Разработка процедур автоматизированного выбора методов анализа и цифровой обработки изображений при решении задач дефектоскопии

Алексанин Сергей Андреевич аспирант, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики 197101, Россия, г. Санкт-Петербург, Конверкский проспект, 49 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 Другие публикации этого автора

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:

,

где M – математическое ожидание, f – исходное изображение.

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

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

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

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

– энергетиче­ский спектр шума;

– спектр неискаженного изображения;

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

Из определения NSPR видно, что если 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:

– средняя энергия шу­ма;

– средняя энергия изображения.

Величины M и N равны размерностям матрицы изображения или шума.

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

Процедура выбора параметров маски Лапласа

Оператор Лапласа изображения можно записать так:

(1)

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

Отсюда следует, что:

и соответствующая маска Лапласа имеет вид:

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

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

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.

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.