Современные информационные технологии/ 1. Компьютерная инженерия

К.т.н. Корнієнко В.І., Тищенко Т.А.

Національний гірничий університет, Україна

Відновлення та сегментація зображень при контролі гранулометричного складу кускового матеріалу

Гранулометричний склад кускового матеріалу є основним показником ведення технологічних процесів дроблення і здрібнювання матеріалів у будівельній і гірничій промисловості.

Для задач автоматичного контролю кускового матеріалу в потоці перспективними є оптичні засоби [1], які реалізуються системами технічного зору (СТЗ). В них алгоритм обробки інформації включає такі етапи [2, 3]:

- формування зображення (вибір поля зору, фокусу, експозиції, тощо);

- попередня обробка зображення (зменшення впливу шуму);

- кодування – передача – прийом – декодування зображення;

- відновлення, сегментацію і класифікацію зображення.

Метою відновлення є реконструкція перекрученого зображення, а його сегментація - у розбивці зображення на однорідні області, що потім класифікуються відповідно до призначення СТЗ.

Формування зображення виконується у вигляді двомірної матриці значень яскравості в координатах . При цьому виникають перекручування, як за рахунок змазу при русі матеріалу за час експозиції, так і – неідеальності оптичної системи. Обмежити їх можливо шляхом відновлювальної фільтрації.

У просторовому представленні модель перекручувань має вигляд:

, (1)

де – знак операції згортки; – імпульсна перехідна функція системи, що спотворює; - зображення, що спостерігається, й оригінальне зображення; – просторовий шум.

Оптимальний фільтр Вінера враховує наявність шуму у вихідному сигналі (зображенні) і його частотна характеристика (ЧХ) визначається як:

, (2)

де – комплексно сполучена ЧХ системи, що спотворює; – спектральні щільності потужності шуму і зображення.

Іншим еффективним засобом відновлення зображень є фільтрація з використанням автокорреляційних функцій [3].

Показником ефективності (якості) виконання відновлення зображення є розмір мінімального контрольованого класу крупності (діаметра мінімального куска, який можна розрізнити на відновленому зображенні).

Традиційний шлях сегментації зображень полягає у виділення границь його елементів, для чого використовуються градієнтні методи, реалізовані алгоритмами Собела (Sobel), Кенні (Canny), обчисленням лапласиана гаусіана, а також водорозділу [3]. В них сегментація формулюється як задача пошуку границь областей, яким відповідають максимуми градієнта функції яскравості. У двовимірному випадку другою похідною є скалярний оператор Лапласа (лапласиан):

. (3)

Іншим шляхом сегментації є порогова бінаризація, яка припускає, що фон і куски на зображенні мають у середньому різну яскравість. Для вибору значення порога широко використовуються гістограмні методи [3], для реалізації яких доцільно попередньо виконати підкреслення границь на зображенні.

Підвищення різкості зображення шляхом підкреслення границь виконується відповідно до виразу:

, (4)

де - коефіцієнт, обумовлений знаком центрального елемента маски лапласиана.

Оператор Лапласа підвищує різкість зображення (крутість переходів яскравості від фона до кусків і навпаки), але переводить області з постійною яскравістю в нуль. Тому додавання вихідного зображення до лапласиана у виразі (4) відновлює рівні яскравості цих областей.

Після підкреслення границь зображення виконується його бінаризація, тобто перетворення напівтонового зображення в бінарне [2]:

(5)

де - гранична функція.

В результаті моделювання встановлено, що відновлення зображення за допомогою фільтра Вінера, а також фільтрації з автокореляційними функціями дають однакові результати, а використання лапласиан гаусіана разом з пороговою бінаризацією дозволяє найбільш ефективно здійснити сегментацію зображення.

Пропонований алгоритм обробки зображення забезпечує відносну похибку визначення площі зображення кусків (інструментальну похибку) менше 0,2 %.

Висновки. Розроблений алгоритм відновлення та сегментації зображень забезпечує рішення задачі автоматичного контролю гранулометричного складу кускового матеріалу в потоці з достатньою для систем автоматичного керування точністю і оперативністю.

Література:

1. Корниенко В.И., Глухов В.В. Проблемы разработки математического обеспечения для оптического гранулометра дробленых материалов// Металлургическая и горнорудная промышленность. – 1990. – № 2. – С. 68-71.

2. Цифровая обработка изображений в информационных системах/ Грузман И.С., Киричук В.С., Косых В.П. и др. – Новосибирск: Изд-во НГТУ, 2002. – 352 с.

3. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. – М.: Техносфера, 2006. – 616 с.