Nowe algorytmy segmentacji w wysokotemperaturowym
Transkrypt
Nowe algorytmy segmentacji w wysokotemperaturowym
AUTOMATYKA 2006 Tom 10 Zeszyt 3 Krzysztof Strzecha*, Anna Fabijañska*, Dominik Sankowski* Nowe algorytmy segmentacji w wysokotemperaturowym przemys³owym systemie analizy obrazów 1. Wprowadzenie Cyfrowe metody przetwarzania i analizy obrazów ciesz¹ siê obecnie bardzo du¿ym i ci¹gle rosn¹cym zainteresowaniem. Znacz¹cy wzrost mo¿liwoci obliczeniowych wspó³czesnych komputerów pozwala na ich praktyczn¹ implementacjê, tak¿e w systemach czasu rzeczywistego. Jednoczenie, wraz z rozwojem nowoczesnych technologii zwiêksza siê ró¿norodnoæ ich mo¿liwych zastosowañ w nowoczesnej nauce i technice. W wielu przemys³owych procesach (m.in. w metalurgii, in¿ynierii materia³owej i in¿ynierii powierzchni) dominuj¹c¹ rolê odgrywaj¹ zjawiska zachodz¹ce na granicy dwóch faz: ciek³ej fazy metalicznej i fazy sta³ej (stopy metali, ceramika, szk³o). Znaczeniu zjawisk na granicach faz w ró¿nych dziedzinach techniki powiêcono szereg monografii i artyku³ów przegl¹dowych [1–8]. Podstawowymi wielkociami fizykochemicznymi charakteryzuj¹cymi oddzia³ywania miêdzyfazowe s¹: napiêcie powierzchniowe fazy ciek³ej oraz skrajny k¹t zwil¿ania pod³o¿a ciecz¹, a w dalszym etapie: energia adhezji, napiêcie miêdzyfazowe i ewentualnie adsorpcja. Pomiary tych wielkoci bazuj¹ na geometrycznych w³aciwociach analizowanej próbki [9–11]. Obecnie, dominuj¹c¹ metod¹ wyznaczania k¹ta zwil¿ania oraz napiêcia powierzchniowego jest metoda optyczna, polegaj¹ca na ci¹g³ej obserwacji kszta³tu próbki i rêcznym lub fotograficznym rejestrowaniu zmian jej profilu w funkcji temperatury. Zarejestrowane profile analizowane s¹ nastêpnie przez wykwalifikowanego specjalistê, który metodami graficznymi dokonuje pomiaru podstawowych parametrów geometrycznych próbki i na ich podstawie oblicza wartoci mierzonych wielkoci. Systemy pomiarowe tego typu posiadaj¹ szereg wad, m.in.: niezwykle pracoch³onny i uci¹¿liwy pomiar, wymagaj¹cy od operatora ci¹g³ej wytê¿onej uwagi, jak równie¿ istotny wp³yw czynnika ludzkiego na wyniki pomiaru. W wietle powy¿szych uwag, celowe wyda³o siê zautomatyzowanie procesu pomiarowego. W Katedrze Informatyki Stosowanej Politechniki £ódzkiej przy wspó³pracy z Prze* Katedra Informatyki Stosowanej, Politechnika £ódzka 283 284 Krzysztof Strzecha, Anna Fabijañska, Dominik Sankowski mys³owym Instytutem Elektroniki w Warszawie oraz Instytutem Spajania Politechniki Warszawskiej zaprojektowano i zbudowano skomputeryzowany system pomiarowy do wysokotemperaturowych pomiarów wybranych wartoci fizyko-chemicznych charakteryzuj¹cych oddzia³ywania miêdzyfazowe „Thermo-Wet”. W systemie tym, pracê operatora wyeliminowano poprzez zastosowanie algorytmów przetwarzania i analizy obrazów. Analizie poddawane s¹ obrazy próbek uzyskanych za pomoc¹ kamery CCD obserwuj¹cej wnêtrze komory grzejnej pieca. Zaimplementowane w stanowisku „Thermo-Wet” algorytmy wyznaczaj¹ce w³aciwoci powierzchniowe w dalszym ci¹gu bazuj¹ na pomiarze geometrycznych parametrów analizowanej próbki. Istnieje bardzo silny zwi¹zek pomiêdzy jakoci¹ wyznaczenia w³aciwoci geometrycznych próbki a dok³adnoci¹ pomiarów napiêcia powierzchniowego i k¹ta zwil¿ania. Kluczowym problemem dla ca³ego procesu pomiarowego jest zatem precyzyjne okrelenie kszta³tu próbki. W tym celu obraz poddawany jest segmentacji, czyli podzia³owi na obszary odpowiadaj¹ce poszczególnym, widocznym na obrazie obiektom (próbka wraz z podstaw¹ oraz t³o). Problem segmentacji jest jednym z najczêciej studiowanych zagadnieñ z zakresu analizy i przetwarzania obrazów, jednak pomimo ró¿norodnych metod przedstawionych w literaturze przedmiotu [1214] nie uda³o siê dotychczas stworzyæ uniwersalnego algorytmu, który dawa³by wystarczaj¹co dok³adne wyniki dla szerokiej klasy analizowanych obrazów. W wiêkszoci, znane algorytmy wykorzystuj¹ wiedzê a priori o analizowanej scenie i w³aciwociach urz¹dzeñ systemu analizy obrazów. W zwi¹zku z powy¿szym, celowe wyda³o siê opracowywanie wysokiej jakoci algorytmu segmentacji obrazów monochromatycznych z przeznaczeniem do wykorzystania w systemie wizyjnym stanowiska pomiarowego Thermo-Wet. Dalsza czêæ niniejszego artyku³u zawiera opis stanowiska pomiarowego oraz zestawienie i analizê wyników segmentacji obrazów pozyskanych w trakcie procesu pomiarowego. Wykorzystane w trakcie badañ metody segmentacji stanowi¹ autorskie modyfikacje znanych z literatury algorytmów. 2. System pomiarowy Thermo-Wet Stanowisko badawcze „Thermo-Wet umo¿liwia prowadzenie pomiarów nastêpuj¹cych parametrów: k¹ta zwil¿ania (w tym skrajnego k¹ta zwil¿ania); napiêcia powierzchniowego (energii powierzchniowej); energii adhezji; napiêcia miêdzyfazowego; gêstoci badanego materia³u w fazie ciek³ej. Parametry te wyznaczane s¹ metod¹ le¿¹cej kropli dla warunków równowagi termodynamicznej oraz w przypadku stanów nieustalonych w funkcji czasu i temperatury. Badania mog¹ byæ prowadzone w kontrolowanej atmosferze, w zakresie temperatur do 1800oC, dla uk³adów miêdzyfazowych cia³o sta³e ciecz oraz ciecz ciecz dla dwu ró¿nych materia³ów. Nowe algorytmy segmentacji w wysokotemperaturowym przemys³owym systemie... 285 2.1. Architektura stanowiska pomiarowego Stanowisko badawcze (rys. 1) sk³ada siê z wysokotemperaturowego dwustrefowego pieca elektrycznego (1) wyposa¿onego w precyzyjny system kaskadowej programowej regulacji temperatury (2) oraz uk³ad zasilania gazami technologicznymi (3), systemu za³adowczo-wy³adowczego próbki (4), systemu wizyjnego (monochromatyczna miniaturowa kamera CCD wraz z obiektywem o sta³ej ogniskowej, zmieniacz filtrów i frame-grabber) (5) oraz komputera (6) steruj¹cego procesem pomiarowym. Komputer wyposa¿ony jest w system specjalistycznych programów przetwarzania i analizy obrazów, matematycznej obróbki danych oraz edycji i archiwizacji wyników. 1 4 5 3 2 6 Rys. 1. Widok ogólny zautomatyzowanego stanowiska do pomiarów napiêcia powierzchniowego i k¹tów zwil¿ania (1 wysokotemperaturowy dwustrefowy piec elektryczny, 2 precyzyjny system kaskadowej programowej regulacji temperatury, 3 uk³ad zasilania gazami technologicznymi, 4 system za³adowczo-wy³adowczy próbki, 5 kamera CCD, 6 komputer steruj¹cym procesem pomiarowym) Schemat blokowy stanowiska badawczego przedstawiono na rysunku 2. Bardziej szczegó³owe informacje na temat architektury stanowiska pomiarowego mo¿na znaleæ w [15–17]. W trakcie eksperymentu, próbka badanego materia³u umieszczana jest przy u¿yciu mechanizmu za³adowczego we wnêtrzu pieca i ogrzewana do temperatury wy¿szej ni¿ temperatura topnienia. Gdy temperatura wewn¹trz pieca jest wystarczaj¹co wysoka, system wizyjny stanowiska pomiarowego ma za zadanie pozyskaæ obraz próbki i przetworzyæ go do postaci cyfrowej. W kolejnych etapach obraz cyfrowy jest filtrowany i poddawany segmentacji. 286 Krzysztof Strzecha, Anna Fabijañska, Dominik Sankowski Elementy grzewcze Próbka Filtry podczerwone Komputer PC Kamera CCD Algorytmy przetwarzania obrazów A/C Pomiar temperatury Wyznaczanie w³aciwoci fiz.-chem. Regulator temperatury Piec Sterowanie zespo³em filtrów podczerwonych Termoelement Rys. 2. Schemat blokowy stanowiska pomiarowego 2.2. Analiza kszta³tu próbki Algorytmy analizy obrazów maj¹ na podstawie wyników segmentacji wyznaczyæ te w³asnoci geometryczne próbki badanego materia³u, które s¹ niezbêdne do obliczenia napiêcia powierzchniowego oraz k¹ta zwil¿ania. Na rysunku 3 przedstawiono kroplê cieczy spoczywaj¹c¹ na p³askim pod³o¿u z zaznaczonymi mierzonymi parametrami geometrycznymi. Notacja na rysunku jest nastêpuj¹ca: x, y, h – parametry geometryczne niezbêdne do wyznaczenia napiêcia powierzchniowego, A1, A2 – punkty przeciêcia aproksymowanego profilu próbki z lini¹ prost¹ stanowi¹c¹ górn¹ krawêd podstawy, α1, α2 – lewy i prawy k¹t zwil¿ania. y h o 45 x ) 2 1 ) Rys. 3. Przyk³adowe zdjêcie wykonane podczas procesu pomiarowego z zaznaczonymi mierzonymi parametrami geometrycznymi próbki Nowe algorytmy segmentacji w wysokotemperaturowym przemys³owym systemie... 287 Zgodnie z rysunkiem 3, napiêcie powierzchniowe σ mo¿e byæ wyznaczone z równania [9] σ = g Δρα 2 (1) gdzie: Δρ ró¿nica gêstoci, w przypadku metalu i fazy gazowej praktycznie Δρ = ρS, przy czym ρS jest gêstoci¹ metalu, g – przypieszenie ziemskie, α2 – wyznaczane z empirycznego wzoru Portera [9] wyra¿onego zale¿noci¹ 2 3 2 ⎛h⎞ ⎛h⎞ ⎡ ⎛h⎞ ⎤ = ⎜ ⎟ − 0, 660 ⎜ ⎟ ⎢1 − 4, 05 ⎜ ⎟ ⎥ ⎝ x ⎠ ⎢⎣ ⎝ x ⎠ ⎦⎥ x2 ⎝ x ⎠ α2 (2) Bardziej szczegó³owy, matematyczny opis algorytmu wyznaczaj¹cego wartoci napiêcia powierzchniowego i k¹tów zwil¿ania na podstawie analizy kszta³tu próbki przedstawiony zosta³ w [18]. Nale¿y szczególnie podkreliæ zwi¹zek pomiêdzy jakoci¹ segmentacji a dok³adnoci¹ wyznaczenia w³aciwoci powierzchniowych. Im lepsze odwzorowanie kszta³tu próbki na etapie segmentacji, tym dok³adniejsze wyznaczenie jej parametrów geometrycznych, a w konsekwencji i w³aciwoci powierzchniowych. 3. Segmentacja obrazów Procedury segmentacji dziel¹ obraz na roz³¹czne obszary. W ich wyniku uzyskuje siê wyodrêbnienie fragmentów obrazu charakteryzuj¹cych siê szczególnymi cechami (spe³niaj¹cych pewne kryteria jednorodnoci np. jasnoæ, kolor, tekstura), od t³a tj. obszarów niebêd¹cych przedmiotem analizy [19, 20]. 3.1. Matematyczne podstawy segmentacji obrazów Obraz Ls(x, y) obszaru D rozpatrywanej sceny jest z³o¿eniem obrazów wystêpuj¹cych w niej obiektów i t³a (3). gdzie: LS ( x, y ) = H1 ( x, y ) + H 2 ( x , y ) + ... + H s ( x, y ) + H ϕ ( x , y ) (3) s – liczba obiektów w scenie, Hk(x, y) – obraz k-tego obiektu lub widocznej jego czêci (k = 1, 2, …, s), Hϕ(x, y) – obraz t³a. Przy czym: H k ( x, y ) = 0 dla H ϕ ( x, y ) = 0 dla ( x, y ) ∉ Dk ⎪⎫ ( x, y ) ∉ Dϕ ⎬⎪⎭ (4) 288 Krzysztof Strzecha, Anna Fabijañska, Dominik Sankowski gdzie: Dk ⊂ D – obszar k-tego obiektu, Dϕ ⊂ D – obszar t³a. Dla obszarów obiektów Dk i obszaru t³a Dϕ spe³nione s¹ zale¿noci (5). D1 U ... U Ds U Dϕ = D oraz Di I D j = 0 dla i ≠ j (5) Zadanie segmentacji obrazu mo¿na przedstawiæ jako uformowanie z obrazu Ls(x, y) obrazów obiektów H1(x, y), H2(x, y), …, Hs(x, y) i obrazu t³a Hϕ((x, y), dla których spe³niona jest zale¿noæ (4). W celu przedstawienia wejciowego obrazu w postaci (3), wystarczy zdefiniowaæ odwzorowanie π : D → {0, 1, ..., s} (6) spe³niaj¹ce nastêpuj¹ce warunki ⎧⎪l dla π ( x, y ) = ⎨ ⎪⎩0 dla ( x, y ) ∈ Dl , ( x, y ) ∈ Dϕ gdzie l ∈ {1, 2, ..., s} (7) Odwzorowanie (6) mo¿na rozumieæ jako regu³ê przyporz¹dkowuj¹c¹ ka¿demu punktowi obrazu (x, y) ∈ D jednoznacznie okrelaj¹c¹ go etykietê π(x, y). Przy czym ró¿ne wartoci etykiet przypisywanych punktom obrazu odpowiadaj¹ obszarom ró¿nych obiektów lub obszarowi t³a. Ostatecznym wynikiem segmentacji jest roz³o¿enie obszaru zarejestrowanej sceny D na obszary obiektów D1…Ds i obszar t³a Dϕ [21]. 3.2. Analiza znanych metod segmentacji Techniki segmentacji rozwijane s¹ g³ównie pod k¹tem przydatnoci do konkretnych zastosowañ. Prace nad algorytmem segmentacji obrazów pozyskanych w trakcie procesu pomiarowego poprzedzono wiêc analiz¹ g³ównych grup metod segmentacji. Wynikiem analizy by³ wybór algorytmów potencjalnie przydatnych w rozwa¿anej aplikacji. Z uwagi na du¿¹ z³o¿onoæ obliczeniowo-czasow¹, na wstêpie odrzucono obszarowe metody segmentacji [19, 20, 22, 24]. Równie¿ algorytmy segmentacji poprzez wyszukiwanie wzorca [19, 20, 24] z góry uznano za ma³o przydatne, g³ównie z uwagi na temperaturow¹ zmiennoæ kszta³tów obiektów znajduj¹cych siê w analizowanej scenie. Poniewa¿ analizowane obrazy zawieraj¹ jasne obiekty na kontrastowym tle, szczególn¹ uwagê postanowiono powiêciæ metodom segmentacji poprzez progowanie oraz poprzez detekcjê krawêdzi. W zale¿noci od temperatury, obrazy uzyskane w trakcie procesu pomiarowego dziel¹ siê na dwie grupy. Pierwsz¹ grupê charakteryzuj¹ niskie wartoci jasnoci L i kontrastu σ, drug¹ wysokie wartoci wspomnianych wielkoci. Przyk³adowe obrazy nale¿¹ce do obu grup pokazano na rysunku 4. Nowe algorytmy segmentacji w wysokotemperaturowym przemys³owym systemie... a) = 289 b) > Rys. 4. Przyk³adowe obrazy uzyskane w trakcie procesu pomiarowego: a) szk³o, temp. 890oC, L = 76, σ = 82; b) pallad, temp.1550oC, L = 129, σ =103 3.3. Progowanie Progowanie jasnoci jest podstawow¹ metod¹ segmentacji obrazu. Polega na rozdzieleniu obiektów od t³a. Segmentacjê poprzez progowanie mo¿na zdefiniowaæ jako przekszta³cenie postaci π : D → {0, 1} (8) spe³niaj¹ce warunki ⎧⎪1 dla π ( x, y ) = ⎨ ⎪⎩0 dla ( x, y ) ∈ Dl ( x, y ) ∈ Dϕ , gdzie l ∈ {1, 2, K , s} (9) Odwzorowanie (8) mo¿na rozumieæ jako regu³ê przyporz¹dkowuj¹c¹ ka¿demu punktowi obrazu (x, y) ∈ D jednoznacznie okrelaj¹c¹ go etykietê π(x, y). Przy czym obiekty reprezentowane s¹ przez wartoæ 1, natomiast t³o przez wartoæ 0. Przypisanie etykiet π(x, y) odbywa siê na postawie porównania wartoci pewnego atrybutu Y (x, y) (np. jasnoci) z wartoci¹ progow¹ T wyznaczon¹ na podstawie analizy w³aciwoci obrazu lub jego fragmentu. Decyzja o przynale¿noci punktu do danego obszaru podejmowana jest zgodnie z zale¿noci¹ (10) [19, 20, 22]. ⎧⎪1 dla Y ( x, y ) ≥ T π ( x, y ) = ⎨ ⎪⎩0 dla Y ( x, y ) < T (10) Kluczowym problemem w przypadku segmentacji poprzez progowanie jest sposób doboru wartoci progowej. Próg mo¿e byæ dobierany globalnie (dla ca³ego obrazu) lub lokalniew zale¿noci od w³aciwoci okrelonego obszaru obrazu. W trakcie przeprowadzonych badañ nad algorytmem segmentacji dla zadanej klasy obrazów, zbadano ró¿ne warianty doboru progu (rys. 5). Wartoæ progow¹ dobierano zarówno lokalnie, jak i globalnie. 290 Krzysztof Strzecha, Anna Fabijañska, Dominik Sankowski Progowanie Globalne Najczêstsz¹ jasnoci¹ Wielopoziomowe Lokalne Konwersja do 4 odcieni szaroci Iteracyjny dobór progu Iteracyjny dobór progu Wielkociami statystycznymi Kombinacja liniowa L i Kombinacja liniowa L i Rys. 5. Zestawienie zbadanych metod doboru progu ( L rednia jasnoæ, σ kontrast) W przypadku globalnego doboru progu, ustalano jedn¹ wartoæ progow¹ dla ca³ego obrazu. Dobór wartoci progowej odbywa³ siê na podstawie analizy w³aciwoci ca³ego obrazu. W przypadku lokalnego doboru progu, wartoæ progow¹ zdecydowano siê ustalaæ na podstawie w³aciwoci s¹siedztwa aktualnie analizowanego piksela. W celu wyznaczenia s¹siedztwa, zastosowano znany z filtracji liniowej mechanizm „przemiatania” obrazu mask¹ [19, 20, 24]. Aktualnie analizowany piksel znajduje siê w centralnym punkcie maski (rys. 6). Rys. 6. Mechanizm lokalnego doboru progu Zarówno dla globalnej, jak i lokalnej wersji progowania, zastosowano ró¿ne metody doboru progu. W wiêkszoci przypadków, wartoæ progowa dobierana by³a g³ównie w oparciu o wielkoci statystyczne (rys. 5). W przypadku iteracyjnego doboru progu, zdecydowano siê wykorzystaæ w³asn¹ modyfikacjê tzw. algorytmu isodata [23], bazuj¹cego na rednich jasnociach t³a i obiektu. Z uwagi na charakter analizowanych obrazów pocz¹tkow¹ wartoæ progu zmieniono z po³owy zakresu jasnoci na wartoæ redni¹ L . Proces wyznaczania progu rozpoczyna siê od policzenia redniej jasnoci L obrazu, która w pierwszym kroku algorytmu przyjmowana jest jako pocz¹tkowa wartoæ progu T0. Nowe algorytmy segmentacji w wysokotemperaturowym przemys³owym systemie... 291 Nastêpnie, dla tak ustalonego progu liczone s¹: rednia jasnoæ t³a LT, rednia jasnoæ obiektu LO oraz nowa wartoæ progu Tk okrelona zale¿noci¹ (11). L + LTk Tk = Ok 2 (11) przy czym: LOk – rednia jasnoæ obiektu w kroku k, LTk – rednia jasnoæ t³a w kroku k, Tk – wartoæ progowa wyliczona w kroku k. Proces obliczania wartoci progowej powtarzany jest iteracyjnie do momentu, w którym wartoci progu uzyskane w kroku bie¿¹cym i poprzednim s¹ jednakowe, czyli Tk −1 = Tk (12) Wyniki segmentacji przyk³adowych obrazów (rys. 4) z zastosowaniem omawianych algorytmów przedstawiono na rysunkach 7–13. Wszystkie wyniki opatrzono stosownymi komentarzami. Metody doboru progu przedstawione na rysunkach 7–10 da³y z³e wyniki. W wiêkszoci nie pozwoli³y one na odwzorowanie kszta³tu obiektu w stopniu wystarczaj¹co dok³adnym. Jak widaæ na zamieszczonych poni¿ej obrazach, krawêdzie obiektów s¹ b¹d nieregularne, b¹d nie maj¹ jednoznacznego przebiegu. Dodatkow¹ wad¹ czêci algorytmów jest bardzo du¿a wra¿liwoæ na nierównomierny rozk³ad jasnoci t³a. Metody, których wyniki przedstawiono na rysunkach 11–13, cechuj¹ siê zbli¿on¹ jakoci¹. Dok³adnoæ odwzorowania kszta³tów obiektów w wyniku operacji progowania jest satysfakcjonuj¹ca i wystarczaj¹ca dla celów dalszej analizy ilociowej. Otrzymane obrazy prezentuj¹ obiekty o ci¹g³ych, pozbawionych artefaktów, regularnych krawêdziach. Dodatkowym atutem tych metod doboru progu jest brak ich wra¿liwoci na zak³ócenia w obszarze t³a. = > Rys. 7. Wyniki progowania globalnego z progiem równym najczêstszej jasnoci wystêpuj¹cej w obrazie (rys. 4a i b) Rysunek 7 przedstawia wyniki progowania globalnego przyk³adowych obrazów z progiem równym najczêstszej jasnoci wystêpuj¹cej w obrazie. Metodê charakteryzuje brak uniwersalnoci. Satysfakcjonuj¹c¹ jakoæ wyników otrzymuje siê jedynie dla obrazów o du¿ej jasnoci redniej i wysokim kontracie. W przypadku scen o niskich wartociach jasnoci i kontrastu, nie jest mo¿liwe nawet przybli¿one okrelenie kszta³tu obiektu. 292 Krzysztof Strzecha, Anna Fabijañska, Dominik Sankowski = > Rys. 8. Wyniki progowania globalnego z progiem równym kombinacji liniowej jasnoci redniej i kontrastu T = k1 L + k2σ dla wartoci wspó³czynników k1 = 1 i k2 = 1 Progowanie globalne z progiem równym kombinacji liniowej jasnoci redniej i kontrastu (rys. 8) pozwala uzyskaæ dobre wyniki. Brak jest jednak jednoznacznych kryteriów okrelaj¹cych, w jakich proporcjach jasnoæ rednia i kontrast powinny wp³ywaæ na wartoæ progow¹. Lokalna wersja algorytmu cechuje siê dodatkowo bardzo du¿¹ wra¿liwoci¹ na nierównomierny rozk³ad jasnoci w obszarze t³a (rys. 9). = > Rys. 9. Wyniki progowania lokalnego (dla obrazów z rys. 4a i b) z wartoci¹ progow¹ równ¹ kombinacji liniowej jasnoci redniej i kontrastu T = k1 L + k2σ dla wartoci wspó³czynników k1 = 1 i k2 = 1. Wielkoæ otoczenia wyznacza maska o rozmiarze 3×3. Wielkoæ maski wybrano eksperymentalnie Bardzo du¿a wra¿liwoæ na zak³ócenia w obrêbie analizowanej sceny jest równie¿ cech¹ algorytmu progowania lokalnego wielkociami statystycznymi (rys. 10). Ponadto, wyniki segmentacji zawieraj¹ obiekty o niejednoznacznych, grubych krawêdziach. Gruboæ krawêdzi wzrasta wraz ze wzrostem rozmiaru otoczenia. = > Rys. 10. Wyniki progowania lokalnego (dla obrazów z rys. 4a i b) z wartoci¹ progow¹ równ¹ medianie. Etap progowania poprzedzono procedur¹ wyrównywania nierównomiernego rozk³adu jasnoci w obszarze t³a. Wielkoæ otoczenia wyznacza maska o rozmiarze 3×3. Wielkoæ maski wybrano eksperymentalnie Nowe algorytmy segmentacji w wysokotemperaturowym przemys³owym systemie... = 293 > Rys. 11. Wyniki progowania globalnego z iteracyjnym doborem progu (dla obrazów z rys. 4a i b) Algorytm progowania z iteracyjnym doborem progu zarówno w wersji globalnej (rys. 11), jak i lokalnej (rys. 12) daje satysfakcjonuj¹ce wyniki. Obydwie metody cechuje dok³adnoæ oraz niezale¿noæ od w³aciwoci analizowanej sceny. = > Rys. 12. Wyniki progowania lokalnego (dla obrazów z rys. 4a i b) z iteracyjnym doborem wartoci progowej. Wielkoæ otoczenia wyznacza maska o rozmiarze 3×3. Wielkoæ maski wybrano eksperymentalnie Na szczególn¹ uwagê zas³uguje algorytm progowania wielopoziomowego. Metoda zak³ada konwersjê obrazu wejciowego do obrazu o czterech odcieniach szaroci (0-85-160-255), a nastêpnie progowanie obrazu z progiem T równym 85 dla obrazów o jasnoci redniej poni¿ej po³owy zakresu jasnoci, oraz progiem T równym 255 dla pozosta³ych obrazów. Metodê charakteryzuje uniwersalizm. Otrzymane wyniki s¹ dobre niezale¿nie od w³aciwoci analizowanej sceny. Dodatkow¹ zalet¹ algorytmu jest jego prostota oraz bardzo niska z³o¿onoæ obliczeniowa rzêdu O(n). Wyniki segmentacji przyk³adowych obrazów z zastosowaniem algorytmu progowania wielopoziomowego przedstawiono na rysunku 13. = > Rys. 13. Wyniki progowania wielopoziomowego (dla obrazów z rys. 4a i b) 3.4. Segmentacja poprzez detekcjê krawêdzi Analizowane obrazy przedstawiaj¹ jasne obiekty na kontrastowym tle. W zwi¹zku z tym, podjêto próbê przeprowadzenia segmentacji poprzez detekcjê krawêdzi. W tym celu wykorzystywane s¹ najczêciej operatory gradientowe [19, 20, 24]. 294 Krzysztof Strzecha, Anna Fabijañska, Dominik Sankowski staci Segmentacjê poprzez detekcjê krawêdzi mo¿na zdefiniowaæ jako przekszta³cenie po- π : D → {0, 1, ..., s} (13) spe³niaj¹ce warunki ⎧⎪l dla ( x, y ) ∈ ∂Dl , gdzie l ∈ {1, 2, ..., s} (14) π( x, y ) = ⎨ ⎪⎩0 dla ( x, y ) ∉ ∂D1U...U∂Ds przy czym ∂Dl jest zbiorem punktów granicznych (krawêdzi¹) spójnego obszaru Dl. Detekcja krawêdzi Operatory gradientowe podejcie klasyczne Roberts, Sobel, Prewitt Operator Laplacea Operator LoG Operatory gradientowe u¿yte do wstêpnej segmentacji Progowanie równoleg³e z dzia³aniem operatora gradientowego. Progowanie obrazu bêd¹cego wynikiem dzia³ania operatora gradientowego Rys. 14. Zestawienie algorytmów wykorzystuj¹cych operatory gradientowe Rysunek 14 przedstawia zestawienie zbadanych metod, wykorzystuj¹cych operatory gradientowe. W pierwszej kolejnoci sprawdzono wyniki klasycznego podejcia do segmentacji poprzez detekcjê krawêdzi [19, 20, 23, 24]. Zastosowanie ¿adnego ze znanych operatorów gradientowych nie da³o jednak zadowalaj¹cych wyników (rys. 15). Opracowano wiêc nowe metody ³¹cz¹ce w sobie cechy progowania oraz segmentacji poprzez detekcjê krawêdzi. W wyniku powy¿szego rozumowania opracowane zosta³y dwa algorytmy segmentacji (rys. 14). Pierwszy z nich zak³ada równoczesne dzia³anie operatora gradientowego i mechanizmu progowania. Ka¿dy z punktów, w których pochodna obrazu zmienia znak na przeciwny, jest poddawany progowaniu. Z uwagi na du¿¹ z³o¿onoæ obliczeniowo-czasow¹ algorytmu oraz s³abe wyniki jego szczegó³owy opis pominiêto. Nowe algorytmy segmentacji w wysokotemperaturowym przemys³owym systemie... 295 = Rys. 15. Wyniki segmentacji przyk³adowego obrazu (rys. 4a) z u¿yciem operatorów gradientowych: a) maski Marr-Hildretha; b) maski Sobela; c) operator Laplacea; d) operator LoG; e) maski Frei-Chena; f) maski Kirsha Drugi z opracowanych algorytmów wykorzystuje operator gradientowy do zgrubnej segmentacji, czyli wydzielenia t³a, okrelenia obszarów, w których krawêdzie na pewno nie wystêpuj¹. Procedura ta zdefiniowana mo¿e zostaæ jako przekszta³cenie postaci π z : D → {0, 1, ..., t} (15) Przekszta³cenie (15) spe³nia dwa nastêpuj¹ce warunki: 1) jeli πz(x, y) ≠ πz(v,w), to punkty (x, y), (v,w) ∈ D, nie mog¹ jednoczenie nale¿eæ do obszaru jednego obiektu lub obszaru t³a; 2) jeli πz(x, y) = 0, to (x, y) ∈ Dϕ. W nastêpnym kroku algorytmu, wynik wstêpnej segmentacji jest progowany. Do progowania u¿ywany jest algorytm z lokalnym, iteracyjnym doborem progu, opisany w poprzednim rozdziale. Wyniki algorytmu (w odniesieniu do przyk³adowych obrazów z rys. 4) przedstawiono na rysunku 16. = > Rys. 16. Wyniki po³¹czenia dzia³ania operatora gradientowego (maski Sobela) i mechanizmu progowania lokalnego. Obrazy oryginalne przedstawiono na rysunku 4 Autorska wersja algorytmu segmentacji obrazów poprzez detekcjê krawêdzi daje zdecydowanie dok³adniejsze wyniki ni¿ podejcie klasyczne. W efekcie przedstawionego w artykule algorytmu otrzymuje siê wyrane, ci¹g³e i jednoznaczne krawêdzie odwzorowuj¹ce kszta³t obiektu w stopniu wystarczaj¹cym do dalszej analizy ilociowej. 296 Krzysztof Strzecha, Anna Fabijañska, Dominik Sankowski 4. Wnioski W artykule przedstawiono analizê wyników segmentacji obrazów z zastosowaniem autorskich modyfikacji znanych z literatury algorytmów. Szczególn¹ uwagê powiêcono segmentacji poprzez progowanie i detekcjê krawêdzi. W wiêkszoci analizowanych przypadków obrazy uzyskane w wyniku segmentacji z wykorzystaniem przedstawionych algorytmów zawieraj¹ obiekty o ostrych, wyranych, pozbawionych artefaktów krawêdziach. Oddaj¹ one w stopniu wystarczaj¹cym dla celów dalszej analizy ilociowej geometriê obiektów znajduj¹cych siê w obrazach oryginalnych. W zwi¹zku z tym, mo¿liwe jest wykorzystanie opracowanych algorytmów segmentacji w uk³adach optycznych systemów ilociowej analizy obrazów, a w szczególnoci w uk³adzie wizyjnym stanowiska pomiarowego „Thermo-Wet”. Literatura [1] Nicholas M.G. (ed.): Joining of ceramics. Chapman & Hall, London, UK, 1990 [2] Pask J., Evans A. (ed.): Surfaces and interfaces in ceramic and ceramic-metal systems. Plenum Publishing Co., New York, USA, 1981 [3] Matsunawa A., Ohji T.: Role of surface tension in fusion welding. Part III. Transactions of Japan Welding Research Institute, Vol. 13, 1984, 147156 [4] Dellannay F., Froyen L., Deruyttere A.: The wetting of solids by molten metals and its relation to the preparation of metal-matrix composites. Journal of Material Science, Vol. 22, 1987, 116 [5] Baglin J.E.E.: Thin film adhesion: new possibilities for interface engineering. Material Science and Engineering, Vol. B-1, 1988, 17 [6] Senkara J., Windyga A.: Podstawy teorii procesów spajania. Wydawnictwo Politechniki Warszawskiej, Warszawa, 1990 [7] Mortensen A.: Interfacial phenomena in the solidification processing of metal-matrix composites. Material Science and Engineering, Vol. A-135, 1991, 111 [8] Metcalfe A.G.: Interfaces in metal-matrix composites. Academic Press, New York, USA, 1981 [9] Missol W.: Energia powierzchni rozdzia³u faz w metalach. Wydawnictwo l¹sk, Katowice, 1974 [10] Adamson A.W., Gast A.P.: Physical Chemistry of Surfaces. Wiley-Interscience, New York, USA, 1997, G³uch P.: Obudowa wlotów szybowych w trudnych warunkach górniczo-geo-logicznych na du¿ej g³êbokoci. Projekty Problemy Budownictwo Wêglowe, nr 6, t. 12, 1984, 239245 [11] Holtzer M., Retel K.: Pomiar napiêcia powierzchniowego ciek³ych metali i stopów przegl¹d metod oraz analiza wyników. In¿ynieria Materia³owa, nr 4 (99), 1997, 128134 [12] Fu K.S., Mui J.K.: A Survey on Image Segmentation. Pattern Recognition Letters, Vol. 13, 1981, 316 [13] Haralick R.M., Shapiro L.G.: Survey: Image segmentation techniques. Computer Vision Graphics and Image Processing, Vol. 29, 1985, 100132 [14] Reed T.R., Du B., J.M.H.: A review of recent texture segmentation and feature extraction techniques. Computer Vision, Graphics and Image Processing, Vol. 57, 1993, 359372 [15] Sankowski D., Strzecha K., Je¿ewski S., Senkara J., £obodziñski W.: Computerised Device with CCD Camera for Measurement of Surface Tension and Wetting Angle in Solid-Liquid Systems. 16th IEEE Instrumentation and Measurement Technology Conference IMTC, Venice, Italy, 1999, 164168 [16] Sankowski D., Strzecha K., Je¿ewski S.: Digital image analysis in measurement of surface tension and wettability angle. IEEE International Conference on Modern Problems in Telecommunication, computer Science and Engineers Training, Lviv, Ukraine, 2000, 129130 Nowe algorytmy segmentacji w wysokotemperaturowym przemys³owym systemie... 297 [17] Sankowski D., Senkara J., Strzecha K., Je¿ewski S.: Automatic investigation of surface phenomena in high temperature solid and liquid contacts. IEEE Instrumentation and Measurement Technology Conference, Budapest, Hungary, 2001, 13971400 [18] Strzecha K.: Zastosowanie przetwarzania i analizy obrazów w wysokotemperaturowych pomiarach w³asnoci fizykochemicznych wybranych materia³ów. £ód, 2001 (rozprawa doktorska) [19] Gonzalez R.C., Woods R.E.: Digital Image Processing. Prentice Hall, Upper Saddle River, New Jersey, 2001 [20] Pratt W.K.: Digital Image Processing.John Wiley & Sons, Los Altos, Kalifornia, 2001 [21] Putiatin E., Awierun S.: Obrabotka izobra¿jeni w robotjechnikje. Maszinostrojenie, Moskwa, Rosja, 1990 [22] Jähne B.: Digital Image Processing.Springer, Berlin, Heidelberg, New York, 2002 [23] Young I.T., Gerbrands J.J., van Vliet L.J.: Fundamentals of Image Processing. The Netherlands at the Delft University of Technology, 1998 [24] Tadeusiewicz R.: Komputerowa analiza i przetwarzanie obrazów. Wydawnictwo Fundacji Postêpu Telekomunikacji, Kraków, 1997 298 Krzysztof Strzecha, Anna Fabijañska, Dominik Sankowski