Содержание к диссертации
Введение
Глава 1 Описание структуры и алгоритмы анализа изображений 5
1.1 Иерархическая структура изображений 5
1.2 Описание иконического уровня в структуре изображений 10
1.3 Описание уровня примитив в структуре изображений 14
1.4 Описание уровня сегмент в структуре изображений 25
1.5 Алгоритмы анализа изображений 43
1.6 Выводы по главе 1 48
Глава 2 Описание структуры и алгоритм анализа микроструктурных металлографических изображений деформируемых алюминиевых сплавов 50
2.1 Описание и классификация областей сегмент микроструктурных металлографических изображений деформируемых алюминиевых сплавов 50
2.2 Выделение и классификация областей «концентрации сегментов» микроструктурных металлографических изображений деформируемых алюминиевых сплавов 61
2.3 Тематическая карта микроструктурных металлографических изображений деформируемых алюминиевых сплавов 74
2.4 Алгоритм анализа микроструктурных металлографических изображений деформируемых алюминиевых сплавов 79
2.5 Выводы по главе 2 83
Глава 3 Экспериментальные исследования алгоритма анализа металлографических изображений деформируемых алюминиевых сплавов 84
3.1. Цели и задачи экспериментального исследования 84
3.2 Описание программно-аппаратной системы 86
3.3 Описание экспериментальных исследований 87
3.4 Выводы по главе 3 102
Заключение 105
Список использованных источников
- Описание иконического уровня в структуре изображений
- Описание уровня сегмент в структуре изображений
- Выделение и классификация областей «концентрации сегментов» микроструктурных металлографических изображений деформируемых алюминиевых сплавов
- Описание программно-аппаратной системы
Введение к работе
Актуальность темы. Одним из основных источников информации о свойствах металлов и сплавов в современном металлургическом производстве служат металлографические изображения (МГИ). Имеющиеся на сегодня средства автоматизации металлографического контроля ориентированы, в первую очередь, на признаковое описание пикселей и их классификацию, реже - на выделение и анализ формы сегментов. Между тем, металлографическое исследование качества металлов и сплавов обуславливает необходимость анализа изображений с целью описания распределения химических соединений по площади изображений. Поэтому, в настоящее время актуальна задача исследования структуры изображений, а также разработка моделей областей, характеризующих свойства сплавов.
Цель работы. Целью диссертационной работы является описание структуры металлографических изображений деформируемых алюминиевых сплавов.
В рамках цели решаются следующие задачи:
Разработка описания областей сегмент МГИ, посредством анализа отношений граничных элементов областей примитив составляющих область сегмент.
Выделение и классификация областей концентрации сегментов микроструктурных МГИ деформируемых алюминиевых сплавов.
Описание тематической карты микроструктурных МГИ деформируемых алюминиевых сплавов.
Разработка алгоритма металлографического анализа микроструктурных МГИ деформируемых алюминиевых сплавов.
Научная новизна работы:
Разработаны модели области сегмент на основе анализа отношений граничных элементов областей примитив, составляющих область сегмент, позволяющие классифицировать области сегмент микроструктурных МГИ деформируемых алюминиевых сплавов.
Впервые предлагается рассматривать концентрацию сегментов как область изображений. Представлен признак, позволяющий выделить концентрацию значимых компонент микроструктурных МГИ деформируемых алюминиевых сплавов.
Разработаны модели области концентрации сегментов на основе анализа отношений граничных сегментов, позволяющие классифицировать области концентрации значимых компонент микроструктурных МГИ деформируемых алюминиевых сплавов.
Разработано структурное описание тематической карты микроструктурных МГИ деформируемых алюминиевых сплавов, позволяющее анализировать взаимное расположение областей концентрации значимых компонент изображений.
Разработан алгоритм металлографического анализа микроструктурных МГИ деформируемых алюминиевых сплавов. Результаты работы алгоритма позволяют характеризовать свойства деформируемых алюминиевых сплавов.
Практическая ценность работы:
Разработан программно-аппаратный комплекс, осуществляющий анализ микроструктурных МГИ деформируемых алюминиевых сплавов. Комплекс внедрен и используется на заводе КраМЗ, а также в учебном процессе СФУ.
По материалам исследований опубликовано три статьи, две из которых опубликованы в сборниках, рекомендованных ВАК.
Структура и объем диссертации. В структуре диссертации представлены содержание, введение, три главы, заключение и приложения. Работа содержит 116 страниц машинописного текста без приложения, 34 рисунка и 13 таблиц. Список литературы содержит 98 наименований.
Описание иконического уровня в структуре изображений
Пиксель представляет собой элемент изображений единичной площади. В работах [2, 3, 5-9] указывается, что всякий пиксель в структуре изображений представлен двумя множествами отношений:
а) унарным множеством отношений :{ai}\ характеризующим свойства пикселя (обычно используется яркость, градиент, текстура и т.д.);
б) бинарным множеством отношений :{а }2, характеризующим соседство пикселей pi npj на изображении, т. е. {ц}2(рь pj).
Множество унарных и бинарных отношений области пиксель в литературе определяют как иконическое, соответственно, уровень в структуре изображений называют иконическим уровнем.
Отношения соседства на иконическом уровне предопределяет дальнейшую возможность описания изображений как множества однородных по некоторому признаку а/ є {а(} областей на следующем выше расположенном уровне структуры изображений.
На иконическом уровне состав множества отношений {я }2 включенны отношения смежности и связности.
Способ установления соседства определяется матричной структурой изображений. Существуют варианты использования трех, четырех, шести и восьми соседства пикселей. Как правило, используются «матричные» модели с четырех или восьми соседством.
Выбор варианта соседства зависит, прежде всего, от минимизации вычислительных затрат и требуемой точности описания исследуемой области.
В [2, 3, 6, 7] отмечается, что при использовании «матричной» модели возможны разрывы и наличие общих границ раздела значимых областей изображений. В обоих случаях применение «матричной» модели приводит к ожидаемым ошибкам: - уменьшение площади областей, за счет увеличения площади «матрицы», в том числе рассечение области структурой «матрицы» на части; - поглощение отдельных областей, более крупными областями, либо слияние двух или более областей в одну.
Тем не менее, для представления изображений обычно используется матричная форма.
В описании изображений на иконическом уровне используется статистический анализ распределения {а,-}1. В [10-13] указывается, что обнаружение существенного изменения а/ є {я,} является значимым признаком, т. е. наличие исследуемого объекта на изображении. Так, в состав иконических отношений может быть включены следующие смысловые отношения: «имеет место быть», «быть расположенным». Более точный анализ основан на оценке относительного изменения корреляции элементов {я,} \
В развитии статистического подхода к анализу изображений можно выделить два основных направления. Первое из них представляет развитие инструментально-визуальной методики балльной оценки. Балльная оценка наличия или отсутствия некоторого объекта на изображении осуществляется путем сравнения с эталоном, где в качестве эталона представлена некоторая функция распределения а/ є {а,} \ характеризующая типовой объект [10-16].
Однако наиболее широкое распространение получил способ вычисления оценок на основе использования методов математической морфологии [17-20]. Типичные примеры приложения методов математической морфологии рассмотрены в [2, 3, 17,21].
В [22] для анализа ориентации частиц титановых сплавов используется гистограмма распределения направленности частиц в пределах участка изображения, полученная при помощи преобразования Фурье.
В [23] для вычисления оценки размера зерна в пределах изображений микроструктуры металлов или сплавов использован комбинированный подход, сочетающий использование преобразования Фурье и нейронных сетей.
В [24] для классификации сталей в зависимости от размеров ферритовых включений и карбидной фазы использовалась гистограмма распределения длин серий.
Второе направление - это исследование текстурных признаков изображений. Текстуру можно классифицировать относительно размеров элементов [16, 25, 26] как мелкие и крупные, относительно формы элементов [27, 28-30] как пятнистые, неправильные, линейчатые, округлые и так далее.
Несмотря на интуитивную тривиальность выделения текстурных компонент изображений человеком, до настоящего времени не существует общепринятого определения текстуры. Это связано с тем, что понятие текстуры характеризуется через зрительное восприятие формы объекта [26].
В статистическом подходе текстурные признаки рассматривают как совокупность статистических характеристик, полученных с помощью множества измерений заданного множества объектов изображений.
В [25] предложено использовать в качестве признаков текстур двумерные статистические характеристики уровней интенсивности элементов разложения. Харалик, Шанмугам, Динстейн предложили использовать в качестве признаков текстур статистические характеристики уровней интенсивности элементов разложения:
Описание уровня сегмент в структуре изображений
Определение дерева связности [2, 3] аналогично определению графа смежности с той разницей, что при введении понятия ребра v,y вместо отношения смежности используется отношение связности дискретного объекта.
Множество реляционных моделей задают алгебру реляционных моделей проблемной области. В качестве примера использования алгебры реляционных моделей можно привести работу [26], в которой разработана логико-алгебраическая модель для кодирования контурной информации. Сигнатуру алгебры составляют операции объединения, пересечения, отсечения и дополнения, заданные на множестве плоских фигур.
В общем случае подход, использующий реляционные структуры, ставит две практические задачи: определение типологии элементов (реляционных моделей) и определение сигнатуры операций над данными элементами. Представление структуры изображений в виде графа нашло широкое применение в задачах сжатия информации в картографических базах данных. В меньшей степени в литературе уделяется внимание проблеме сегментации изображений на основе использования реляционных моделей.
В работах Розенфельда и др., [13, 14] анализируется понятие области примитив. Понятие примитив было предложено использовать для обозначения относительно «малых» по площади областей изображений и относительно однородных. Это путь позволяет абстрагироваться от избыточной информации, представленной иконическим уровнем в структуре изображений.
Одним из способов выделения области примитив изображений является выполнение пространственной фильтрации внутри локальной окрестности [10, 13, 14]. Примитив типа «линия» единичной толщины можно обнаружить путем свертки изображений с набором линейных масок, с помощью которых выпол няется контрастирование вертикальных, горизонтальных и диагональных отрезков линии.
Хюккель обобщил идею аппроксимации перепада яркости и предложил выполнять выделение области примитив внутри области круглой формы. Фрагмент изображений внутри круглого окна аппроксимируется идеальным отрезком линии, который имеет вид узкой полоски, ограниченной параллельными прямыми; яркость внутри этой полоски отличается от яркости соседней области. Если удается добиться достаточно точной аппроксимации, то считается, что в составе сегмента (круглой области) есть примитив с подобранными в процессе аппроксимации параметрами. Этот набор синтаксических представлений области примитив составляет алфавит значимой области изображений.
В [2, 3, 10, 13, 14, 39, 40] отмечается, что сегментирование изображений выполняется двумя классами алгоритмов: разметки связных точек области и выделения границ области. Акцент при выделении однородности и связности области учитывается в алгоритмах в разной степени, что и предопределило их назначение.
К первому классу алгоритмов «выделения границ области» относятся алгоритмы, ориентированные на анализ однородности свойств областей изображения. Представителями данного класса являются алгоритмы: пространственного дифференцирования, высокочастотной фильтрации, функциональной аппроксимации.
Ко второму классу алгоритмов «разметки внутренних точек» области относятся алгоритмы, ориентированные на анализ связности областей изображения. Представителями данного класса являются алгоритмы: кластер-анализа, наращивания областей, релаксационной разметки изображений.
В [31] отдельно выделяются комбинированные алгоритмы сегментации, основанные на различном сочетании алгоритмов указанных выше классов.
В каждом алгоритме сегментации, так или иначе, учитывается условие связности и однородности элементов выделяемых областей изображений.
В алгоритме кластеризации множество признаков элементов изображений разбивается на кластеры на условии однородности, а затем в области объединяются только связные элементы каждого кластера. Обычно, использование алгоритма кластеризации приводит к формированию области, обладающей изрезанной границей, содержащей «дыры», а также шумы типа «соль» и «перец».
В алгоритме наращивания области априори произведено разбиение изображения на элементы на условиях связности. Затем в области объединяются элементы при условии их однородности. Алгоритм сегментации наращивания области выполняется путем сглаживания изображений, с помощью маски размером N х N элементов, представляющей собой фильтр нижних частот. Затем уровень каждого элемента усредненного изображения сравнивается со средним значением уровней его четырех соседей (справа, слева, сверху и снизу), удаленных от центрального элемента на расстояние в N элементов. Область выделяется, если эта разность достаточно велика.
В алгоритме «дробления» исходное изображение разбивается до тех пор, пока не образуются области, удовлетворяющие критерию однородности.
В алгоритме анализа границ отыскиваются границы нарушения однородности, затем соответствующие элементы исключаются из множества, представляющего границу. Алгоритм сегментации анализа границ области [13] предусматривает формирование разности между средней яркостью в окне размером NxNn средней яркостью окружающего кольца шириной N.B [10] указывается, что алгоритм анализа границ наиболее эффективен в случае, когда область является односвязной.
Выделение и классификация областей «концентрации сегментов» микроструктурных металлографических изображений деформируемых алюминиевых сплавов
Сегодня металлографическое исследование качества металлов и сплавов обуславливает необходимость анализа изображений с целью описания распределения химических соединений по площади изображений. Поэтому в работах металловедов отмечается, что не только размер, форма и состав объектов являются важными признаками, характеризующими свойства металлов и сплавов, но и их расположение.
В работах [82, 83] приводятся практические результаты исследований микроструктурных и рентгеноструктурных изображений различных металлов и сплавов, на основании которых утверждается, что расположение объектов существенно влияет на свойства металлов и сплавов.
В работах [84, 87] проведен анализ микроструктурных МГИ вблизи трещин. В результате отмечается, что микроструктура образцов, вырезанных на расстоянии 300-500 мм от трещин, отличается от исходной структуры количеством и размером объектов (до 80%). Следовательно, по мере приближения к трещине происходит изменение не только формы объектов, но и изменяется их расположение.
Поэтому в цели дальнейшего анализа свойств на примере микроструктурных МГИ деформируемых алюминиевых сплавов удобно ввести признак, позволяющий характеризовать расположение сегментов изображений или их концентрацию [98].
Концентрация указывает на отношение площади фона и площади сегментов изображений. В работе предлагается вычислять значение признака концентрации сегментов: ctf), используя следующие соотношение: ci(ti)=NSi/ANSi, (11) где І- цель металлографического анализа (указывает на класс сегментов); ANSt - площадь треугольной области, образованной тремя центрами тяжести сегментов, находящихся на минимальном евклидовом расстоянии друг от друга на изображении; JVS,- - сумма площадей сегментов, представляющих вершины треугольной области.
Целями данного параграфа является выделение и классификация областей концентрации сегментов изображений. Следует отметить, что в отличие от области сегмент, контур области концентрации сегментов в явном виде на изображении отсутствует. Однако различие в расположении сегментов на МГИ очевидно и легко выделяется металловедом экспертом.
Обычно наиболее удобное увеличение, позволяющее металловеду эксперту анализировать концентрацию эвтектики микроструктурных МГИ деформируемых алюминиевых сплавов, составляет 1x200.
Также следует отметить, что анализ свойств алюминиевых сплавов проводится не на всем шлифе, а на его наиболее значимых участках. Определить такие зоны внимания позволяют знания металловеда эксперта.
В рамках целей определим следующие задачи:
1) Выделение областей концентрации сегментов с помощью признака концентрации сегментов. В результате решения задачи всякий сегмент изображений попадет в область, характеризуемую некоторым значением признака концентрации.
2) Выполнение классификации областей концентрации сегментов на основе комплекса моделей, характеризующих содержание областей концентрации сегментов. В результате решения второй задачи определяется комплекс моделей, адекватно представляющих синтаксис областей концентрации сегментов.
В основу алгоритма выделения областей концентрации сегментов положена концепция построения триангуляционной диаграммы [61]. Суть алгоритма заключается в том, что изображение разбивается на треугольные области минимальной площади. Вершинами треугольных областей являются точки, представляющие геометрические центры тяжести сегментов, находящихся соответственно на минимальном евклидовом расстоянии друг от друга на изображении.
Алгоритм выделения областей концентрации сегментов включает в себя два этапа.
На первом этапе осуществляется предварительная подготовка изображений. Целью предварительной подготовки является разбиение исследуемого изображения на минимальные треугольные области: v„ вершинами которых являются центры тяжести сегментов. В результате предварительной подготовки должна быть построена триангуляционная диаграмма изображения, которую удобно представить виде графа: G=(S, F), где S={s\, s2, ..., s„} - множество вершин, или множество точек центров тяжести сегментов анализируемого изображения, a F={fuf2,...,fm} - множество ребер триангуляционной диаграммы. Ребро диаграммы/JGF представляет отношение смежности: cf(shSj)eS. Сформированное множество отношений смежности: {CJ}2 между вершинами графа является результатом построения диаграммы.
Следует отметить, что до начала первого этапа на сегментированных изображениях были определены значения площадей и точки, представляющие геометрические центры тяжестей всех сегментов некоторого класса.
Описание программно-аппаратной системы
В состав программно-аппаратной системы вошли:
1) Световой микроскоп NU-2E, позволяющий выполнить необходимое увеличение исследуемого объекта до х2000. Для анализа микроструктуры металлов и сплавов обычно используется увеличение от х50 до хЮОО. Использование того или иного увеличения определяется конкретной целью микроструктурного анализа. Обычно, для анализа фазового состава деформируемых Алюминиевых сплавов используют увеличение от х 100 до х500. В процессе получения изображений пользователь может выбирать поле зрения как при помощи окуляра микроскопа, так и посредством наблюдения на экране видеомонитора. Результаты выбора фиксируются путем использования режима «стоп-кадр». В системе также могут быть использованы микроскопы «Neophot-21» и «Axiotech» фирмы Цейс Иена. 2) Цифровая фотокамера Nikon COOLPIX 950. Фотокамера осуществляет оцифровку входного видеосигнала в режиме реального времени с параллельной передачей на экран видеомонитора. Для заданной цели могут быть также использованы иные камеры, соответствующие требованиям анализа фазового состава микроструктурных изображений деформируемых алюминиевых сплавов. 3) ПК ЮМ, рекомендуемые требования: Celeron 1.8 ГГц, ОЗУ 512 Мб. 4) Оригинальное программное обеспечение металлографического анализа микроструктурных изображений деформируемых алюминиевых сплавов.
Описание экспериментальных исследований
Сущность эксперимента в рамках первой задачи состоит в выделении и классификации сегментов исходных изображений (см. рисунок 3.1) сплавов 2007 и АМгб.
Эксперимент начинается с указания наименований изображений. Указаны соответственно сплавы 2007 и АМгб.
Работа алгоритма металлографического анализа микроструктурных изображений деформируемых алюминиевых сплавов начинается с сегментации. Данная операция позволяет перейти от иконического описания изображений к описанию изображений в виде списка сегментов, каждый из которых предположительно характеризуется собственной моделью.
Сегментация осуществляется на основе дихотомии по признаку яркости элементов изображений. Первоначально решающие правило сегментации определяется автоматически, на основе анализа гистограммы распределения яркости. Далее металловедом экспертом осуществляется корректировка решающего правила. Сегментация повторяется на основе скорректированного правила. В результате окончательно выделяются сегменты изображений, представленные на рисунке 3.2.
По окончании сегментации из сегментной картины изображений исключаются области, площадь которых меньше минимально допустимой (области менее 15 пикселей). Так же металловедом экспертом удаляются сегменты, значительно выходящие за край исследуемого участка изображений.
Следует отметить, что предварительно выполняется процедура идентификации сегментов. Это вызвано, в первую очередь, необходимостью априори выделить классы сегментов, которые могут быть представлены тождественными моделями. В нашем случае это актуально для сплава 2007, некоторые области эвтектики и монотектики свинца могут быть представлены одинаковой моделью.
Поэтому, предварительно выполняется идентификация областей, соответствующих эвтектики, монотектики свинца (для сплава 2007) и эвтектики и интерметаллидной фазы (для сплава АМгб).
В качестве решающего правила идентификации используется признак компактности области, оценивающий отношение периметра и площади сегмента. Результат идентификации классов сегментов сплава 2007 изображение а) и сплава АМгб изображение в) представлен на рисунке 3.3. изображений а) сплав 2007, в) сплав АМгб
На изображении (рисунок 3.3) области эвтектики сплавов 2007 и АМгб выделены внешним контуром синего цвета (области явно вытянутой формы), монотектика свинца сплава 2007 и интерметаллидная фаза сплава АМгб -красным (области явно округлой формы).
В процессе идентификации, в отдельных незначительных случаях металловеду эксперту приходилось корректировать результат идентификации сегментов.
Далее, в рамках решения первой задачи эксперимента осуществляется анализ отношений соседства примитивов {Ъ}) для всех областей сегмент исследуемых изображений. Системой синтезируется алгоритм классификации. Принцип формирования алгоритма классификации следующий. Первоначально в алгоритме используются отношения соседства: Ъ2 и Ь52, предположительно обеспечивающие полную классификацию сегментов деформируемых алюминиевых сплавов. В противном случае алгоритм предусматривает последовательное использование остальных отношений соседства (см. выражения (2) (7)).
Останов алгоритма наступает при возникновении любого из следующих условий: по окончанию перебора отношений соседства, либо при присвоении классификационных меток всем сегментам изображений.
Важную роль в анализе играет процесс корректировки результатов классификации, осуществляемый металловедом экспертом. Рассмотрим этот процесс на примере анализа изображения (в) сплава АМгб.
Металловеду эксперту системой предъявляется следующий состав ярко-стных примитивов сегмента интерметаллидная фаза: предположительно, в яр-костной структуре области обязательно присутствует черная и серая примы-кающая область, т. е. отношение соседства Ь соответствующие модели s\$.
Эксперт пользуется кнопкой «Изменить». Далее эксперту системой предъявляется следующий состав яркостных примитивов сегмента интерметаллидная фаза: предположительно, в яркостной структуре области обязательно присутствует черная и серая область внутри, т.е.
Похожие диссертации на Описание структуры и алгоритм анализа микроструктурных металлографических изображений деформируемых алюминиевых сплавов
