Декомпозиція зображень агрегованих елементів дисперсних утворень за їх структурою
- Деталі
- Категорія: IT-технології
- Останнє оновлення: Понеділок, 21 липня 2014, 14:11
- Опубліковано: Понеділок, 23 грудня 2013, 16:06
- Перегляди: 3822
Aвтори:
Т.О. Рузова, кандидат технічних наук, Дніпропетровський національній університет ім. О. Гончара, старший науковий співробітник науково-дослідної лабораторії моделювання процесів механіки рідини і газу та тепломасообміну, м.Дніпропетровськ, Україна
О.П. Толстопят, кандидат технічних наук, старший науковий співробітник, Дніпропетровський національній університет ім. О. Гончара, старший науковий співробітник науково-дослідної лабораторії моделювання процесів механіки рідини і газу та тепломасообміну, м.Дніпропетровськ, Україна
В.І. Єлісєєв, кандидат технічних наук, старший науковий співробітник, Дніпропетровський національній університет ім. О. Гончара, старший науковий співробітник науково-дослідної лабораторії моделювання процесів механіки рідини і газу та тепломасообміну, м.Дніпропетровськ, Україна
Л.О. Флеєр, Дніпропетровський національній університет ім. О. Гончара, старший науковий співробітник науково-дослідної лабораторії моделювання процесів механіки рідини і газу та тепломасообміну, м.Дніпропетровськ, Україна
Реферат:
До основних проблем виміру мікрооб’єктів за відеозображеннями належать низька контрастність, неоднорідність освітлення й „зашумленість“ фону, а також наявність агрегованих утворень, некоректна обробка яких приводить до істотного перекручування результатів вимірів.
Мета. Створення методу сегментації агрегованих елементів дисперсних утворень сферичної форми (крапель емульсій), стійкого до „шумів“ зображення та такого, що дозволяє обробляти агрегати складної форми.
Методика. Метод включає кілька етапів: фільтрація вихідного зображення, переведення в монохромний режим, визначення координат точок контуру агрегату, побудову його кістяка на основі алгоритму Зонга-Суня. Точки приєднання крапель визначаються як найбільш вузькі місця розглянутого агрегату (перешийки). Для їх знаходження на кожній гілці кістяка запропоноване введення функції, яка характеризує ширину ділянки агрегату, що їй відповідає, у даній точці. Точки приєднання частинок визначаються як точки локального мінімуму введеної функції. Для згладжування зазначеної функції, з метою зменшення впливу „шумів“ контуру, використовуються цифрові низькочастотні фільтри. Розроблено метод коректування введеної функції з метою згладжування похибок растрового представлення контуру об’єкта.
Робота методу проілюстрована як на модельних зображеннях, так і на фрагментах зображень реаль-них емульсій другого роду (вода в маслі).
Результати. Запропоновано метод, який дозволяє здійснювати декомпозицію агрегатів складної конфігурації, що складаються з великої кількості частинок сферичної форми.
Наукова новизна. Запропоновано метод сегментації агрегатів, заснований на інформації про структуру й контури агрегатів.
Практична значимість. Метод може бути використаний при розробці систем виміру й аналізу емульсій, а також інших мікрооб’єктів.
Список літератури / References:
1. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс – М.: Техносфера, 2005. – 1072 с.
Gonzales, R.C. and Woods, R.E. (2008), Digital image processing, Upper Saddle River, Nj: Pearson Prentice Hall.
2. Singh, V., Marinescu, D.C. and Baker T.S. (2004), “Image segmentation for automatic particle identification in electron micrographs based on hidden Markov random field models and expectation maximization”, Journal of Structural Biology,
no. 145. pp. 123–141.
3. Кравцов А.А. Модифицированный рэлеевский детектор слабоконтрастных границ двумерных объектов на изображении / А.А. Кравцов, О.С. Сидоркина, Д.В. Юрин // 16-я международная конференция по компьютерной графике и ее приложениям ГрафиКон’2006. – Новосибирск: Академгородок. – 2006. – С. 351−354.
Kravtsov, A.A., Sidorkina, O.S. and Yurin, D.V. “Modified Rayleigh Detector of Low Contrast 2D Objects Boundaries on Image”, The 16th International Conference “Computer Graphics and Applications (GraphiCon’2006)”, Akademgorodok, Novosibirsk, Russia, pp. 351−354.
4. Хисамутдинов М.В. Фильтрация изображений с целью выделения эллипсов / М.В Хисамутдинов // Искусственный интеллект. – 2008. – № 4. – С. 429–437.
Hisamutdinov, M.V. (2008), “The filtration of images for the purpose of the isolation of ellipses”, Iskusstvenniy intellekt, no. 4, pp. 429–437.
5. Honkanen, M. (2007), “Analysis of the overlapping images of irregularly-shaped particles, bubbles and droplets”, The International Conference on Multiphase Flow, Leipzig, pp. 370–382.
6. Kutalik, Z., Razaz, M. and Baranyi, J. (2004), “Occluding convex image segmentation for e.coli microscopy images”, XII European Signal Processing Conference EUSIPCO, Viena, pp. 937–940.
7. Ritter, N., and Cooper, J. (2007), “Segmentation and Border Identification of Cells in Images of Peripheral Blood Smear Slides”, Proceedings of the 30th Australasian Computer Science Conference (ACSC2007), Ballarat, pp. 161–169.
8. Рузова Т.А. Модель пороговой классификации видеоизображений дисперсных образований / Т.А. Рузова // Збірник наукових праць НГУ. – 2007. – С. 162–167.
Ruzova, T.A. (2007), “Thresholding model of dispersive structures videoimages”, Zbirnyk naukovyx prats NGU, Dnipropetrovs: RVK NGU, pp. 162–167.
9. Рузова Т.А. Построение скелетов изображений агрегированных объектов дисперсий / Т.А. Рузова // Науковий вісник Національного гірничого університету. – 2012. – № 1(127). – С. 107–112.
Ruzova, T.A, (2012), “Dispersion aggregated objects images skeletonization”, NaukovyiVisnykNatsionalnohoHirnychohoUniversytetu, Dnipropetrovsk, no. 1(127), pp. 107–112.
![]() ![]() |
|
![]() ![]() ![]() |
![]() |