Исследование и применение методов выделения линейчатой структуры для обработки дефектоскопических снимков Текст научной статьи по специальности «Компьютерные и информационные науки»

Садыков С.С., Орлов А.А. ИССЛЕДОВАНИЕ И ПРИМЕНЕНИЕ МЕТОДОВ ВЫДЕЛЕНИЯ ЛИНЕЙЧАТОЙ СТРУКТУРЫ ДЛЯ ОБРАБОТКИ ДЕФЕКТОСКОПИЧЕСКИХ СНИМКОВ

Показана актуальность применения специальных цифровых методов анализа дефектоскопических изображений. Разрабатывается тестовое изображение полосового образа. Выполняется оценка тестового образа по геометрическим характеристикам. На основе построенного теста выполняется исследование методов фильтрации полос (фильтр Габора, фильтрация на основе второй производной гауссоида, прямоугольный фильтр и метод воспроизведения полос на основе ИПСП). Осуществлен сравнительный анализ методов по отклонению важных в дефектоскопии геометрических характеристик (длина, площадь, максимальная ширина, средняя ширина). Приведен пример обработки дефектоскопического изображения.

В связи с усложнением новой техники и повышением требований к ее надежности трудоемкость контрольных операций в промышленности резко увеличивается.

Стремительное развитие наукоемких технологий, в том числе микро-электроники, дало толчок к широкому использованию сложной вычислительной техники как на производстве, так и в других областях человеческой деятельности. Массовое распространение микропроцессорных устройств привело к появлению новых средств автоматизации в промышленности, в том числе и систем автоматизированного контроля качества продукции. Подобные системы предназначены для замены человека на работах, требующих выполнения однотипных, трудоемких и, иногда, вредных для здоровья операций по контролю качества.

В настоящее время в промышленности ручной контроль качества все еще преобладает над автоматизированным. Главная причина - отсутствие более совершенных методов автоматической обработки результатов, таких как снимки (изображения), получаемые большинством часто применяемых способов контроля качества. Сейчас в области визуального контроля качества стали применяться автоматические системы анализа изображений (АСАИ). Такие системы существенно уменьшают субъективизм оценки и освобождают человека от рутинного однообразного труда.

При обработке большинства изображений наиболее часто необходимо выделять и анализировать их линейчатые структуры. На цифровых изображениях контуры представляют собой полосы небольшой ширины. На дефектоскопических изображениях линейчатыми являются дефекты-трещины, риски, царапины и др. На металлографических - волокна и линейчатые вкрапления. Линейчатые структуры могут быть могут также быть локально прямолинейными и представлены в виде полос с известным профилем и варьируемой шириной. При этом они часто довольно сильно зашумлены, размыты, малоконтрастны, насыщены пересекающимися образами подобных или других типов. Анализ таких структур на многих изображениях довольно сложен.

Сложность выделения и анализа структур на дефектоскопических снимках обусловлена наличием неравномерной освещенности, неоднородной оптической плотностью анализируемого материала, наличием шумов и размытий, появившихся при формировании снимка, а также образов, незначимых для исследования объектов и их полутеней. Применяемые в дефектоскопии АСАИ используют в основном простые методы цифровой обработки изображений, которые не позволяют выполнить более детальный разбор линейчатых по форме дефектов и всегда достичь необходимый результат. В связи с этим уровень автоматической обработки и анализа дефектоскопических изображений очень низок (во многих случаях прибегают к полуавтоматической обработке).

Для решения задач выделения линейчатой структуры на сложных и сильнозашумленных изображениях и вычисления их признаков необходимо учитывать ее полосовую особенность. Известные методы и алгоритмы либо не учитывают полностью такую специфику изображений, либо являются эмпирическими, что во многих случаях не дает возможности их применения [1, 2]. Таким образом, актуальным является

построение и исследование новых (связанных с анализом линейчатых и полосовых образов) обеспечивающих достоверный результат более точных методов для решения конкретных задач цифровой обработки дефектоскопических снимков.

Цель настоящей работы - разработка тестовых изображений, исследование на них и применение метода обработки и анализа дефектоскопических снимков на основе интегральных преобразований изображений по сегментам полос (ИПСП), разработанного и описанного в [3-5].

В работах [3-5] дается определение полосового образа, и строится его модель. Разрабатывается метод многомасштабной фильтрации полезного одномерного сигнала заданного вида. Рассматривается пример одномерного многомасштабного воспроизведения. Построенный фильтр обобщается на двумерный случай для воспроизведения образов полос заданного профиля. Фильтрация осуществляется через воспроизведение сегментов полос различной ориентации и масштаба.

Для исследования разработанного фильтра построим тестовое изображение полосы. Пусть образ полосы обладает следующими свойствами:

сегменты полосы имеют различную ориентацию (т.е. их угол наклона меняется в диапазоне от 0 до

я);

кривизна образующей линии полосы варьируется по всей ее длине; ширина полосы также варьируется по всей длине; полоса имеет прямоугольный профиль; разрывов в полосе не имеется;

длина полосы значительно больше средней ширины.

Построенное тестовое изображение полосы показано на рис.1,а. Вычислены важные геометрические характеристики построенного образа: площадь, длина, средняя ширина, максимальная ширина. Значения характеристик представлены в табл. 1.

Осуществим оценку длины сегмента полосы по статистической выборке. Для этого произведем усреднение изображений в каждой точке образующей полосы, поворачивая и смещая их в соответствии с параметрами сегмента (углом наклона и координатами). Результат усреднения показан на рис.1,б. В центре рисунка находится усредненный сегмент. Сечение вдоль усредненного сегмента хорошо аппроксимируется гауссовой кривой с масштабом 9,1, что характеризует среднюю длину сегмента.

На тестовое изображение наложим гауссовский шум с гиперболическим спектром, который наблюдается на реальных дефектоскопических изображениях. В таком шуме преобладает низкочастотная составляющая, которая соответствует неоднородности фона и пятнам на изображении. Зашумленное тестовое изображение показано на рис.2,а. Видно, что из-за наличия шума на изображении сегментация по яркости не позволяет выделить объект полосы (рис. 2,б) : возникают разрывы и ложные объекты, которые не являются частью исходного образа полосы. Также искажаются геометрические характеристики (табл. 1).

Для выделения полосы будем использовать предварительную фильтрацию следующими методами:

фильтром Габора различного масштаба и ориентации [6];

второй производной гауссоида различного масштаба и ориентации [3];

прямоугольным фильтром различного масштаба и ориентации [3];

воспроизведением полосы на основе ИПСП [3-5].

Результаты обработки данными фильтрами показаны на рис. 3-6. Фильтрация выполняет усреднение вдоль каждого сегмента полосы, уменьшая число разрывов, и подавляет шум на фоновой области.

Значения вычисленных после фильтрации геометрических характеристик приведены в табл. 1. По графикам значений таких характеристик видно, что фильтрация позволяет значительно приблизить их к реальным значениям (рис. 7-11).

Отметим, что сохранение длины полосы хорошо обеспечивают все фильтры. Сохранение характеристик, зависящих от ширины полосы, выполняется только воспроизведением на основе ИПСП. Это связано с тем, что первые два фильтра выделяют на самом деле не полосу, а ее образующую, искажая и утрачивая при этом информацию о ширине.

На рис. 12 приведен пример воспроизведения образа трещины на основе ИПСП как полосы прямоугольного профиля на дефектоскопическом изображении. Обработка выполнена при параметрах, которые соответствуют выделяемому объекту: угол наклона сегмента полосы в е [0, я), полуширина полосы а

е [0,5, 3], полудлина сегмента полосы 1 = 3. Спектр помех определен по области изображения, которая не содержит трещину.

Произведена бинаризация исходного и обработанного изображений. Порог бинаризации выбран таким образом, чтобы образ трещины был без разрывов. По бинарным сценам видно, что применение фильтрации позволяет довольно четко отделить фон от трещины. Возникает возможность выделения изображений дефектов такого рода для дальнейшей автоматической оценки качества поверхности анализируемого изделия.

Таким образом, в настоящей работе выполнено исследование методов фильтрации полос на основе построенного тестового образа. Выполнен сравнительный анализ методов по сохранению геометрических характеристик. Показана важность сохранения ширины методом воспроизведения полосы на основе ИПСП. Следует отметить возможность и целесообразность применения метода в промышленности для автоматического анализа дефектоскопических изображений.

а) б)

Рис. 1. Тестовое изображение полосы (а) и результат усреднения по всем ее сегментам (б)

а)

Рис

2. Зашумленное тестовое изображение (а) и соответствующее бинарное изображение (б)

Рис. 3. Результат фильтра Габора (а) и соответствующее бинарное изображение (б) X Л* Ш?

а) М^^НМНб)

Рис. 4. Результат фильтрации второй производной гауссоида и (а) и соответствующее бинарное изображение (б)

а) б)

Рис. 5. Результат прямоугольного фильтра (а) и соответствующее бинарное изображение (б)

а) г I ./б)

Рис. 6. Результат воспроизведения полосы на основе ИПСП (а) и соответствующее бинарное изображение (б)

Табл. 1. Значения и их относительные ошибки геометрических характеристик тестового образа полосы

Наименование характеристики

Площадь Длина Максимальная ширина Средняя ширина

Реальные значения 6734 1288 9,7 5,38

Значения при зашумлении 36619 13801 26,1 3,65

Соответствующие отклонения от реальных значений, % 81,6 90,7 62,8 47,4

Результат фильтра Габора 3898 1112 8 3,65

Соответствующие отклонения от реальных значений, % 72,8 15,8 21,3 47,4

Результат фильтрации второй производной гауссоида 4232 1149 6 3,78

Соответствующие отклонения от реальных значений, % 59,1 12,1 38,1 42,3

Результат прямоугольного фильтра 4425 1195 6,8 3,84

Соответствующие отклонения от реальных значений, % 52,2 7,8 29,9 40,1

Результат воспроизведения полосы на основе ИПСП 6116 1354 10 4,71

Соответствующие отклонения от реальных значений, % 10,1 4,9 3 14,2

40000

35000

30000

25000

20000

15000

10000

5000

0

Значение при Результат фильтра Результат Результат Результат

зашумлении Габора фильтрации второй прямоугольного воспроизведения

производной фильтра полосы на основе

гауссоида ИПСП

Рис.

7.

Реальное Значение при Результат фильтра Результат Результат Результат

значение зашумлении Габора фильтрации второй прямоугольного воспроизведения

производной фильтра полосы на основе

гауссоида ИПСП

Е

и

б

Рис. 8.

Реальное значение Значение при Результат фильтра Результат Результат Результат

зашумлении Габора фильтрации второй прямоугольного воспроизведения

производной фильтра полосы на основе

гауссоида ИПСП

Рис. 9.

Реальное значение Значение при Результат фильтра Результат Результат Результат

зашумлении Габора фильтрации второй прямоугольного воспроизведения

производной фильтра полосы на основе

гауссоида ИПСП

Рис. 10.

Относительная ошибка, % Относительная ошибка, %

100,0

Значение при зашумлении

Результат фильтра Габора

Результат фильтрации второй производной гауссоида

Результат

прямоугольного

фильтра

Результат воспроизведения полосы на основе ИПСП

Рис. 11

Рис. 12. Пример воспроизведения изображения трещины (а - исходное изображение, б - результат фильтрации, в, г - их бинарные образы соответственно)

Литература

1. Ермаков, А.А. Методы и алгоритмы обработки и анализа дефектоскопических и металлографических снимков [Текст] / А.А. Ермаков, А.А. Орлов, С.С. Садыков, Д.Н. Стародубов. - Владимир: Изд-

во Владим. гос. ун-та, 2008. - 112с.

2. Дегтярев, С.В. Методы цифровой обработки изображений. Учебное пособие [Текст] / С.В. Дегтярев, А.А. Орлов, С.С. Садыков и др. - Курск: Курск. гос. тех. ун-т., 2004, Ч.3. - 216 с.

3. Орлов, А.А. Теоретические основы интегральных преобразований изображений по линиям [Текст]

/ А.А. Орлов, С.С. Садыков. - Владимир: Изд-во Владим. гос.ун-та, 2008. - 113с.

4. Садыков, С.С. Теория, алгоритмы и методика обработки линейчатых образов на дефектоскопических снимках [Текст] / С.С. Садыков, А.А. Орлов, А.А. Ермаков // Известия высших учебных заведений. Приборостроение. - 2009, №2. С.11-16.

5. Орлов, А.А. Метод анализа линейчатых структур на цифровых дефектоскопических изображениях [Текст] / А.А. Орлов // Труды международного симпозиума «Надежность и качество'2008». - Пенза: ПГУ, 2008. С.376-380.

6. Konishi S., Yuille A.L., Coughlan J.M. A Statistical Approach to MultiScale Edge Detection

// Proc. Workshop Generative-Model-Based Vision: GMBV '02, 2002.