Development of procedures of the automated choice of methods of the analysis and digital processing of images at the solution of problems of defectoscopy

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 Other publications by this author

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.