CC BY
198
увеличить степень извлечения магнитных фракций при последующей магнитной сепарации. Кроме того, за счет увеличения поверхностной энергии решается проблема низкой активности конвертерного шлака, что приводит к улучшению вяжущих свойств.
Таким образом, применение низкотемпературной плазмы с последующей магнитной сепарацией при обработке конвертерных шлаков открывает возможности для создания энергоэффективных схем использования конвертерных шлаков. Разработка рациональной и экономически выгодной технологической схемы переработки конвертерного шлака, позволит решить проблему переработки накопленных отходов и обеспечить вторичным сырьем металлургическую и строительную промышленность.
Список литературы
1. Баутин В.М., Шаталов М.А. Направления развития системы глубокой переработки отходов промышленно-производственных подсистем АПК // Экономика. Инновации. Управление качеством. 2015. № 3 (12). С. 72-73.
2. Гончарова М.А., Копейкин А.В., Крохотин В.В. Оптимизация методики определения минералогического состава конвертерных шлаков // Строительные материалы. 2015. № 1. С. 64-67.
3. Жуков А.Д., Орлова А.М., Наумова Н.А., Никушкина Т.П., Майорова А.А. Экологические аспекты формирования изоляционной оболочки зданий // Научное обозрение. 2015. № 7. С. 209-212.
4. Романов П.С., Романова И.П. Рециклинг отходов металлургической промышленности как способ сбережения природных ресурсов и снижения экологической напряженности // Синергия. 2016. № 2. С. 94-99.
5. Романов П.С., Романова И.П. Возможности использования плазменных технологий для переработки конвертерных шлаков // Синергия. 2016. № 3. С. 95-100.
Тарасьев А.А., Филиппова М.Е., Круглов В.Н., Спиричева Н.Р.
РЕАЛИЗАЦИЯ ОСНОВНЫХ МЕТОДОВ ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ НА ЯЗЫКЕ С#
Уральский федеральный университет
Ключевые слова: методы, цифровая, обработка, изображения, программирование.
Аннотация: В ходе работы над проектом была написана программа
на языке C# в программной среде Microsoft Visual Studio 2013, осуществляющая простейшую обработку изображений. Представлено практическое применение некоторых основных методов цифровой обработки изображений, таких как: контрастное масштабирование, изменение гистограмм, наложение шумов на изображения, медианная фильтрация и морфологическая обработка. Продемонстрированы работа сглаживающих пространственных фильтров и методы выделения границ областей.
Keywords: methods, digital, processing, image, programming.
Abstract: In the course of the project program was written in C # in a software environment Microsoft Visual Studio 2013 is simple image processing. Presented by the practical application of some of the basic methods of digital image processing, such as contrast scaling, changing histograms imposition of noise in the image, median filtering and morphological processing. Demonstrate the operation of the spatial smoothing filters and methods of isolation boundary.
Введение. Цифровая обработка изображений в наши дни является актуальной областью для решения задач, таких как: сканирование графических данных, обработка и видоизменение изображений, распознавание образов и объектов, системы технического зрения и т.д. Некоторые реализованные методы уже нашли своё место в популярных программах «Photoshop» и «Lightroom».
Основной целью работы является успешное освоение базовых теоретических знаний в области компьютерной цифровой обработки изображения, реализации знаний на практике и продвижение вглубь области на основании полученных навыков, а также непосредственная реализация в едином приложении базовых методов цифровой обработки изображений и некоторых экспериментальных модификаций, вопрос о качестве которых остается спорным по причине незавершенности исследования и упрощенного практического представления. Разработанное приложение может служить в качестве образовательного пособия по основам компьютерной цифровой обработки изображений вследствие наглядности работы алгоритмов.
Методы. Объектами исследования стали некоторые базовые алгоритмы цифровой обработки изображений: контрастное масштабирование, изменение гистограмм, наложение шумов, медианная фильтрация, сглаживающие пространственные фильтры, морфологическая обработка и выделения границ областей.
Контрастное масштабирование - изменение яркости каждого элемента изображения по линейному закону g = fa + b. Реализовано
два способа представления - при помощи автоматического растягивания диапазона яркостей на интерактивно заданный уровень и при помощи изменения с помощью бегунков (см. рисунок 1). Также воплощены три различные разновидности яркостных срезов -известный зануляющий, а также контрастный и сглаживающий [1, 2,
5].
Рисунок 1 - Изменение контрастности
Для обеспечения наглядности работы контрастных методов обработки изображений реализован интерфейс с «бегунками», для равномерного изменения различных параметров функции обработки в реальном времени.
Изменение гистограмм - преобразование изображений путём изменения яркостей пикселей в соответствии с различными законами распределения частот яркостей (см. рисунок 2). Также реализованы спорные экспериментальные методы, сводящие диапазон яркости изображения в область светлых частот по логарифмическому закону (см. рисунок 3) [5].
Медианная фильтрация - вид цифрового фильтра, применяемого для уменьшения уровня шума изображения, использующий элементы теории вероятностей и математической статистики. Медиана -центральное значение выборки случайных величин [3].
Сглаживающие пространственные фильтры - пространственные фильтры, изменяющие значение пикселя в зависимости от изменения яркости световой интенсивности его соседних пикселей (см. рисунок 4) [3, 5].
Сглаживающие фильтры могут применяться для расфокусировки изображения и подавления шума. Расфокусировка может применяться как предварительный шаг обработки изображения, например, для удаления мелких деталей при распознавании больших объектов, или же для устранения разрывов в линиях или деталях. Для подавления
шумов может использоваться расфокусировка с применением как линейной, так и нелинейной фильтрации.
Рисунок 2 - Видоизменение гистограмм. Равномерная гистограмма
оШ - Цифровая обработка изображений |""сз"'|ГЖ"[[ Ш \
Файл Изменение контраста Изменение гистограмм Фильтрация Нахождение контуров Повышение резкости Морфологическая обработка
Рисунок 3 - Видоизменение гистограмм. Экспериментальная гистограмма
щЁ? ЁШ.Р - Цифровая обработка изображений
Файл вменение контраста Изменение гистограмм ©ильтрация Нахождение к&нтуров Повышение резкости Морфе
Диапазон яркости обработанного изображения
Рисунок 4 - Сглаживающий по однородным областям фильтр
Морфологическая обработка - метод извлечения информации (границы, остовы, выпуклые оболочки) из исходного изображения. При реализации методов разработан способ интерактивного изменения размеров маски примитива. Использован базовый примитив - квадрат, а также планируется реализация других базовых масок (см. рисунок 5) [1].
Для устранения разрывов, а также при предварительной обработке изображений в системах распознавания образов часто используются морфологическая обработка и обработка с помощью матриц Лапласа.
Щ [),№- Цифровая обработка изображений Файл Изменение контраста Изменение гистограмм
ч<
Фильтрация Нахождение контуров П(
// /77
> уу // ■■/?'
------------( ', "Г ''х. \ ; ', V.
.Диапазон щюстм
обработанного нзофакеаив
Рисунок 5 - Морфологическая обработка. Построение остова
Выделения границ областей - построение изображения границ объектов и очертаний однородных областей (см. рисунок 6) [2, 3].
Рисунок 6 - Выделение границ. Расширенный лапласиан
Методом исследования стала реализация данных алгоритмов на объектно-ориентированном языке программирования С# с использованием принципов ООП.
Результаты. В ходе проведённой научно-исследовательской работы были получены и проанализированы результаты каждого рассмотренного способа цифровой обработки информации.
Реализованные методы работают корректно, для ряда функций, а именно алгоритмов фильтрации реализован способ математического подсчета эффективности по основным качественным критериям, таким как уровень оставшихся искажений на изображении (шума), величина искажения изображения вследствие сглаживания а также время работы алгоритма (см. рисунки 7-9) [2, 3, 5].
Рисунок 7 - Исходное изображение
Рисунок 8 - Медианная фильтрация зашумленного импульсным шумом изображения
ТсигсИ^сипе <=. м 0 -Ж*]
Уровень оставшегося шума: 0,1 30&404231592В
Величина искажения изображения: 0,0163573£20427152
Бремя работе! алгоритма: ¡)0:57 секунды.
Рисунок 9 - Эффективность метода фильтрации
Большинство методов реализовано с возможностью интерактивного ввода параметров управления.
Работа может быть направлена на дальнейшее исследование методов цифровой обработки изображений при помощи средств объектно-ориентированного программирования. При дальнейшей работе можно обеспечить использование обобщенного, улучшенного представления реализованных методов и их модификаций в технологиях распознавания образов и объектов, а также в системах технического зрения [4].
Дискуссия. Спорным является вопрос о математической и логической обоснованности разработанных экспериментальных методов, а также о возможности дальнейшего применения именно реализованных методов. При более глубоком изучении теоретической
базы а также при дальнейшей практической разработке могут быть даны однозначные ответы на поставленные дискуссионные вопросы. На данный момент можно сказать, что разработанные методы корректно выполняют свои функции и могут найти применение, однако, возможно, могут быть реализованы по-другому для обеспечения более весомых результатов.
Заключение. В заключении стоит отметить, что основная цель работы была достигнута, были реализованы базовые методы цифровой обработки изображений. Многие рассмотренные методы уже нашли применение в популярных программах, таких как «Photoshop» и «Lightroom».
Также предприняты попытки к созданию модифицированных методов для преобразования изображений с помощью изменения гистограмм и различными видами яркостных срезов, а также добавлена возможность интерактивного ввода параметров, в частности размера маски примитива при морфологической обработке. Все функции работают корректно и наглядно и могут найти применение в интерактивных обучающих материалах, технологиях обработки изображений, системах технического зрения, технологиях распознавания объектов, технологиях моделирования, наложения изображений на объекты и т.д.
Список литературы
1. Радченко Д.С. Исследование точностных характеристик алгоритмов измерения частоты // Синергия. 2016. № 3. С. 101-108.
2. Грузман И.С. Цифровая обработка изображений в информационных системах: Учебное пособие / Грузман И.С., Киричук В.С., Косых В.П., Перетягин Г.И., Спектор А.А. - Новосибирск, НГТУ, 2002. 168 с.
3. Дворковича А.В. Цифровая обработка телевизионных и компьютерных изображений / под ред. Ю.Б. Зубарева, В.П. Дворковича -М.: Международный центр научной и технической информации. 1997. 212 с.
4. Системы технического зрения. Справочник. / под ред. В.И. Сырямкина, В.С.Титова - Томск.: МГП «РАСКО». 1993. 367 с.
5. Прэтт У. Цифровая обработка изображений в 2-х Т. / Пер. с англ. под ред. Д.С.Лебедева. - М.: Мир. 1982. 790 с.
