1. ISTCGCAP
  2. Всі випуски
  3. Випуск 91, 2020
  4. Дослідження методів класифікації текстур РЕМ-зображень мікроповерхонь об'єктів та їх сегментація

Дослідження методів класифікації текстур РЕМ-зображень мікроповерхонь об'єктів та їх сегментація

ISTCGCAP.
2020;
Випуск 91, 2020, Номер 91
: 41-50
https://doi.org/10.23939/istcgcap2020.91.041
Надіслано: Грудень 20, 2019
Автори:
  1. О. М. Іванчук
  2. О. В. Тумська
1
Національний університет “Львівська політехніка”
2
Національний університет “Львівська політехніка”

Мета. Метою даної роботи було розроблення і дослідження методів класифікації текстур РЕМ-зображень мікроповерхонь об'єктів на основі  статистичних та спектральних  характеристик текстурних фрагментів, а також порівняльного аналізу методів сегментації РЕМ-зображень. Методи. Визначення характеристик текстури РEM-зображень ґрунтувалось на статистичних моментах, розрахованих за гістограмою яскравості. Спектральні міри текстури обчислювались за спектром Фур’є. Для визначення спектральних текстурних характеристик було вибрано  параметри амплітудної та осьової функцій. Сегментація РEM-зображень мікроповерхонь об'єктів виконувалася чотирма способами, а саме: методом глобальної порогової сегментації, методом нарощування області, методом поділу та злиття і методом вододілу з використанням маркерів. Результати. Опрацювання серії РЕМ-зображень ґрунтів показало найкращий результат класифікації текстур за мірою однорідності, ніж за іншими статистичними характеристиками. Обчислення спектральних характеристик  РЕМ-зображень металів  виявило періодичність або майже періодичність і спрямованість присутніх у зображенні елементів текстур і разом з результатами класифікації за мірою однорідності дозволяє отримати узагальнену характеристику текстури зображення. Порівняльний аналіз чотирьох методів сегментації показав, що найкращий результат визначення меж об'єктів на РЕM-зображенні отримано методом вододілу з використанням маркерів. Програмна реалізація методів класифікації текстур та їх сегментація виконувалась в системі MatLab. Наукова новизна. Авторами запропоновано метод класифікації РЕМ-зображень на основі спектральних текстурних характеристик за параметрами амплітудної та осьової функцій. Показано, що сегментація РEM-зображень методом поділу і злиття дозволяє задати умови для виділення  на зображенні областей з певними характеристиками текстури. Практичне значення. Узагальнена характеристика текстури РЕМ-зображення, що визначається за статистичними і спектральними мірами, корисна для автоматизованого розпізнавання текстур і аналізу РЕМ-зображень. Вибір ділянок з певними характеристиками текстури є важливим етапом попередньої обробки зображень під час знаходження точок інтересу, що придатні для зіставлення РЕМ-зображень і розпізнавання об'єктів.

растровий електронний мікроскоп (РЕМ)
статистичні та спектральні характеристики текстури РEM зображення
класифікація
сегментація
  1. Aль-Джанаби Акил Бахр Таркхан, Шувалова Л. А. Улучшение изображения при помощи алгоритма watershed. Системи обробки інформації, 2014. 8(124). С. 3–7.
  2. Асатрян Д. Г., Куркчиян В. В., Харатян Л. Р. Метод классификации текстур с использованием структурных характеристик изображения. Компьютерная оптика, 2014. Том 38, №3. С. 574–579.
  3. Баврина А. Ю., Н. Ю. Ильясова. Исследование фотограмметрических изображений с помощью матриц вероятности распределения яркости. Компьютерная оптика, 2002. T. 23. C. 62–65.
  4. Богучарский С. И., Машталир С. В. Анализ текстур в последовательности изображений на основе векторного квантования. Радіоелектроніка, інформатика, управління, 2014. № 2. C. 94–99.
  5. Визильтер Ю. В., Желтов С. Ю. Проблемы технического зрения в современных авиационных системах. C. 11–44 в трудах: Техническое зрение в системах управления мобильными объектами 2010: Труды научно-технической конференции-семинара. Вып. 4. Под ред. Р.  Р. Назирова. Москва: КДУ, 2011. 328 с.
  6. Голдуева, Д. А., Мокшанина М. А. Трейс-преобразование как основа метода сегментации полутоновых текстур. Модели, системы, сети в экономике, технике, природе и обществе. 2015. № 3 (15). C. 128–136.
  7. Гулаков В. К., Трубаков А. О., Огурцов С. Н. Информативная значимость текстурных характеристик на основе матрицы смежности уровней яркости пикселей изображения. Вестник Брянского государственного технического университета. 2011. № 2(30), С. 81–85.
  8. Завалишин Н. В., Мучник И. Б., Шейнин Р. Л., Автоматическая классификация текстурных зображений. Автомат. и телемех., 1975, выпуск 2, C. 95–103.
  9. Іванчук О., Тумська О. Порівняльний аналіз статистичних та скейлінгових характеристик РЕМ-зображень тест-об'єкта, отриманих на різних типах РЕМ. Сучасні досягнення геодезичної науки та виробництва. Львів, 2017. Вип. II (34). С. 119–131.
  10. Колодникова Н. В. Обзор текстурных признаков для задач распознавания образов. Сборник трудов сотрудников ТУСУРа. Томск, 2004. С. 113–124.
  11. Куприянов А. В. Сегментация текстурных изображений на основе оценивания локальных статистических признаков. Вестник Самарского государственного аэрокосмического университета, №2, 2008. С. 245–251.
  12. Мельник В. М., Шостак А. В. Растрово-електронна стереомікрофрактографія. Монографія. Луцьк: Вежа, 2009. 469 с.
  13. Мельник Г. М. Інформаційна технологія аналізу та синтезу структурних текстур в автоматизованих системах опрацювання гістологічних зображень. Дисертація на здобуття наукового ступеня кандидата технічних наук. Тернопіль, 2012. 27 с.
  14. Номан А. А., Хорьков К. С., Шамин П. Ю. Методы исследования полупроводниковых гетероструктур : учеб. Пособие. Владимир: Изд-во ВлГУ, 2014. 80 с.
  15. Полякова М. В., Волкова Н. П., Іванова О. В. Сегментація зображень стохастичних текстур амплітудно-детекторним методом у просторі вейвлет-перетворення. Информационно-измерительные системы ААЭКС, 2008, №2. C. 81–88.
  16. Потапов А.А. Новые информационные технологии на основе вероятностных текстурных и фрактальных признаков в радиолокационном обнаружении малоконтрастных целей. Радиотехника и электроника, 2003. Т. 48, № 9. С. 1101–1119.
  17. Сизов П. В., Паламарь И. Н. Способ и система анализа изображений на основе сегментации с помощью методов выращивания и слияния областей [Электронный ресурс]. III Всероссийские научные Зворыкинские чтения: сб. тез. докл. III Всероссийской межвузовской научной конференции. Муром, 2011. С. 243–244.
  18. Смеляков К. С. Кореляционный метод распознавания текстуры типа смеси изображений на основе использования гистограмм. Системи управління навігації та зв`язку, 2008, випуск 4(8). С. 18–21.
  19. Фисенко В. Т., Фисенко Т. Ю. Фрактальные методы сегментации текстурных изображений. Приборостроение, 2013. Т. 56, № 5. С. 63–70.
  20. Форсайт Д. Компьютерное зрение. Современный подход / Д. Форсайт, Дж. Понс Москва: Издательский дом «Вильямс», 2004, 928 с.
  21. Цапаев А. П., Кретинин О. В. Методы сегментации изображений в задачах обнаружения дефектов поверхности. Компьютерная оптика, 2012, том 36, №3. С. 448–452.
  22. Bhosle V. V., Pawar V. P. Texture Segmentation: Different Methods. International Journal of Soft Computing and Engineering (IJSCE) ISSN: 2231-2307, Volume-3, Issue-5, November 2013, pp. 69–74.
  23. Cavalin, Paulo & Soares de Oliveira, Luiz. (2017). A Review of Texture Classification Methods and Databases. 1-8. 10.1109/SIBGRAPI-T.2017.10.
  24. Cord A., Bach F., Jeulin D. Texture classification by statistical learning from morphological image processing: application to metallic surfaces. J. Microsc. 239(2), 159–166 (2010).
  25. Gonzalez, R. C., & Woods, R. E. Book on “Digital image processing”. Prentice-Hall of India Pvt. Ltd. 2005
  26. Gonzalez, R. C., Woods, R. E., & Eddins, S. L. Ruan Qiuqi (Translation). Digital Image Processing Using MATLAB. Publishing House of Electronics Industry, 2006, 76-77.
  27. Gonzales-Barron, U. A. and Butler, F. Statistical and spectral texture analysis methods for discrimination of bread crumb images. 2006 pp. 749 -759. DOI: 10.1051/IUFoST:20060164.
  28. Gray A, & Marshall S. & McKenzie J. Modeling of evolving textures using granulometries. Chapter in Eurasip Book Series on Signal Processing and Communications, 2006, pp. 240–270.
  29. Haindl M., Mikeš S., Chap. 9. Unsupervised Texture Segmentation, pp. 227–248. In Pattern         Recognition Techniques, Technology and Applications by Peng-Yeng Yin (eds), 2016, 626 p.
  30. Haralick, R. M. (1979). Statistical and structural approach to textures, Proceedings IEEE, 67, pp. 786804.
  31. Hu X. Frequency Based Texture Featurte Descriptors. 2017, 147 p.
  32. Jing, Y. T., Yong H.T. Phooi Ye. L. Recent Trends in Texture Classification. A Review. Symposium on Progress in Information & Communication Technology. 2009. P. 63–68.
  33. Khokhlov M., Fischer A., Rittel D. Multi-Scale Stereo-Photogrammetry System for Fractographic Analysis Using Scanning Electron Microscopy. Experimental Mechanics (2012) 52: pp. 975–991. DOI 10.1007/s11340-011-9582-0.
  34. Lee J. H., Yoo S. I. An effective image segmentation technique for the SEM image. Conference Paper May 2008, pp. 1-6. DOI: 10.1109/ICIT.2008.4608647, Source: IEEE Xplore.
  35. Liu X. and Wang D. L. Image and Texture Segmentation Using Local Spectral Histograms. IEEE transactions on image processing, VOL. 15, NO. 10, 2006 pp. 3066-3077.
  36. Lu D., Q. Weng A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 2007, Vol. 28(5), pp. 823–870.
  37. Madasu V. K., Yarlagadda P. An in depth comparison of four texture segmentation methods. Digital Image Computing Techniques and Applications. pp. 366–372. IEEE.DOI 10.1109/DICTA.2007.83.
  38. Manjunath B. S., Haley G.. M., Ma Wei-Ying, Newsam S. D. Multiband Techniques for Texture Classification and Segmentation. Chap. 4.9 in Handbook of Image and Video Processing. (Second Edition) by Bovik Al. (eds), pp. 455–470. Academic Press., 2005.
  39. Materka A., Strzelecki M. Texture Analysis Methods – A Review, Technical University of Lodz, Institute of Electronics, COST B11 report, Brussels, 1998, pp. 1-33.
  40. Neogi, N., Mohanta, D.K. & Dutta, P.K. Review of vision-based steel surface inspection systems. J Image Video Proc, 2014, 50 (2014), pp. 1-19 doi:10.1186/1687-5281-2014-50.
  41. Przybyl K., Gawalek J., Koszela K., Przybyl J., Rudzinska M., Gierz L. and Domian E. Neural Image Analysis and Electron Microscopy to Detect and Describe Selected Quality Factors of Fruit and Vegetable Spray-Dried Powders—Case Study: Chokeberry Powder. 2019, pp. 1-14.
  42. Rangayyan R. M. Chap. 7, Analysis of texture, pp. 1277-1375. In Biomedical Image Analysis CRC Press LLC, Boca Raton, FL, 2005.
  43. Shapiro L. G. and Stockman G. Computer Vision, PrenticeHall, 2001, 609 p.
  44. Sparavigna A. C. A method for the segmentation of images based on thresholding and applied to vesicular textures. Philica, 2016 (889). hal-01408383. pp. 1-10.
  45. Szumilas L., Mičušík B. and Hanbury A. Texture segmentation through salient texture patches. Computer Vision Winter Workshop, 2006, pp. 1-6.
  46. Tuceryan M., Jain A. K. Texture Analysis. Chapter 2.1 in The Handbook of Pattern Recognition and Computer Vision (2nd Edition), by C. H. Chen, L. F. Pau, P. S. P. Wang (eds.), pp. 207–248, World Scientific Publishing Co., 1998.
  47. Vibhute, A. S. Review on: Texture Discrimination Feature Analysis for Visually Similar Texture of Different Fields (IJSRD/Vol. 3/Issue 09/2015/207) pp. 851–856.