Порівняно з методом пошуку зображень за силуетами зображень [16] у запропонованому методі точність знаходження образів підвищено в 1,5-2 рази.

1. J. R. Smith and S.-F. Chang., Tools and techniques for colour image retrieval // Proceedings of Symposium on Electronic Imaging: Science and Technology, Storage & Retrieval for Image and Video Databases IV, vol. 2670, p.1-12, 1996.

2. H. Nezamabadi-pour, E. Kabir, “Image retrieval using histograms of unicolor and bicolor blocs and directional changes in intensity gradient” // Pattern Recognition Letters, vol. 25, n. 14, p. 1547-1557, 2004.

3. T. Gevers, A. Smeulder, Content-based image retrieval by viewpoint invariant color indexing // Image Vision Comput, n.17,)p. 475–488, 1999.

4. F. Mokhtarian, S. Abbasi, “Shape similarity retrieval under affine transforms” // Pattern Recognition, vol. 35, p. 31-41, 2002.

5. A.K. Jain, A. Vailaya, “Image retrieval using colour and shape” // Pattern Recognition, vol. 29, n. 8, p. 1233-1244, 1996.

6. V. Mezaris, I. Kompatsiaris, M.G. Strintzis, An ontology approach to object-based image retrieval // Proceedings of the ICIP, vol. II, p. 511–514, 2003.

7. B.S. Manjunath, W.Y. Ma, “Texture feature for browsing and retrieval of image data” // IEEE PAMI, vol. 8, n. 18, p. 837-842, 1996.

8. J. Liu, X Zhou, W.Y. Ma, Extraction of texture features from arbitrary-shaped regions for image retrieval, International Conference on Multimedia and Expo p. 1891–1894, 2004.

9. P.W. Huang, S.K. Dai, Image retrieval by texture similarity // Pattern Recognition 36 (2003) 665–679.

10. Y. Song, W. Wang, A. Zhang, Automatic annotation and retrieval of images // J. World Wide Web, n. 6 (2), p. 209–231, 2003.

11. A.Mojsilovic, B. Rogowitz, ISee: perceptual features for image library navigation, Proceedings of the SPIE, Human Vision and Electronic Imaging, vol. 4662, p. 266–277, 2002,

12. J.Z. Wang, J. Li, G. Wiederhold, “SIMPLIcity: semantic sensitive integrated matching for picture libraries” // IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 23, n. 9, p. 947-963, 2001.

13. John R. Smith ,Shih-Fu Chang. VisualSEEk: a fully automated content-based image query system // Proceedings of the fourth ACM international conference on Multimedia for Image Technology for New Media, .1996.

14. FEI data base, http://fei.edu.br.

15. База 1000  тестових зображень http://wang.ist.psu.edu/~jwang/test1.tar (Wang) (2009).

16. Мельник Р.А., Каличак Ю.І. Пошук образів за силуетами яскравості зображень // Відбір і обробка інформації //. Вип.32 (108), с. 86-92,.

3.3. Аналіз поверхонь металів з використанням n‑аризації і концентрації кольорів

Вступ

Дослідження текстур відіграє важливу роль для обробки зображень [1-7], зокрема, застосовується для структурних особливостей оброблюваних поверхонь матеріалів, що використовують різні статистичні методи: матриці – матрицю кореляції [6], матрицю відстаней [7], матрицю суміжності рівнів сірого [2]; властивості фракталів [3]; розподіли – розподіл ймовірностей реакцій фільтра [5], об’єднаний розподіл значень інтенсивності [4], просторовий розподіл рівнів сірого [1]. Статистичні характеристики пов'язані з параметрами поверхні і можуть використовуватися для їх аналізу та класифікації. Окремі методи розроблені для аналізу та пошуку текстур [6-7,2], класифікації текстур [3-5], виявлення певних особливостей текстури [1]. Також існують методи, адаптовані конкретно до класифікації поверхонь матеріалів [4,6].

Особливістю даної роботи є використання простих ознак n-аризованих зображень на основі концентрації кольорів для розпізнавання типу металу.

Метою роботи є дослідити концентрації кольорів з точки зору придатності до аналізу поверхонь металів, та дослідити умови їх застосування. Розрізнення різних типів металевих сплавів є умовою подальшої оцінки якості зразка, пошуку і класифікації дефектів матеріалу.

N‑аризація зображень

Алгоритм n-аризації використовується, щоб зменшити кількість кольорів на зображенні. На вході він приймає повнокольорове зображення і N-1 значень з інтервалу 0..255 – пороги інтенсивності. На виході він повертає n-аризоване зображення – зображення у градаціях сірого кольору з N кольорами. Залежно від кількості порогів і їх значень отримуються різні n-аризовані зображення.

Алгоритм працює наступним чином:

1. Пікселі з інтенсивністю нижче, ніж перший поріг стають чорними (інтенсивність дорівнює 0);

2. Пікселі з інтенсивністю вище, ніж останній поріг стають білими (інтенсивність дорівнює 255);

3. Пікселі з інтенсивністю, яка лежить між двома порогами T₁ і T₂, стають сірими з інтенсивністю, яка відповідає середині інтервалу Т₁..Т₂ (інтенсивність дорівнює (T₁ + T₂) / 2).

Приклад повнокольорового зображення (а) і результат його n-аризації (б) з порогами інтенсивності T₁=85, Т₂=170 наведено на рис. 1.

(а) (б)

Рис. 1. Приклад n-аризації.

N-аризація з одним порогом інтенсивності називається бінаризацією. На виході вона повертає бінаризоване зображення без сірих кольорів, тільки з чорним і білим. Залежно від значення порогу отримуються різні бінаризовані зображення.

Наприклад, повнокольорове зображення (рис. 1а), бінаризоване з різними значеннями порогів, наведено на рис. 2 – результати з порогом Т=50 (а) і з порогом Т=200 (б).

(а) (б)

Рис. 2. Бінаризовані зображення з різними порогами.

Концентрація кольорів

Для характеристики зображень з невеликою кількістю кольорів введемо концентрацію кольору. Нехай S_C позначає площу області кольору C на зображені, вона обчислюється як кількість всіх пікселів кольору C. Нехай L_C позначає границю області кольору C на зображенні, вона обчислюється як довжина однопіксельної границі. Слід зазначити, що границя області кольору включає в себе як границю між областями різного кольору, так і границю зображення.

Таким чином, концентрація кольору C, яку позначимо як K_C, може бути обчислена за наступною формулою:

(1)

Три чорно-білі тестові зображення з різними концентраціями кольорів наведено на рис. 3.

(а) (б) (в)

Рис. 3. Зображення з різними концентраціями кольорів.

Щоб представити графічно концентрації кольорів, інтенсивності кольорів розміщуються на осі Х, а значення концентрації лежать на осі Y. Таким чином, отримуємо дві точки (представляють чорний колір і білий колір) для кожного зображення. Для кращої наглядності ці точки на графіку з'єднуються лініями, як наведено на рис. 4.

Рис. 4. Графічне представлення концентрації кольорів.

Як видно з графіка, перше зображення (рис. 3а) має найвищі концентрації чорного і білого кольорів (K_B=K_W=30); друге зображення (рис. 3б) – нижчі, але також рівні (K_B=K_W=20); а третє зображення (рис. 3в) – найнижчі і різні, концентрація чорного кольору вища, ніж концентрація білого (K_B=12, K_W=7.5).

Дослідження поверхонь металів

За вхідні зображення взято фотографії поверхонь металевих сплавів, зроблені під мікроскопом з 20-кратним збільшенням. Розмір фотографій – 300×300 пікселів, кожна з них представляє квадрат поверхні зі стороною 187.5мкм. Взято три зразки трьох різних поверхонь, які наведені на рис. 5 – сірий ливарний чавун (а), сталь St37 (б), титан BT6 (в).

(а)

(б)

(в)

Рис. 5. Зображення поверхонь сплавів з 20-кратним збільшенням.

Вхідні зображення (рис. 5) були n-аризовані з порогами інтенсивності T₁=85, T₂=170, тому вихідні зображення мають по три кольори: чорний (0), сірий (128) і білий (255). Концентрації кольорів цих дев'яти зображень наведено на рис. 6.

Рис. 6. Концентрації зображень зі збільшенням 20x (пороги: 85, 170).

Як видно з графіка, у різних металевих сплавів різні види ліній концентрації, але у зразків одного і того ж металевого сплаву види ліній концентрації подібні.

Наприклад, всі зображення сталі (лінії 4-6 на рис. 6) мають дуже високу концентрацію білого кольору, всі зображення титану (лінії 7-9 на рис. 6) мають концентрацію сірого кольору, яка є вищою, ніж концентрації білого і чорного, тощо.

Це означає, що концентрація кольорів є хорошою характеристикою для аналізу металевих поверхонь і може бути застосована для розпізнавання або класифікації металів. Щоб дослідити залежність характеристичної здатності концентрації кольору від порогів, здійснено ряд наступних експериментів.

Вхідні зображення (рис. 5) були n-аризовані знову, але з порогами інтенсивності T₁=64, T₂=128, T₃=192. Концентрації кольорів цих дев'яти зображень наведено на рис. 7а. Після цього вхідні зображення (рис. 5) були бінаризовані з порогом інтенсивності Т=128. Концентрації кольорів цих дев'яти зображень наведено на рис. 7б. Отже, ці пороги також підходять для характеристики зображень.

(а) (б)

Рис. 7. Концентрації зображень зі збільшенням 20x при різних значеннях порогів.

Щоб дослідити залежність концентрації від кратності збільшення, взято фотографії поверхонь тих же металевих сплавів, але зроблені під мікроскопом з 50-кратним збільшенням. Розмір фотографій – 300×300 пікселів, кожна з них представляє квадрат поверхні зі стороною 75мкм. Взято три зразки трьох різних поверхонь, які наведені на рис. 8 – сірий ливарний чавун (а), сталь St37 (б), титан BT6 (в).

(а)

(б)

(в)

Рис. 8. Зображення поверхонь сплавів з 50-кратним збільшенням.

Для цих вхідних зображень поверхонь зі збільшенням 50x (рис. 8) були зроблені ті ж експерименти, що і для зображень поверхонь зі збільшенням 20x (рис. 5). N-аризація з порогами інтенсивності T₁=85, T₂=170 (а), n-аризація з порогами інтенсивності T₁=64, T₂=128, T₃=192 (б) і бінаризація з порогом інтенсивності T=128 (в) наведені на рис. 9.

(а) (б)

(в)

Рис. 9. Концентрації зображень зі збільшенням 50x при різних значеннях порогів.

Як і в експериментах з попередніми зображеннями, для цих вхідних зображень у різних металевих сплавів також різні види ліній концентрації, а у зразків одного і того ж металевого сплаву види ліній концентрації подібні.

Як видно з графіків, концентрації кольорів на зображеннях з вищим збільшенням є нижчими. Наприклад, значення концентрацій n-аризованих зображень з порогами інтенсивності T₁=85, T₂=170 лежать в інтервалі 0..14 для вхідних зображень зі збільшенням 20x (рис. 8) і в інтервалі 0..6 для вхідних зображень зі збільшенням 50x (рис. 9а). Але види відповідних ліній концентрації подібні.

Висновки

У даній роботі запропоновано підхід для аналізу металевих поверхонь на основі n-аризації і концентрації кольорів. Результати підтверджують, що концентрація може характеризувати тип металевої поверхні, незалежно від кратності збільшення.

1. Kim J. K., Park H. W. Statistical textural features for detection of microcalcifications in digitized mammograms // IEEE Trans. on Medical Imaging. – 1999. – 18, № 3. – P. 231–238.

2. Partio M., Cramariuc B., Gabbouj M., Visa A. Rock texture retrieval using gray level co‑occurrence matrix // Proc. of the 5th Nordic Signal Processing Symposium. – Trondheim, Norway, 2002. – 75. – P. 1–5.

3. Varma M., Garg R. Locally invariant fractal features for statistical texture classification // Proc. of the IEEE 11th Int. Conf. on Computer Vision. – Rio de Janeiro, Brazil, 2007. – P. 1–8.

4. Varma M., Zisserman A. A statistical approach to material classification using image patch exemplars // IEEE Trans. on Pattern Analysis and Machine Intelligence. – 2009. – 31, № 11. – P. 2032–2047.

5. Varma M., Zisserman A. A statistical approach to texture classification from single images // Int. Journal of Computer Vision. – 2005. – 62, № 1-2. – P. 61–85.

6. Venkat Ramana K., Ramamoorthy B. Statistical methods to compare the texture features of machined surfaces // Pattern Recognition. – 1996. – 29, № 9. – P. 1447–1459.

7. Wu C. M., Chen Y. C. Statistical feature matrix for texture analysis // Graphical Models and Image Processing. – 1992. – 54, № 5. – P. 407–419.

19