Главная Обратная связь

Дисциплины:






Сегментация объектов



Сегментацией изображения называется разбиение изображения на непохожие по некоторому признаку области. Предполагается, что области соответствуют реальным объектам, или их частям, а границы областей соответствуют границам объектов. Сегментация играет важную роль в задачах обработки изображений и компьютерного зрения. Методы сегментации можно разделить на два класса: автоматические – не требующие взаимодействия с пользователем и интерактивные – использующие пользовательский ввод непосредственно в процессе работы.

Задачи автоматической сегментации делятся на два класса:

1. выделение областей изображения с известными свойствами

2. разбиение изображения на однородные области

Между этими двумя постановками задачи есть принципиальная разница. В первом случае задача сегментации состоит в поиске определенных областей, о которых имеется априорная информация (например, мы знаем цвет, форму областей, или интересующие нас области представляют собой изображения известного объекта). Методы этой группы узко специализированы для каждой конкретной задачи. Сегментация в такой постановке используется в основном в задачах машинного зрения (анализ сцен, поиск объектов на изображении).

Во втором случае никакая априорная информация о свойствах областей не используется, зато на само разбиение изображения накладываются некоторые условия (например, все области должны быть однородны по цвету и текстуре). Так как при такой постановке задачи сегментации не используется априорная информация об изображенных объектах, то методы этой группы универсальны и применимы к любым изображениям. В основном сегментация в этой постановке применяется на начальном этапе решения задачи, для того чтобы получить представление изображения в более удобном виде для дальнейшей работы.

Для грубой оценки качества метода в конкретной задаче обычно фиксируют несколько свойств, которыми должна обладать хорошая сегментация. Качество работы метода оценивается в зависимости от того, насколько полученная сегментация обладает этими свойствами. Наиболее часто используются следующие свойства:

  • однородность регионов (однородность цвета или текстуры)
  • непохожесть соседних регионов
  • гладкость границы региона
  • маленькое количество мелких «дырок» внутри регионаи т. д. [8]

После фильтрации мы имеем приблизительные границы дефектов проката (80-90% истинного размера дефекта). Далее выбираем пиксель внутри обнаруженной области и применяем схему наращивания односвязных областей вокруг него. Приняв полученный результат в качестве основы для дальнейшей обработки, применяем уточняющий алгоритм, к примеру, метод обнаружения краев Канни.



Выгода во времени достигается также за счет того, что если на снимке после быстрой фильтрации не обнаружен дефект проката, то дальнейшие более долгие процедуры сегментации не выполняются. Кроме того, возможна реализация потокового режима выполнения программы обнаружения. Основной поток следит за каждым кадром, выполняет фильтрацию изображения и передает изображение с найденным дефектом новому потоку, который выполняет детальное исследование дефекта.

Планируемые результаты

При написании данного автореферата магистерская работа еще не завершена. Окончательные результаты планируется получить в декабре 2009 года. Полный текст работы и материалы могут быть получены по электронному адресу у автора или руководителя после указанной даты.

Заключение

Применение разработок автоматизации дефектоскопии в процессе производства и эксплуатации изделий даст большой экономический эффект за счёт сокращения времени, затрачиваемого на обработку заготовок с дефектами, экономии металла.

В данной работе выполнено краткое описание предметной области, сделан обзор существующих научных наработок, выбраны и проанализированы методы обработки изображения, применимые для данной прикладной задачи.





sdamzavas.net - 2020 год. Все права принадлежат их авторам! В случае нарушение авторского права, обращайтесь по форме обратной связи...