Translate this page:
Please select your language to translate the article


You can just close the window to don't translate
Library
Your profile

Back to contents

Cybernetics and programming
Reference:

Development of procedures of the automated choice of methods of the analysis and digital processing of images at the solution of problems of defectoscopy

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
Other publications by this author
 

 

DOI:

10.7256/2306-4196.2015.4.16331

Received:

06-09-2015


Published:

25-09-2015


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


Введение

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:

e2,

где M – математическое ожидание, f – исходное изображение.

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

f

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

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

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

__02 – энергетиче­ский спектр шума;

__ – спектр неискаженного изображения;

__03 – энергетическое соотношением шум/сигал (NSPR Noise-to-Signal Power Ratio).

Из определения NSPR видно, что если ___01 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:

___03 – средняя энергия шу­ма;

___04 – средняя энергия изображения.

Величины M и N равны размерностям матрицы изображения или шума.

Из определения величин .jpg_02 и fa следует, что они скаляры. Их отношение можно использовать при построении постоянной матри­цы, в которой __03 заменяют nafa. В этом случае, даже не зная истинное NSPR, можно в интерак­тивном режиме, экспериментально изменяя константу nafa, 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.

fig_1

Процедура выбора параметров маски Лапласа

Оператор Лапласа изображения можно записать так:

eq1 (1)

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

eq2

eq2y

Отсюда следует, что:

eq2_end

и соответствующая маска Лапласа имеет вид:

mask_laplas

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

mask_laplas_1

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

mask_laplas_mod

В этом случае, оператор в интерактивном режиме подбирает подходящий параметр `alpha` для более “тонкой” настройки.

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

fig_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.

References
1. Gonsales G., Vuds R. Tsifrovaya obrabotka izobrazhenii. — M.: Tekhnosfera, 2006. 1072 s.
2. Grishentsev A.Yu., Korobeinikov A.G. Metody i modeli tsifrovoi obrabotki izobrazhenii.-Sankt-Peterburg: Politekhnicheskii universitet, 2014.-190 s.-ISBN 978-5-7422-4892-7.
3. Sidorkina I.G., Kudrin P.A., Korobeinikov A.G. Algoritm raspoznavaniya trekhmernykh izobrazhenii s vysokoi detalizatsiei. Vestnik Mariiskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Radiotekhnicheskie i infokommunikatsionnye sistemy – Ioshkar-Ola: Mariiskii gosudarstvennyi tekhnicheskii universitet – 2010.-№2(9). – S. 91-98.
4. Malla, S. Veivlety v obrabotke signalov / S. Malla; per.– M.: Mir, 2005.– 671 s.: il.
5. Basarab M.A., Volosyuk V.K., Goryachkin O.V. Tsifrovaya obrabotka signalov i izobrazhenii v radiofizicheskikh prilozheniyakh./ Pod red. F.V. Kravchenko. – M.: FIZMATLIT, 2007. – 544 s.
6. Korobeinikov A.G. Razrabotka i analiz matematicheskikh modelei s ispol'zovaniem MATLAB i MAPLE-SPb: SPbGU ITMO, 2010. 144 s.
7. Korobeinikov A.G. Proektirovanie i issledovanie matematicheskikh modelei v sredakh MATLAB i MAPLE.-Sankt-Peterburg: SPbGU ITMO, 2012.-160 s.
8. Korobeinikov A.G., Grishentsev A.Yu. Razrabotka i issledovanie mnogomernykh matematicheskikh modelei s ispol'zovaniem sistem komp'yuternoi algebry // SPbNIU ITMO.-Sankt-Peterburg: SPbNIU ITMO, 2013.-100 s.
9. Korobeinikov A.G. Matematicheskoe modelirovanie. Proektirovanie i analiz mnogomernykh matematicheskikh modelei s primeneniem sistem komp'yuternoi algebry // LAP LAMBERT Academic Publishing.-2014.-125 s.-ISBN 978-3-659-16593-1
10. Korobeinikov A.G., Akhapkina I.B., Bezruk N.V., Demina E.A., Yamshchikova N.V. Primenenie sistemy komp'yuternoi algebry Maple v obuchenii proektirovaniyu i analizu mnogomernykh matematicheskikh modelei // Informatika i obrazovanie.-Moskva: OOO "Obrazovanie i informatika", 2014.-Vyp. 253.-№ 4.-ITK v predmetnoi oblasti.-S. 69-75.-ISSN 0234-0453.-URL: http://www.infojournal.ru.
11. Korobeinikov A.G. Metody avtomatizirovannogo proektirovaniya// LAP LAMBERT Academic Publishing.-2011.-250 s.-ISBN 978-3-8465-1652-2.
12. Grishentsev A.Yu., Korobeinikov A.G. Uluchshenie skhodimosti metoda konechnykh raznostei s pomoshch'yu vychisleniya promezhutochnogo resheniya // Nauchno-tekhnicheskii vestnik informatsionnykh tekhnologii, mekhaniki i optiki.-Sankt-Peterburg: SPbNIU ITMO, 2012.-Vyp. 3.-№ 79.-S. 124-127.-158 s.-ISSN 2226-1494.
13. Grishentsev A.Yu., Korobeinikov A.G. Dekompozitsiya n-mernykh tsifrovykh signalov po bazisu pryamougol'nykh vspleskov // Nauchno-tekhnicheskii vestnik informatsionnykh tekhnologii, mekhaniki i optiki.-Sankt-Peterburg: SPbNIU ITMO, 2012.-T. 80, vyp. 4.-Komp'yuternye sistemy i informatsionnye tekhnologii.-S. 75-79.-170 s.-ISSN 2226-1494.
14. Korobeinikov A.G., Grishentsev A.Yu. Uvelichenie skorosti skhodimosti metoda konechnykh raznostei na osnove ispol'zovaniya promezhutochnogo resheniya // Kibernetika i programmirovanie. - 2012. - 2. - C. 38 - 46. URL: http://www.e-notabene.ru/kp/article_13864.html