WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

На правах рукописи

СИЗОВ ПАВЕЛ ВАДИМОВИЧ

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПРОЦЕССА СЕГМЕНТАЦИИ В СИСТЕМАХ АНАЛИЗА ИЗОБРАЖЕНИЙ НА ОСНОВЕ МЕТОДА ВЫРАЩИВАНИЯ ОБЛАСТЕЙ И МНОГОМАСШТАБНЫХ ПРЕОБРАЗОВАНИЙ

05.13.01 – Системный анализ, управление и обработка информации (промышленность)

Автореферат диссертации на соискание учёной степени кандидата технических наук

Рыбинск – 2012

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Рыбинский государственный авиационный технический университет имени П. А. Соловьёва».

Научный руководитель канд. техн. наук, доцент Паламарь Ирина Николаевна.

Официальные оппоненты:

Фаворская Маргарита Николаевна д-р техн. наук, доцент, федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнёва», зав. кафедрой информатики и вычислительной техники;

Луцив Вадим Ростиславович канд. техн. наук, федеральное государственное унитарное предприятие «Научно-производственная корпорация «Государственный оптический институт им. С. И. Вавилова», ведущий научный сотрудник.

Ведущая организация Федеральное государственное бюджетное учреждение науки «Институт систем обработки изображений Российской академии наук», г. Самара.

Защита состоится 25 мая 2012 года в 12 часов на заседании диссертационного совета Д 212.210.04 при федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Рыбинский государственный авиационный технический университет имени П. А. Соловьёва» по адресу: 152934, г. Рыбинск, ул. Пушкина, д. 53.

С диссертацией можно ознакомиться в библиотеке федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Рыбинский государственный авиационный технический университет имени П. А. Соловьёва».

Автореферат разослан 24 апреля 2012 года.

Учёный секретарь диссертационного совета Конюхов Борис Михайлович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Системы анализа изображений применяются во многих научно-технических и производственных отраслях, где требуется повысить эффективность процедур обработки визуальных данных: медицине, промышленности, аэрофотосъёмке, системах безопасности и охраны правопорядка, робототехнике и других. В промышленности системы анализа изображений используются в металлографии, дефектоскопии, при оценке качества обработки поверхностей, исследовании эксплуатационных свойств материалов и в других прикладных областях. Как правило, под анализом в данных системах понимается выявление объектов, представленных на изображении, и расчёт их характеристик, заданных методикой конкретного исследования и основанных на различных геометрических и статистических признаках. Следовательно, важнейшим этапом обработки визуальных данных в системах анализа изображений является процесс сегментации – выделения однородных по какому-либо признаку областей (сегментов) на исходном цифровом растровом изображении.

На данный момент существует множество методов и подходов к анализу изображений, описанных в работах сотрудников научных школ В. А. Сойфера, С. С. Садыкова, Р. С. Гонсалеса (R. C. Gonzalez), Л. Шапиро (L. Shapiro), Ю-Дж. Жанга (Y.-J. Zhang), М. Баатца (M. Baatz), сотрудников лаборатории компьютерного зрения университета Беркли (UC Berkeley) и других. Однако на практике лишь немногие из них, наиболее изученные и удобные в реализации, используются в технических системах при решении прикладных задач. При этом применение интеллектуальных методов с высокой степенью организации вычислительной системы должно дать эффект оптимизации, включающий:

а) качественное расширение возможностей системы анализа изображений для обработки изображений сложных структур объектов; б) повышение точности анализа изображений; в) совершенствование управления процессом анализа;

г) снижение затрат времени на анализ изображений. К данным методам относятся методы сегментации, использующие информацию о связности областей, в том числе методы, основанные на технике выращивания областей. Их исследования являются актуальными, так как они позволяют значительно более эффективно решать прикладные задачи, где до этого применялись классические подходы, к примеру, пороговая сегментация.

Цель и задачи исследования. Цель исследования состоит в повышении эффективности процесса сегментации в составе системы анализа изображений за счёт разработки новых высокоорганизованных методов сегментации, комплекса связанных способов и алгоритмов обработки визуальных данных на основе техники выращивания областей и многомасштабных преобразований.

Для достижения поставленной цели необходимо:

- на основе системного подхода исследовать теорию методов сегментации в контексте их влияния на эффективность функционирования технических систем анализа изображений;

- разработать метод сегментации изображений как систему вычислительных операций с высокой степенью организации и интеграции связанных способов обработки визуальных данных;

- разработать и исследовать оптимизированные унифицированные алгоритмы реализации оригинального метода сегментации;

- провести экспериментальное исследование разработанного метода сегментации и комплекса связанных способов обработки визуальных данных в составе системы анализа изображений.

Объектом исследования является процесс сегментации изображений в составе систем анализа изображений неоднородной сегментной структуры.

Предметом исследования являются методы повышения эффективности системы сегментации, оптимизации её вычислительных процессов и комплекса связанных способов обработки визуальных данных.

Методы исследования. В работе используются методы системного подхода в контексте теории обработки изображений; диалектики; теории множеств; многомасштабного анализа; вейвлет-преобразований; математической морфологии; теории алгоритмов; аппроксимации; математической статистики;

компьютерного моделирования.

Достоверность и обоснованность результатов работы, а также адекватность предложенных моделей подтверждается корректностью использованных методов исследования; систематичностью анализа и синтеза моделей, методов, алгоритмов; сходимостью теоретических выводов и данных экспериментов.

Научная новизна работы выражается в следующих пунктах:

- предложена классификационная система методов сегментации с использованием бинарных оппозиций и формализма теории множеств, отличающаяся от традиционных, основанных на принципе обобщения по используемым в процессе обработки средствам; разработанный подход к классификации позволил выявить перспективные направления проектирования нового метода сегментации изображений;

- построена многомерная модель представления исходных данных в системе сегментации, основанная на концепции многомасштабного анализа;

- разработан унифицированный подход к созданию алгоритмических систем, используемых при сегментации изображений методом выращивания и слияния областей.

Основные положения, выносимые на защиту:

- способы преобразования изображений в многомерной модели: способ многомасштабного спектрального представления; способ текстурного анализа при помощи вычисления вейвлет-статистики; способ многомасштабного контурного анализа на основе вычисления оператора Собела;

- метод сегментации изображений на основе выращивания и слияния областей, включающий разработанный способ определения центров кристаллизации и оригинальный критерий определения оптимального состояния процесса слияний областей, отличающийся усовершенствованной организацией;

- алгоритм реализации разработанного метода сегментации с временной оптимизацией и унифицированной структурой.

Практическая ценность работы заключается в следующем:

- разработанная многомерная модель представления исходных данных в системе сегментации позволяет выполнять корректную сегментацию изображений неоднородной сегментной структуры, что обеспечивает универсальность применения в прикладных задачах;

- реализация разработанного метода сегментации позволяет оптимизировать функционирование системы анализа изображений по показателям точности, временных затрат и управляющих воздействий;

- разработано программное обеспечение количественного анализа растровых изображений, позволяющее повысить эффективность исследований образцов различных материалов в промышленных применениях.

Реализация и внедрение полученных результатов. Основные результаты использованы на производствах ОАО «НПО «Сатурн», ЗАО «ВолгАэро», ООО «Литейно-механический завод» и внедрены в учебном процессе ФГБОУ ВПО «РГАТУ имени П. А. Соловьёва».

Апробация работы. Основные положения диссертации докладывались и обсуждались на следующих форумах: I Всероссийская научная конференция молодых учёных «Теория и практика системного анализа» (Рыбинск, 2010);

XI Международная научно-техническая конференция «Кибернетика и высокие технологии XXI века» (Воронеж, 2010); Всероссийская межвузовская научная конференция «III Всероссийские научные Зворыкинские чтения» (Муром, 2011); Международная молодёжная конференция «XI Королёвские чтения» (Самара, 2011). Научно-исследовательские работы проводились при поддержке государственного Фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодёжного научноинновационного конкурса».

Публикации. По теме диссертации опубликовано 12 научных работ:

4 статьи в научных журналах, в том числе 3 статьи в журналах, рекомендуемых ВАК РФ для публикации основных результатов диссертаций; 5 докладов в сборниках трудов конференций; патент РФ на изобретение № 2440609 от 20.10.2010; 2 свидетельства о государственной регистрации программ для ЭВМ: № 2009613898 от 20.07.2009, № 2010614091 от 23.06.2010.

Структура и объём работы. Диссертация содержит введение, 4 главы, заключение, изложенные на 150 страницах машинописного текста, список использованных источников, состоящий из 108 наименований, 4 приложения.

Материал работы включает 80 рисунков, 13 таблиц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, определены объект и предмет исследования, сформулированы цель и задачи исследования, представлены тезисы научной новизны и положения, выносимые на защиту.

В первой главе определено положение сегментации в составе систем анализа изображений в качестве критической операции при качественной смене представления изображения, эффективность которой оказывает ключевое воздействие на результаты всего процесса анализа.

Автором расширена существующая математическая формулировка задачи сегментации. Сегментация есть разделение множества пикселов F (исходного изображения) на n топологически связных подмножеств (областей, сегментов, регионов, кластеров) S = {S1, S2, K, Sn}, так что n Si = F, Si S = o, i j, (Si S)P(Si ), U / j (1) i= (Si,S S; N(Si,S ))¬ P(Si S ), P(Si ) = {Pk | k K}, j j j где P(Si) – предикат гомогенности для сегмента Si ; K – множество факторов гомогенности изображения неоднородной сегментной структуры;

N(Si, S ) – предикат топологический смежности сегментов Si и S.

j j На основе анализа существующих подходов к классификации методов сегментации автором была предложена классификационная система методов сегментации на основе бинарных оппозиций и формализма теории множеств, обобщающая подходы к классификации, описанные в работах Ю-Дж. Жанга (Y.-J. Zhang), С. В. Поршнева и А. О. Левашкиной.

Классификацию C на основе предложенного подхода зададим группой C = (M, CO, ), (2) где M ={M1, M2,K, M,K} – множество методов сегментации;

y CO = {O1,O2, K On} – множество из n используемых классификационных признаков (оппозиций); – оператор классификации.

Каждый классификационный признак Ox является множеством, состоящим из двух элементов {ax,bx} – противоположных свойств метода сегментации. Тогда декартово произведение CG всех используемых оппозиций O1,O2, K On даст набор классификационных групп-кортежей {Gi i = 1, 2, K2n} CG = (K((O1 O2)O3) O4 K) = {Gi i = 1, 2, K2n} = (3) = {(a1, a2 Kan ),K(b1, a2 Kbn ),K(b1,b2 Kbn )}.

В таком случае оператор классификации есть отображение множества методов сегментации M во множество классификационных групп CG : M CG, (M )= Gi. (4) y В результате последовательного нисходящего анализа существующих методов сегментации в соответствии с введённым подходом классификационной системы оппозиций предложена классификация методов сегментации (табл. 1).

Таблица Классификация методов сегментации Классификационные признаки 1 2 Выделение Группа ме- Контурно- Использова- объекта из тодов сег- vs Особенности методов ние фона ментации сегментно- информации vs ориентировано связности полная ные методы сегментация Методы на Контурно- Не использу- Полная Линейная, слабо интегрирооснове ориентирован- ется (в редких сегментация ванная структура; низкая контурных ные методы случаях ис- универсальность детекторов пользуются методы связывания) Пороговые Сегментно- Не использу- Выделение Простейшая структура; низпреобразова- ориентирован- ется объекта кая универсальность ния ные методы из фона Методы на Сегментно- Используется Выделение Опора на развитую теорию;

основе тео- ориентирован- объекта из фо- отсутствие динамической рии графов ные методы на с современ- адаптации ным развитием в полную сегментацию Сегментация Сегментно- Используется Полная Возможность работы только по морфоло- ориентирован- сегментация с одной информационной гическим ные методы плоскостью (характеристиводоразделам кой изображения) Разделение и Сегментно- Используется Полная Трудность задания слияние ориентирован- сегментация предиката гомогенности P() областей ные методы Выращивание Сегментно- Используется Выделение Нелинейная интегрированобластей ориентирован- объекта из фо- ная структура с обратными ные методы на с современ- связями; широкие возможным развити- ности по использованию ем в полную разнородной информации;

сегментацию высокая вычислительная сложность и трудность реализации Итогом аналитического рассмотрения подходов к использованию методов сегментации в системах анализа изображений стал ряд основных концепций, требующих своего отражения и развития при синтезе нового универсального метода сегментации, основанного на выращивании областей: а) многомасштабный анализ; б) вейвлет-преобразование; в) контурный оператор Собела; г) совмещение процессов выращивания и слияния областей; д) автоматическое определение центров кристаллизации сегментов; е) автоматическое определение оптимального состояния процесса слияния областей.

Во второй главе первоначально проведён анализ состава и структуры системы анализа изображений, после чего в соответствии с целью исследования как её подсистема была синтезирована система сегментации изображений на верхнем иерархическом уровне детализации (рис. 1). В порядке реализации предложенной схемы системы сегментации изображений выполнен последовательный нисходящий синтез высокоуровневых моделей и методов.

Построена многомерная модель представления исходных данных в системе сегментации, включающая в себя: многомасштабную спектральную модель; способ текстурного анализа при помощи вычисления вейвлет-статистики;

способ многомасштабного контурного анализа на основе вычисления оператора Собела.

Система сегментации изображений Выращивание областей Слияние областей Определение центров кристаллизации Вычисленная Подготовленное сегментация Перевод исходного изображение изображения Определение и возврат к изображения в модель оптимальному состоянию представления системы процесса слияний сегментации Рис. 1. Схема системы сегментации изображений Введём структуру многомасштабного представления спектральных данных исходного изображения, в которой каждому масштабному уровню l в диапазоне [0…Z], где Z – глубина многомасштабного анализа, и каждому сегменту T S = {p1, p2,K pn}, где p =[pR, pG, pB] – данные пиксела изображения в цвеl товом пространстве RGB, соответствует ряд значений цвета C (S), l [0KZ], вычисляемых при помощи сглаживающего матричного фильтра G(x, y), рассчитанного на основе функции Гаусса.

Автором предложен способ текстурного анализа изображений на основе многомасштабного анализа и вейвлет-преобразования, заключающийся в расl чёте количественной меры вариаций Tx,y функции изображения f (x, y) на масштабе l (вейвлет-статистика) вблизи базовой точки px, y l III,l Tx,y = VxI,l + VxII,l + Vx, y + VxIV,l, (5),y,y,y I III,l где Vx,,l, VxII,l, Vx, y, VxIV,l – составляющие вейвлет-статистики, рассчитанy,y,y ные в четырёх квадрантах Q = {I, II, III, IV} окрестности базовой точки.

Запишем уравнение для вычисления составляющей вейвлет-статистики I Vx,,l для одного квадранта (рис. 2, слева) окрестности базовой точки y I, Vx,l =DmwI,l, mwI,l-1 +DmwI,l, mwI,l-1 +DmwI,l, mwI,l-1.(6) x, y x, y x, y y x-2l-1, y x, y+2l-1 x-2l-1, y+2l- где D(p1, p2) – оператор вычисления евклидова расстояния в RGBQ,l пространстве; mwx, y – оператор среднего значения l-го уровня на квадрате пикселов со стороной 2l, рассчитываемый по рекуррентной формуле I,l I,l-1 I,l-1 I,l-1 I,l-mwx, y = M, mw, mw (7) ;

mwx, y, mw x-2l-1, y x, y+2l-1 x-2l-1, y+2l- где M – оператор нахождения средней точки в RGB-пространстве на множеQ,стве S = {p1, p2,K pn}; mwx, y = px, y. Вычисление составляющих вейвлет- статистики в остальных квадрантах выполняется с помощью поворота шаблона на необходимый угол и соответствующего изменения выражений (6) и (7).

В рамках реализации многомерной модели представления исходных данных сегментации автором предложен способ Рис. 2. Шаблоны областей расчёта:

составляющей вейвлет-статистики для многомасштабного контурного анализа на трёх масштабных уровней (слева);

основе вычисления оператора Собела.

многомасштабного оператора Собела Способ заключается в многомасштабном для двух уровней анализа (справа) представлении окрестности базовой точки расчёта px, y (рис. 2, справа) с использованием операции расчёта среднего знаl чения цвета msx, y на квадрате пикселов со стороной 2l и вычислении классического оператора Собела для каждого масштабного уровня окрестности с поO,l лучением величины отклика оператора Gx, y, где O – ориентация выделяемых контуров.

Следующим шагом последовательного синтеза системы сегментации (рис. 1) стала разработка способа определения центров кристаллизации. Способ определён последовательностью вычислительных операций: а) расчёт вейвлетl Z статистики изображения Tx, y, l [1KZ]; б) получение функции UW (x, y) многомасштабного градиентного изображения, как суммы вейвлет-статистики Z для l = 1..Z Z l (8) UW (x, y) = Tx,y ;

l=Z в) квантование функции UW (x, y) с целью устранения шумовых локальных минимумов; г) поиск локальных минимумов С0 функции градиента и заполнение компонент связности Z Z (9) Ck = (Ck -1 B) A;k = 0,1K; A ={UW (x, y) (UW (x, y) = c)} ;C0 = {c};

где B – примитив дилатации (квадрат 33 пикс);

д) определение центра тяжести и его проецирование на саму компоненту.

Структура процессов выращивания и слияния областей в составе системы сегментации (рис. 1) в работе определена следующими операциями.

e e e 1) Вычисление внешней границы Gr = S1 S2 KSn сегмента S как Gr = (S B)\ S. (10) 2) Вычисление значений функции гетерогенности Hi, j для каждой пары «сегмент – граничный пиксел» (выращивание областей), «сегмент – сегмент» (слияние областей) Li, j =, где i, j – индексы сегментов. Используются [Si,S ] j три различные многомасштабные функции гетерогенности, для которых введена возможность настройки весовых коэффициентов wl, l = 1..Z значимости компоненты функции гетерогенности для l-го масштабного уровня:

а) функция HiC в пространстве многомасштабных спектральных данных, j 2 2 0 Z (11) HiC = (w0D(Ci0,C )) +(w1D(Ci1,C1)) + K +(wZ D(CiZ,C )) ;

, j j j j б) функция HiT в пространстве многомасштабной вейвлет-статистики;

, j в) функция HiG в пространстве данных многомасштабного контурного, j анализа; формулы для функций HiT и HiG приведены в п. 2.3.2 диссертации.

, j, j 3) Поиск оптимальной пары Lopt, для которой выбранная функция гетерогенности принимает минимальное значение на всём пространстве сцены (случай выращивания областей по глобальному правилу).

Lopt = arg (min{Hi, j N(Si,S )= 1}).

j (12) [Si,S ] j Для процесса слияния областей в работе предлагается локальное правило k-порядка, которое определено как стратегия поиска локально оптимальной пары смежных сегментов Lopt среди множества связных сегментов, соединённых цепью с выбранным базовым сегментом BS длиной не более k.

4) Предложен критерий вычисления оптимального шага t окончания слияний областей как максимума скорости роста последовательности значений стоимости слияний hr, r = 1, 2 K, вычисленных на всём диапазоне слияний.

t = arg(max{hr, r = 1, 2, K}), hr = hr+1 - hr.

(13) r Третья глава посвящена разработке и исследованию оптимизированных унифицированных алгоритмов реализации методов выращивания и слияния областей в составе системы сегментации (рис. 1). Оптимизация проводилась по критерию временной сложности алгоритмов.

В соответствии с установленной методикой эксперимента выявлено предпочтительное направление оптимизации временных затрат в системе анализа изображений для процесса выращивания областей.

На основе классического описания метода выращивания областей построена его алгоритмическая реализация, для которой проведён анализ в контексте выбранного критерия оптимизации. Рассчитаны аналитические оценки асимптотической временной сложности алгоритма (табл. 2) для внутреннего процесса повторных вычислений функции гетерогенности Hi, j, определяющего временную сложность всего процесса сегментации: QD(n) – количество вычислений функции гетерогенности, где n – размер задачи сегментации (число пикселов изображения). С целью временной оптимизации и унификации алгоритмов выращивания и слияния областей предлагается схема формализации данных сегментации (рис. 3).

|L1|>|L2| Формат записи данных Sсегмента c массивом указателей p SL на ассоциированные связи c1 LSДанные … SLj сегмента S2 SLL2 cОптимальная связь с минимальным значением функции Формат записи-связи гетерогенности L1 L2 «сегмент – граничный пиксел» A A=S1 A=S2 A A Указатель на сегмент A Указатель на сегмент B B B=p B=p B=p B=p (граничный пиксел) … … … Значение функции D D=|L1| D=|L2| D D гетерогенности (Delta, D) Статус связи (заблокирована, Lc Lc=0 Lc=0 Lc=1 Lc=разблокирована) (Lock, Lc) Активная часть Пассивная часть списка связей списка связей Общий список записей-связей Рис. 3. Схема формализации данных процессов выращивания и слияния областей (с – центр кристаллизации, |L| – значение функции гетерогенности для связи L) Автором разработан унифицированный алгоритм реализации методов выращивания и слияния областей, для которого получена аналитическая оценка асимптотической временной сложности по функции QD(n) (табл. 2), теоретически подтверждающая эффективность проведённой оптимизации.

В результате развития и детализации структур данных и схем управления разработанного алгоритма синтезированы две его дополнительные версии (3 и 4), последняя из которых стала обобщением двух предыдущих.

Повышение эффективности процесса сегментации по критерию машинного времени доказано экспериментальными данными (рис. 4) и полученными статистическими оценками временной сложности (табл. 3).

Таблица Оценки временной сложности процесса вычислений функции гетерогенности Классический алгоритм Оптимизированный Условия (версия 1) алгоритм (версия 2) Максимально плотная расстаQD(n)O(n2) QD(n) (n1) новка центров кристаллизации Минимально плотная расстаQD(n) (n1,5) QD(n)O(n1,5) новка центров кристаллизации Рис. 4. Графики зависимостей времени выращивания TВ и слияния TС областей Таблица Статистические оценки временной сложности процесса выращивания областей Данные Версии алгоритмов аппроксимации 1 2 3 Уравнение Tв = 0,4524 n 2,8761 Tв = 0,2481 n 2,5962 Tв = 0,2676 n 2,2661 Tв = 0,3536 n 2,19оценки Достоверность аппроксимации 0,9791 0,995 0,9979 0,99RВ четвёртой главе на основе выполненной программной реализации системы анализа изображений проведено исследование предложенного метода B B Время выращивания областей T, с Время выращивания областей T, с сегментации и комплекса связанных способов обработки визуальных данных на соответствие основным показателям эффективности процесса сегментации, ре- зультаты которого приведены в таблице 4.

Таблица Результаты сравнительной оценки эффективности процесса сегментации в составе системы анализа изображений Показатель Критерий оценки показателя эффективности эффективности Результат исследования Аналог Необходимые внешние управляющие воздействия Интеграция Требуется использование:

системы сегмента- Требуется настройка парамет- инструментов предобрации (связность ме- ров системы сегментации.

ботки (цветовой коррекции;

тода сегментации со Вспомогательные способы частотной фильтрации; теквспомогательными анализа исходных данных стурного анализа);

способами анализа внедрены в систему сегмента- фильтрации результатов исходных данных и ции. Процесс описания объексегментации;

описания объектов тов анализа интегрирован в - процедуры описания объанализа) процесс сегментации ектов анализа Используемые факторы гомогенности сегментов Возможно совместное испольУниверсальность Возможно использование зование нескольких факторов (возможность ис- одного из факторов гомогомогенности сегментов, что пользования систе- генности сегментов (спекповышает способность системы сегментации для трального, текстурного, мы сегментации к анализу различных изобра- контурного) на единственизображений неоднородной жений) ном уровне пространственсегментной структуры на разного масштаба ных масштабных уровнях Возможность внесения управляющих воздействий Управляемость в процесс сегментации (способность сиДинамический процесс выра- Управляющие воздействия стемы к достижещивания и слияния областей задаются до начала процеснию цели посреддопускает изменение парамет- са сегментации без возством управляющих ров управления на каждом ша- можности оперативного воздействий) ге объединения сегментов управления Общность алгоритмизации процессов Унификация выращивания и слияния областей (степень однородРеализация процессов выраности алгоритмов, щивания и слияния областей Реализация процессов выиспользуемых для на основе унифицированного ращивания и слияния облареализации различалгоритма с возможностью стей посредством различных вычислительгибкой передачи управления ных алгоритмов ных процессов) от одного процесса к другому Точность Ошибка системы анализа при фиксированном уровне (количественная оценка управления относительно эталонных данных эксперта корректности сегментации) 5,1 % 11,6 % Временная сложность Время выполнения алгоритма выращивания областей (статистическая оценка при фиксированной точности времени выращивания 2,1974 2,87Tв = 0,3536 n Tв = 0,4524 n областей Tв) В работе дано описание разработанной исследовательской программной среды анализа изображений с характеристиками её управляющих параметров.

в контексте её функционирования ) Организация системы ( совокупность взаимосвязей частей системы Выполнено исследование разработанных вспомогательных алгоритмов системы сегментации на широкой группе различных изображений.

Исследование эффективности системы на соответствие показателю точности сегментации проведено для задачи определения характеристик пластических деформаций многокомпонентных систем (рис. 5, слева) при создании композиционных материалов посредством разработанного специализированного программного модуля анализа результатов сегментации в системе анализа изображений. Ошибка оценки деформации рассчитывалась относительно эталонных данных эксперта. Сравнение с аналогом (пороговым преобразованием) проводилось в автоматическом режиме работы системы сегментации.

Исследование предложенной стратегии локального правила k-го для процесса слияний проведено на рентгенографических изображениях дефектов лопаток газотурбинного двигателя. Получены зависимости частоты совпадений глобально и локально оптимальных решений для процесса слияний областей.

Рис. 5. Результаты сегментации экспериментальных изображений:

биметаллической пластины (слева); перлитной структуры (справа) В завершение исследования были рассмотрены перспективные возможности расширения системы сегментации дополнительными способами представления исходных данных в рамках предложенной многомерной модели:

направленного сканирования изображения, восстановления трёхмерной формы объекта, использования семантической информации о структуре объекта.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ 1) Предложена классификационная система методов сегментации с использованием бинарных оппозиций и формализма теории множеств, на основе которой построена классификация и проведён системный анализ методов сегментации, выявивший перспективные концепции реализации процесса сегментации в системе анализа изображений.

2) Построена многомерная модель представления исходных данных в системе сегментации, обеспечивающая использование в процессе сегментации различной информации (спектральной, текстурной, контурной), полученной для заданного диапазона уровней пространственного масштаба. Разработанные способы, реализующие многомерную модель, обеспечивают повышение качества сегментации изображений неоднородной сегментной структуры.

3) Предложен новый метод сегментации изображений на основе выращивания и слияния областей, включающий разработанный способ автоматического определения центров кристаллизации и оригинальный критерий автоматического определения оптимального состояния процесса слияний областей. Метод обеспечивает высокую степень организации системы анализа изображений и, следовательно, повышение эффективности процесса сегментации.

4) Разработаны алгоритмы, обеспечивающие улучшение оценки временной сложности процедуры выращивания областей в n0,7 (n – размер изображения в пикселах). За счёт обобщения алгоритмов реализации метода выращивания областей для метода слияния областей достигнут эффект унификации реализации вычислительных процессов в системе сегментации.

5) Система количественного анализа изображений на основе разработанного метода сегментации обеспечивает повышение точности измерений при фиксированном уровне управления (ошибка уменьшена на 6,5 %).

6) Организация процесса сегментации в системе анализа изображений имеет открытую структуру и предоставляет возможности для расширения.

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ Статьи в научных изданиях, рекомендованных ВАК РФ:

1 Сизов, П. В. Метод сегментации изображений с применением выращивания областей и многомасштабного анализа [Текст] / И. Н. Паламарь, П. В. Сизов // Вестник Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнёва. – Красноярск. – 2010. – № 3 (29). – С. 15–20.

2 Сизов, П. В. Оптимизация исследований методов сегментации растровых изображений на основе классификационной системы [Текст] / И. Н. Паламарь, П. В. Сизов // Вестник Рыбинской государственной авиационной технологической академии имени П. А. Соловьёва. – Рыбинск. – 2010. – № 3 (18). – С. 218–228.

3 Сизов, П. В. Временная оптимизация алгоритма сегментации в системе анализа изображений на основе метода выращивания областей [Текст] / И. Н. Паламарь, П. В. Сизов // Информационно-управляющие системы. – 2012. – № 2. – С. 2–12.

Статьи в других научных изданиях и материалах конференций:

4 Сизов, П. В. Сегментация изображений радиальной структуры с помощью непрерывного вейвлет-преобразования [Текст] / И. Н. Паламарь, П. В. Сизов // Вестник Костромского государственного университета имени Н. А. Некрасова. Т. 15 : Системный анализ. Теория и практика. – 2009. – № 1. – C. 52–55.

5 Сизов, П. В. Обнаружение лиц при помощи метода связной сегментации с восстановлением формы по одиночному полутоновому изображению [Текст] / И. Н. Паламарь, П. В. Сизов // Труды I Всероссийской научной конференции молодых учёных «Теория и практика системного анализа». – Рыбинск. – 2010. – Т. 1. – С. 84–89.

6 Сизов, П. В. Метод выделения текстурной информации при помощи вычисления оператора Собела и многомасштабного анализа с последующей сегментацией [Текст] / И. Н. Паламарь, П. В. Сизов // Труды XI Международной научно-технической конференции «Кибернетика и высокие технологии ХХI века». – Воронеж. – 2010. – Т. 2. – С. 665–672.

7 Сизов, П. В. Способ и система анализа изображений на основе сегментации с помощью методов выращивания и слияния областей [Электронный ресурс] / И. Н. Паламарь, П. В. Сизов // III Всероссийские научные Зворыкинские чтения: сб. тез. докл. III Всероссийской межвузовской научной конференции. – Муром. – 2011. – С. 243–244.

8 Сизов, П. В. Многомасштабный анализ изображений структур эвтектических сплавов [Текст] / П. В. Сизов // Королёвские чтения: XI Международная молодёжная конференция: тезисы докладов. – Самара. – 2011. – С. 303.

9 Сизов, П. В. Подход к семантической сегментации изображений структур железоуглеродистых сплавов [Текст] / П. В. Сизов // Научные труды Международной молодёжной научной конференции «XXXVIII Гагаринские чтения» в 8 томах. – М.: ИЦ МАТИ, 2012. Т. 8.

Объекты интеллектуальной собственности:

10 Свидетельство о государственной регистрации программы для ЭВМ № 2009613898. Вейвлет-спектрограф [Текст] / Паламарь И. Н., Сизов П. В. ; заявитель и правообладатель ГОУ ВПО «РГАТА имени П. А. Соловьёва». – Заявка № 2009612503 от 21.05.2009 ; опубл. 20.07.2009.

11 Свидетельство о государственной регистрации программы для ЭВМ № 2010614091. Программная среда для сегментации изображений на основе методов выращивания областей и вейвлет-преобразований [Текст] / Паламарь И. Н., Сизов П. В. ; заявитель и правообладатель ГОУ ВПО «РГАТА имени П. А. Соловьёва». – Заявка № 2010612442 от 5.05.2010 ; опубл. 23.06.2010.

12 Пат. 2440609 Российской Федерации, МПК7 G 06 K 9/34. Способ сегментации растровых изображений на основе выращивания и слияния областей [Текст] / Паламарь И. Н., Сизов П. В. ; заявитель и патентообладатель ФГБОУ ВПО «РГАТУ имени П. А. Соловьёва». – № 2010143095/08 ; заявл.

20.10.2010 ; опубл. 20.01.2012, Бюл. № 2. – 11 с.

Зав. РИО М. А. Салкова Подписано в печать 23.04.2012 г.

Формат 6084 1/16. Уч.-изд.л. 1. Тираж 100. Заказ 93.

Рыбинский государственный авиационный технический университет имени П. А. Соловьева (РГАТУ имени П. А. Соловьева) 152934, г. Рыбинск, ул. Пушкина, Отпечатано в множительной лаборатории РГАТУ имени П. А. Соловьева 152934, г. Рыбинск, ул. Пушкина,




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.