Содержание к диссертации
Введение
ГЛАВА 1. Современное состояние проблемы автоматического контроля качества металлических поверхностей
1.1. Автоматический анализ изображений и контроль качества 13
1. 2. Задачи анализа металлических поверхностей 15
1.2.1. Контроль обработанных поверхностей. Маскирование 18
1.2.2. Одновременный контроль обработанной и необработанной поверхностей. Различение типов текстур
1.3. Существующие системы технического зрения для автоматизации анализа изображений
1.4. Выводы 29
ГЛАВА 2. Анализ существующих методов обработки 30 изображений и текстурного анализа в системах технического зрения
2.1. Методы обработки изображений в системах технического зрения 30
2.2. Методы выделения границ 32
2.3. Пороговые методы 35
2.4. Методы текстурного анализа 40
2.4.1. Метод локального бинарного разбиения 41
2.4.2. Методика разделения текстур, основанная на кривой сложности 41
2.4.3. Метод локальных экстремумов 43
2.4. 4. Метод распределения признаков 45
2.4. 5. Применение Марковских случайных полей 46
2.4. 6. Метод гистограмм с множеством разрешений 47
2.4. 7. Использование фильтров Габора 48
2. 4. 8. Метод матриц совпадений 49
2.4.9. Метод гистограмм суммы и разности 51
2.4.10. Гармонический и вейвлет-анализ 51
2.4.11. Граф кластеров со множеством разрешений 53
2.4.12. Метод длин пробега Галлоуэя 54
2.5. Сопоставительный анализ методов распознавания текстур 55
2.6. Выводы 60
ГЛАВА 3. Экспериментальная установка для получения цифровых изображений образцов текстур
3.1. Структура экспериментальной установки 63
3.2. Описание эксперимента 64
3. 3. Исследование зависимости статистических характеристик текстур от изменения освещённости 67
3.4. Выводы 72
ГЛАВА 4. Разработка методов обработки изображений металлических поверхностей
4.1. Априорный словарь признаков системы распознавания изображений 73
4.2. Разработка методов разделения текстур от однородных областей 75
4. 2.1. Классы объектов и их признаки, критерии разделения 76
4.2.2. Процедуры для начальной подготовки изображения 77
4.2.3. Метод, основанный на слиянии связных областей 79
4.2.4. Метод, основанный на подсчёте перепадов яркости 81
4.2.5. Алгоритмы маскирования 84
4.3. Методы распознавания текстур 89
4.3.1. Исследование математических моделей методов гистограмм суммы и разности и матриц совпадений
4.3. 2. Метод нахождения областей с литой текстурой 93
4.3.3. Разработка новых методов текстурного анализа 94
4.3.4. Метод, основанный на автокорреляционной функции 96
4.3.5. Метод, основанный на псевдокорреляции 99
4.3.6. Обработка корреляционной матрицы и текстурные признаки 102
4.3. 7. Метод, основанный на подсчёте длин строк 104
4.3.8. Обработка гистограмм длин строк и текстурные признаки 106
4.4. Перспективные вспомогательные методики для текстурного анализа и 108 визуализации
4.4.1. Направленная бинаризация 108
4.4.2. Редуцированные матрицы совпадений 109
4.4.3. Эрозия контуров на бинарном изображении ПО
4.4.4. Визуализация текстурных признаков 111 4. 5.
Выводы 113
ГЛАВА 5. Экспериментальная оценка разработанных методов текстурного анализа
5.1. Сопоставительный анализ инвариантности текстурных признаков на основе АКФ и гистограмм Унзера к изменению освещённости
5.2. Сопоставительный анализ разделительной способности признаков на основе АКФ и псевдокорреляции
5.3. Сопоставительный анализ разделительной способности текстурных признаков на основе ПК и гистограмм суммы и разности
5.4. Эмпирическая оценка эффективности текстурных признаков на основе гистограмм суммы и разности, АКФ и ПК
5.5. Экспериментальная оценка признаков на основе подсчёта длин строк 129
5.6. Выводы 132
Заключение 133
- Контроль обработанных поверхностей. Маскирование
- Метод матриц совпадений
- Исследование зависимости статистических характеристик текстур от изменения освещённости
- Разработка новых методов текстурного анализа
Введение к работе
Актуальность. Промышленное производство изделий из различных материалов всегда сопровождается определённым процентом брака, связанным с различными дефектами формы, скрытыми дефектами, проявляющимися при обработке, а также непригодностью рабочих поверхностей к нормальному функционированию готовых изделий в дальнейшем.
До недавнего времени осуществление контроля качества требовало, а на многих предприятиях и до сих пор требует присутствия контролёров, осуществляющих этот контроль визуально. Процесс сортировки деталей или изделий, подлежащих контролю (с участием человека), должен осуществляться непосредственно на поточной линии в режиме реального времени независимо от темпов производства. Сам по себе процесс является однообразным и утомительным. Контролёры, на которых возложена реализация процесса контроля качества, могут неадекватно оценить состояние детали вследствие усталости, рассеянности или по какой-либо другой причине. К тому же производительность труда человека в ряде случаев оказывается недостаточно высокой для обеспечения необходимой скорости выполнения требуемого процесса и экономного распределения рабочей силы. Например, при производстве деталей для автоматических коробок переключения передач время, отведённое одному контролёру на проверку детали равно 2,5 минутам, тогда как машине потребуется 6 секунд. Это означает, что машина может заменить в данном случае от 25 до 75 человек. Кроме того, контролёры уже не в состоянии обеспечить соблюдение постоянно ужесточающихся требований к точности, с которой должен быть произведён контроль. Это приводит к тому, что процент брака при визуальной проверке с участием человека довольно высок, что влечёт за собой, например, крупные рекламации, которые могут значительно превышать стоимость оборудования для автоматического контроля качества. Более того, убытки от расторжения договора с заказчиком в тех областях, где присутствует жёсткая конкуренция и борьба за рынок, также могут превысить эту стоимость.
Современное состояние промышленности указывает на необходимость разработки проблемно-ориентированных систем управления, способных ускорить процесс автоматизации производства и одновременно обеспечить более высокий уровень качества изделий. Это обусловлено новыми требованиями к конкурентоспособности продукции в условиях современного рынка, а именно, потребностью в снижении стоимости процесса производства с одновременным повышением его точности и надёжности. Поэтому вопрос разработки систем контроля качества изделий является актуальным. Наличие подобного оборудования на предприятии подразумевает полностью автоматическую разбраковку или сортировку изделий в соответствии с существующими на данном предприятии критериями качества.
Европа в настоящее время стремительно переходит на полностью автоматическое производство изделий во всех областях промышленности, начиная с автомобилестроения, станкостроения, производства механизмов, оружия, активных элементов реакторов и заканчивая производством изделий из пластмассы и стекла. Для России проблема автоматизации производства и внедрения автоматизированных систем контроля качества изделий является также чрезвычайно важной как с технической, так и с экономической точки зрения.
Переход на автоматический контроль качества является неизбежным и требует не только создания специальной аппаратуры, но и разработки соответствующего математического и программного обеспечения систем обработки информации.
Применение методов и средств обработки информации для автоматизации контроля качества позволяет значительно повысить эффективность производства. В настоящее время методы визуальной инспекции с применением обработки информации разрабатываются для нужд машиностроительной промышленности [116], [117], деревообрабатывающей промышленности [104], [73], текстильной промышленности [105], [106], в производстве стали [107], а также контроля качества бумаги [108]. Большой вклад в развитие направления внесли такие зарубежные учёные, как Т. Маэнпаа, М. Петикаинен, Ф. Кохен, Т. Ойяла, Р. Харалик, А. Джаин, Т. Ньюман, X. Каупинен, а также отечественные учёные В. А. Соловей, А. Б. Комаров, В. Д. Ивченко, Д. Вагапов.
Одним из ведущих разработчиков автоматизированных систем контроля качества, пионером в производстве подобного оборудования, является отдел Обработки изображений и медицинской техники Фраунгоферовского института интегральных схем (ФИИС, г. Эрланген, Германия) [109]. Этот отдел занимается разработкой автоматизированных систем контроля отверстий при помощи точной эндоскопии [110], контроля качества плоских металлических поверхностей [8], тонких металлических труб [111], изделий из пластмассы [112] и др. Среди ведущих специалистов в области производства данного оборудования такие учёные как К. Мюнценмайер, А. Кулешов, И. Попп, Я. Кулье, К. Шпиннлер.
Также производством оборудования машинного зрения для нужд индустрии занимаются такие фирмы как «Interstaatliche Hochschule fur Technik» (Бухс, Германия) [113], «Матрикс Вижн» (представлена в Германии, Франции, Италии) [114], «Surface Inspection» (представлена в США, Германии и восьми странах Европы и Америки)[116].
Таким образом, тема диссертационной работы, посвященная исследованию и разработке методов обработки изображений и распознавания образов в задачах автоматического контроля качества, является актуальной, а результаты исследований должны дать новые научно значимые решения в области обработки изображений и текстурного анализа.
Цель и задачи работы
Целью диссертационной работы является исследование существующих и разработка новых, более эффективных методов и алгоритмов распознавания образов в промышленных системах технического зрения и методов текстурного анализа в целях усовершенствования программно - аппаратных средств контроля качества поверхности металлических изделий в промышленности.
Эффективность определяется быстродействием, вероятностью ошибок, устойчивостью к изменению условий освещённости.
Для достижения поставленной цели необходимо было решить следующие задачи:
1. Анализ существующих методов и алгоритмов обработки изображений металлических поверхностей и характерных для них систем признаков различных текстур.
2. Экспериментальное исследование зависимости текстурных признаков от параметров системы видеосъёмки (освещённости, выдержки, диафрагмы).
3. Разработка новых алгоритмов обработки изображений металлических поверхностей, обеспечивающих решение таких важных задач, как различение текстурных областей от однородных объектов, маскирование различных поверхностей деталей, повышение быстродействия существующих методов обработки.
4. Разработка новой системы текстурных признаков и алгоритмов распознавания текстур, обеспечивающих более высокую эффективность распознавания и качественную классификацию исследуемых типов текстур.
5. Оценка и сопоставительный анализ известных и разработанных методов и алгоритмов распознавания текстур.
Работа выполнялась в рамках совместной с ФИИС научно-образовательной программы «Владимир-Эрланген», а также в процессе научной стажировки в Германии в период с 28.09.2005 по 29.03.2006 по стипендии Президента Российской Федерации.
Научная новизна работы. Научная новизна диссертации состоит в следующем:
1) Проведены экспериментальные исследования зависимости текстурных характеристик металлических поверхностей от освещённости, определяемой параметрами оптической системы, что позволило оценить инвариантность существующих методов текстурного анализа к изменению яркости, а также разработать метод автоматической настройки освещённости в оптической системе, позволяющий избежать потерь информации в процессе получения изображения.
2) Предложены оригинальные методы текстурного анализа, основанные на поиске формы и направленности текстурного элемента при помощи автокорреляционной функции, псевдокорреляции и подсчёта длин строк на бинарном изображении, обеспечивающие более высокую инвариантность к изменениям освещённости и меньшую вероятность ошибки при распознавании.
3) Разработаны новые алгоритмы подсчёта статистических характеристик текстур, позволяющие повысить скорость текстурного анализа с помощью известных методов матриц совпадений и гистограмм суммы и разности.
4) Предложены новые методы различения текстур от однородных объектов, основанные на слиянии взаимосвязанных областей и подсчёте процента перепадов яркости, обеспечивающие достоверное нахождение текстурных участков и их отделение от однородных областей. Апробация метода слияния взаимосвязанных областей была проведена при разработке программного обеспечения для оборудования автоматического контроля качества металлических поверхностей во время научной стажировки в ФИИС (г. Эрланген, Германия).
5) Разработан быстродействующий алгоритм сегментации изображения и адаптивной генерации масок для металлических деталей, способствующий повышению эффективности дальнейшего анализа и поиска дефектов. Практическая значимость работы:
1. Разработанные методы включены в библиотеку программного обеспечения отдела обработки изображений и медицинской техники Фраунгоферовского института интегральных схем, в результате чего расширена научная база методов обработки изображений (созданное программное обеспечение содержит около 200 страниц программного кода на языке C++), необходимая для дальнейшего использования в системах распознавания на промышленных предприятиях.
2. Предложенные оригинальные алгоритмы и методы обеспечивают эффективность распознавания порядка 95% и предназначены для применения не только в автоматизированных системах контроля качества, но и при решении других задач, связанных с текстурным анализом.
3. Предложенные алгоритмы подсчёта статистических характеристик позволяют ускорить процесс текстурного анализа в 1,5 - 2 раза.
4. На основе проведённых исследований влияния условий освещённости на текстурные признаки получены зависимости, представляющие интерес для текстурного анализа в целом и использованные при оценке эффективности методов текстурного анализа.
Внедрение результатов. Созданные методы и алгоритмы обработки изображений и текстурного анализа используются на Владимирском предприятии НЛП «Электронтехносервис» и в учебном процессе кафедр ПИИТ, БМИ ГОУВПО «Владимирский государственный университет», что подтверждается актами внедрения, включены в библиотеку разработчиков программного обеспечения для использования при создании программно-аппаратных комплексов автоматизации контроля качества в ФИИС (г. Эрланген, Германия).
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на 5-ой МНТК «Перспективные технологии в средствах передачи информации» (Владимир, 2003 г.), МНТК, посвященной 45-летию ВлГУ (Владимир, 2003 г.), МНТК «XII Туполевские чтения» (Казань, 2004), 10-ой МНТК «Радиоэлектроника, электротехника и энергетика» (Москва, 2004), на семинарах: в ОАО «Автоприбор», во Фраунгоферовском институте интегральных схем (г. Эрланген, Германия), МНТК "Digital Manufacture" (г. Ухань, Китай, 2006 г.).
На защиту выносится:
1. Оригинальные методы текстурного анализа, основанные на поиске формы и направленности текстурного элемента при помощи автокорреляционной функции, псевдокорреляции и подсчёта длин строк на бинарном изображении
2. Экспериментальные исследования зависимости текстурных характеристик металлических поверхностей от освещённости, определяемой параметрами оптической системы.
3. Алгоритмы подсчёта статистических характеристик текстур, позволяющие повысить скорость текстурного анализа с помощью известных методов матриц совпадений и гистограмм суммы и разности.
4. Новые методы различения текстур от однородных объектов, основанные на слиянии взаимосвязанных областей и подсчёте процента перепадов яркости, обеспечивающие достоверное нахождение текстурных участков и их отделение от однородных областей.
5. Быстродействующий алгоритм сегментации изображения и адаптивной генерации масок для металлических деталей, способствующий повышению эффективности дальнейшего анализа и поиска дефектов.
Публикации. По теме диссертации опубликовано 7 печатных работ, в том числе 3 - в научно-технических журналах, входящих в перечень ВАК.
Структура и объём работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка литературы из 119 пунктов и приложений. Общий объём работы 160 страниц ., в том числе 135 страниц основного текста, 12 таблиц, 117 рисунков, 2 приложения.
Контроль обработанных поверхностей. Маскирование
Очевидно, что при съёмке в промышленных условиях не удаётся получить изображение, содержащее только те области или поверхности, которые необходимо контролировать. Немалую часть изображения, как правило, занимают те участки, которые являются помехой для анализа. К таким участкам относится фон, разного вида крепления контролируемой детали на конвейерной ленте. В некоторых случаях на изображении присутствуют другие части машины, механизма или изделия. Это бывает, когда контроль отдельной детали невозможен. Решение данной проблемы очень часто подразумевает накладывание маски на деталь. Маска представляет собой изображение-трафарет, закрывающее части, не подлежащие анализу и оставляющее открытыми только области, подлежащие контролю. Такая маска выполняется один раз для всей серии одинаковых деталей. Однако подобный подход не является универсальным решением проблемы по причине нестабильности положения детали на конвейере. Очень часто возникают ситуации, в которых контур детали уходит за границы маски и его анализ не представляется возможным. Оптимальным решением может быть адаптивная генерация маски для каждой конкретной детали непосредственно при анализе.
Решение этой задачи включает в себя, во-первых, сегментацию изображения - выделение детали из фона, к которому будет относиться все, что деталью не является. Во-вторых - маскирование тех районов на изображении контролируемой детали, которые не подлежат дальнейшему анализу. Такое маскирование может понадобиться в тех случаях, когда должна быть осуществлена проверка только полированной или фрезерованной поверхности. В этом случае для дальнейшего анализа могут применяться методы, пригодные только для обработки гомогенных областей. Текстуры, которые чаще всего встречаются на металлических деталях, будут являться серьёзной помехой для работы данных методов. На рисунках 1.3 -1.5 показаны примеры, иллюстрирующие вышеописанные случаи. Изображения получены при помощи аппаратуры автоматизации контроля качества металлических поверхностей, разработанной в ФИИС (г. Эрланген, Германия).
Маскирование различных областей на изображении необходимо для деталей типа 1 и может потребоваться для типа 2.
В контроле металлических изделий, производимых промышленностью, изначально более важной является проверка обработанных поверхностей. Поэтому первоначально получили распространение методы, пригодные для обработки однородных областей изображения, к которым относится большая часть обработанных поверхностей. Анализ на начальных этапах часто сводится к получению изображения, пригодного для работы таких методов. Однако очень часто может быть необходимым контроль необработанных поверхностей с различными типами текстур. Явно выраженную текстуру могут иметь и полированные или фрезерованные поверхности при соответствующем освещении. В этом случае возникает необходимость различать типы текстур, характерных подлежащим анализу поверхностям. Виды дефектов или другие контролируемые характеристики для различных текстур могут отличаться. Маскирование, как решение данной проблемы может не подойти, так как контроль поверхностей с разными текстурами должен быть одновременным. Универсальных методов, которые были бы пригодны для работы в реальном времени и позволяли бы надёжно характеризовать тип текстуры, пока нет.
На реальных изображениях контролируемых деталей наиболее часто встречаются поверхности, полученные в результате литья в сырые формы, фрезерования, а также абразивной обработки. Эти типы поверхностей имеют довольно широкий диапазон изменения характеристик и свои отличительные признаки. Для литой поверхности характерна зернистая текстура. Оттенок, размер зерна и прочие характеристики литой поверхности зависят от типа формы для литья, материала, из которого была получена деталь, от условий освещённости и параметров съёмки. Для поверхности абразивной обработки или обработки фрезой, характерно присутствие на ней штрихов определённого или меняющегося направления. Размер и направление штрихов зависят от типа, размера и направления движения фрезы или частиц абразива. Различение типов текстур необходимо для деталей типа 3 и 4.
Метод матриц совпадений
Фильтры Габора - один из наиболее применяемых приёмов в обработке изображений [14], [96], [97], [98]. Многие методы распознавания используют фильтры Габора как на начальных стадиях анализа. Сущность метода состоит ботки изображения набором фильтров вида: где Uo и ф - частота и фаза плоской синусоидальной волны вдоль оси х, о„ и су - пространственные константы Гауссиана вдоль осей х и у соответственно. На рис. 2.18 приведены примеры фильтров Габора с различной частотой синусоиды и пространственной ориентацией (изображение получено при помощи созданной в рамках данной работы компьютерной программы).
Фактический смысл фильтров Габора заключается в том, что изображение проверяется на наличие участков текстуры с различным размером текселя и различной направленностью.
Применение банка фильтров Габора даёт на различных текстурах соответствующий набор откликов, что и позволяет различать текстуры при помощи данного метода. Кроме того, при помощи фильтров Габора производится и частотный анализ.
2.4.8. Метод матриц совпадений
Метод матриц совпадений для анализа и различения текстур был впервые предложен Робертом Хараликом и др. и является одним из наиболее эффективных [16], [99] - [103]. В основе метода лежит получение матриц пространственной зависимости. Матрицы составляются для каждого направления. Хараликом и др. было предложено 4 направления: 0, 45, 90 и 135 градусов. В зависимости от квантования изображения по яркости каждая матрица будет иметь размерность NxN пикселей, где N - количество уровней квантования яркости. Общий вид матрицы для определённой дистанции: После того, как матрицы получены, из них извлекаются текстурные свойства [16], в том числе:
Всего Хараликом и др. было предложено 28 свойств. где p(i, j) - это значение вероятности совпадения яркостей / и / у пары пикселей, отстоящих друг от друга на определенную дистанцию; цх, Цу -средние значения яркости, ох, ау - среднеквадратические отклонения значений яркости, g - количество уровней яркости на данном изображении. Для преобразования матрицы абсолютного количества таких совпадений в матрицу вероятностей совпадений необходимо применить к каждому значению матрицы нормирование. Нормирующий коэффициент при этом равен 2 h (z-l), где h - высота изображения в пикселях, z - его ширина [1].
Метод матриц совпадений до сих пор остаётся одним из наиболее эффективных методов анализа текстур, но требует высоких вычислительных мощностей и в оригинальном исполнении не подходит для распознавания в реальном времени.
Угловой второй момент (ASM) является мерой гомогенности или однородности изображения. На рисунке 2.19 представлено несколько изображений с соответствующими значениями ASM (вычислено при помощи компьютерной программы).
a) ASM = I б) ASM = 0.000216 в) ASM = 0.006158 г) ASM = 0.000626
Изображения с различными значениями второго углового момента
Михаель Унзер [34] предложил метод, который является альтернативой матрицам совпадений. Этот метод основан на подсчёте гистограмм суммы и разности. Им была доказана полная идентичность характеристик, полученных на основе таких гистограмм характеристикам, получаемым на основе матриц совпадений.
Сущность метода заключается в следующем. По четырём направлениям подсчитывается сумма и разность яркостей соседствующих пикселей. На основе полученных значений строится и затем нормируется гистограмма. Текстурные признаки определяются непосредственно при помощи гистограмм. Унзером были предложены формулы для подсчёта характеристик, соответствующих предложенным Хараликом (таблица 2.1).
Исследование зависимости статистических характеристик текстур от изменения освещённости
При измерении статистических характеристик текстур различных участков металлических поверхностей выяснилось, что они крайне неустойчивы к изменениям освещённости. Следует отметить, что работы по исследованию зависимости этих характеристик были не так давно проведены Кристианом Мюнценмайером [64]. Он проводил эксперименты по моделированию изменения освещения на компьютере в соответствии с линейной моделью отклика сенсора. В соответствии с этой моделью отклик сенсора р для л ои полосы спектра есть результат интегрирования спектрального излучения источника света Е(Х) с длиной волны Я, спектральной отражательной способности поверхности s(X) и чувствительности сенсораRr(k)\ p{k) = [R{k\X)E{X)s{X)dX.
В результате исследований Мюнценмайер ввёл нормирующие коэффициенты, использование которых позволило добиться инвариантности характеристик к изменениям освещения (смоделированным на компьютере в соответствии с описанной моделью). Контраст, например, предлагалось нормировать на квадрат средней яркости, и так далее в соответствии со степенью, в которую возводится яркость в формуле вычисления статистической характеристики. Таблица с нормирующими коэффициентами для всех характеристик представлена в работе Мюнценмайера и др. [64].
Однако, как показали исследования, нормированные характеристики всё же инвариантны к изменениям освещения, основанным на линейной модели. В ходе подсчёта характеристик различных участков изображений металлических поверхностей с глобальными изменениями освещённости, избежать которых не представляется возможным, было выявлено, что нормированные характеристики изменяются в довольно широком диапазоне. По этой причине были проведены дальнейшие исследования в этом направлении.
Для постановки серии натурных экспериментов была собрана установка, в которой была предусмотрена возможность изменения освещения тремя различными путями - изменением силы света источника освещения, диафрагмы объектива и времени экспозиции съёмки. Более подробное описание экспериментальной установки представлено ниже. В ходе эксперимента освещённость плавно изменялась от минимальной до максимальной, а в ряде экспериментов и выше.
Под минимальной освещённостью здесь понимается такая, при которой сила света (время экспозиции или диафрагма) обеспечивает минимально возможную среднюю яркость результирующего изображения при условии, что минимальная локальная яркость на нём равна 1. Освещённость ниже минимальной будет недоосвещённостью и результаты измерения статистических характеристик недоосвещённого изображения не могут быть использованы для построения нужной зависимости.
Под максимальной освещённостью понимается такая, при которой сила света (время экспозиции или диафрагма) обеспечивает максимально возможную среднюю яркость результирующего изображения при условии, что максимальная локальная яркость на нём равна 254. Освещённость выше максимальной будет переосвещённостью. Результаты измерения статистических характеристик переосвещё нного изображения не могут быть использованы для построения нужной зависимости.
Для каждого значения освещённости были определены статистические характеристики. Для эксперимента с изменением силы света, были получены изображения одной и той же металлической поверхности для 32-48 позиций освещённости. По данным эксперимента были построены соответствующие графики зависимостей (Рис 3.7 - 3.10).
Зависимость нормированного контраста от яркости - шлифованная поверхность
На рисунках различными типами линий обозначены зависимости контраста в четырёх направлениях - 0,45, 90 и 135 градусов.
В эксперименте со шлифованной поверхностью освещённость намеренно поднималась выше максимальной. Область переосвещённости хорошо видна на графике контраста, кривые проходят через максимум (рис. 3,9).
Из данных зависимостей видно, что на реальных текстурах с естесственным изменением освещения модель, введённая К. Мюнценмайером, недостаточно точна. Даже нормированный на квадрат средней яркости контраст изменяется более чем на 100% при изменении освещённости от минимальной до максимальной. Изменение происходит нелинейно.
На основе данных описанных экспериментов можно сделать вывод о том, что характеристики Харалика и Унзера могут хорошо описывать текстуры, но их надёжность снижается при больших вариациях освещённости. Поэтому в ряде случаев необходимо наличие специализированных частных правил нормирования текстурных признаков в соответствии с типом поверхности и характеристиками камеры, а также создание новых методов текстурного анализа, которые могли бы отдельно описывать свойства структуры и освещённости изображения.
Разработка новых методов текстурного анализа
Основываясь на результатах исследований, проведённых со статистическими характеристиками текстур, можно сделать вывод о том, что их значение зависит как от структуры, так и от освещённости текстуры. Получить информацию только о структуре или только об освещённости очень сложно. В качестве простого примера можно привести эксперимент с двумя решётками. Обе являются последовательностью белых и чёрных вертикальных штрихов. Различие между ними состоит только в шаге. У первой он равен одному пикселю, у второй двум (рис. 4.25). Значения подсчитанных при помощи разработанных программных средств статистических характеристик решёток приведены в таблице 4.3.
Как видно из таблицы, достаточно сложно с помощью этих характеристик сделать вывод о том, что единственное различие между этими решётками это шаг. Более того, изменяя среднюю яркость и отклонение, мы можем получить различные характеристики для таких решёток, не меняя их структуры. Это означает, что методы Р. Харалика и М. Унзера не подходят для того, чтобы найти направленность и структуру текстуры поверхности, поэтому необходим поиск средств, которые позволили бы решить эту задачу. Проведённые исследования показали, что для достижения этой цели можно использовать несколько разных подходов. Ниже рассматриваются подходы, основанные на применении корреляционной функции, автокорреляции бинарных образов и подсчёте длин строк.
Метод, основанный на автокорреляционной функции Как известно, корреляция между двумя значениями яркости вычисляется по формуле К = (/, - (і) (I2 -ft), где /л - средняя яркость. Автокорреляция -это корреляция между значениями яркости двух различных пикселей одного и того же изображения, отстоящих на какой то вектор дистанции. Исследования показали, что эту величину можно использовать для поиска характерного элемента и направления текстуры. Для этого нужно найти автокорреляцию фрагмента изображения с самим собой при различных векторах смещения (рис. 4.26). Средняя корреляция фрагмента изображения может быть подсчитана по следующей формуле К= 11(х,у)-1(х+&,У+4у)) где dx и dy - смещения по осям декартовых координат, N - нормирующий коэффициент.
. Схема иллюстрации автокорреляции Результатом такого подсчёта будет корреляционная матрица, которая будет отражать форму и размер среднего элемента текстуры. Например, для литой поверхности это будет «зерно», а для фрезерованной - вытянутые
