлической матрице и порам. Рисунок 1. Перед непосредственным выделением областей алгоритмами сегментации и расчетом их площади изображение подвергается предварительной обработке. Первым этапом такой обработки будет сокращение цветности изображения, и вторым устранение фоновой составляющей. Далее необходимо на изображении отделить область пор от металлической матрицы. Данная задача значительно упроститься, если области матрицы будут залиты одним тоном, а области пор другим. Таким образом, для выделения трех составляющих эффективно, чтобы изображение состояло из трех тонов. Возникает необходимость в методах, которые позволили бы упростить исходное изображение . Задача упрощения возникает и при автоматизации анализа удельной поверхности границ зерен или фаз в сплаве. Одним из этапов обработки полутонового изображения шлифа металла рис. В результате выполняется бинаризация изображения, т. Далее применяется алгоритм окунтирования, который позволяет выделить контур объектов различного размера рис.