Обработка цифрового изображения микроструктуры сплава для идентификации его структурных составляющих

Одной из важных и острых проблем машиностроения является проблема совершенствования методов и средств контроля качества материалов и, в частности, металлических сплавов. Привлечение IT-технологий для проведения количественного металлографического анализа позволяет получить более достоверную численную оценку взаимосвязи «химический состав – структура – свойства». Установление этой взаимосвязи дает возможность выявить ту оптимальную структуру сплава, которая в наибольшей мере соответствует условиям его эксплуатации и помогает определить оптимальные режимы термической обработки для формирования этой структуры.

С точки зрения IT-технологий исследование структуры сплава может быть сведено к анализу и интерпретации изображения его микроструктуры полученной методом электронной микроскопии, а именно к сегментации и классификации полученных сегментов для идентификации структурных составляющих материала.

Под сегментацией изображения понимают процесс разделения цифрового изображения на несколько сегментов (областей) [5]. Более точно, сегментация изображений – это процесс присвоения каждому пикселю изображения некоторых меток, при условии, что пиксели, имеющие об- щие визуальные характеристики помечаются одинаковыми метками. Существует значительное количество различных методов сегментации изображений. Однако, проблема заключается в том, что в различных задачах невозможно выполнять сегментацию с помощью общих методов. Необходимо обязательно учитывать специфическую информацию из конкретной области применения этих методов, поскольку она обычно используется не самостоятельно, а как часть некоторой системы (например, системы машинного зрения). В тоже время, с практической точки зрения, качество метода должно оцениваться исходя из работы системы в целом. Поэтому один и тот же метод сегментации может оказаться хорошим при решении одной задачи и плохим при решении другой.

Существует значительное количество различных методов сегментации изображений. Рассмотрим некоторые из них.

• 1.    Метод разбиения изображения на области проведением контуров. Заключается в обнаружении контуров с помощью тех или иных операторов, а также в их прослеживании, связывании, и составлении из них границ областей. Применение данного метода для задачи сегментации металлографических изображений ограничено в силу некоторых общих особенностей этого метода.

• 2.    Методы морфологического подхода к сегментации. Из подобных методов наиболее известна сегментация по водоразделам [2]. Она заключается в интерпретации гладких областей как локальных бассейнов, а места объединения этих бассейнов отмечаются как линии водораздела.

• 3.    Кластеризация цветового пространства. В постановке задачи сегментации прослеживается аналогия с задачей кластеризации (или обучения без учителя). Для того чтобы свести задачу сегментации к задаче кластеризации, достаточно задать отображение точек изображения в некоторое пространство признаков и ввести метрику (меру близости) на этом пространстве признаков. В качестве признаков точки изображения можно использовать представление ее цвета в некотором цветовом пространстве, а примером метрики (меры близости) может быть евклидово расстояние между векторами в пространстве признаков. Тогда результатом кластеризации будет квантование цвета для изображения. Задав отображение в пространство признаков, можно воспользоваться любыми методами кластерного анализа.

• 4.    Выращивание регионов, дробление-слияние. Методы этой группы учитывают пространственное расположение точек напрямую. Выращивание регионов основано на следующей идее. Сначала по некоторому правилу выбираются центры регионов (seeds), к которым поэтапно присоединяются соседние точки, удовлетворяющих некоторому критерию. Процесс выращивания

• 5.    Метод моделирования изображения марковским полем. Хорошей моделью изображения служит марковское случайное поле [1]. Данная модель основана на предположении, что цвет каждой точки изображения зависит от цветов некоторого множества соседних точек.

регионов (region growing) останавливается, когда ни одна точка изображения не может быть присоединена ни к одному региону.

Следует отметить также, что помимо характерных для каждого метода черт, большинства из них ведут себя неустойчиво при зашумлении и размытии изображения. Поэтому, результат сегментации даже слегка зашумленного или размытого изображения может существенно отличаться от результата сегментации исходного изображения. Отсюда следует важный практический вывод: до сегментации желательно очистить изображение от шума и повысить его четкость.

Как показывает анализ, в зависимости от типа сплава, в его металлографическом изображении ключевым носителем информации может быть либо текстурная, либо цветовая составляющая. Отсюда возникает проблема выбора алгоритма сегментации в равной степени применимого для обоих типов изображений. В тоже время, ни один из приведенных методов и в исходном виде не может удовлетворить данному требованию [5]. Следовательно, встает вопрос о разработке комбинированного метода сегментации изображения микроструктуры сплава с целью анализа его структуры. Для этого необходимо определить параметры пространства признаков, учитывающего цвет и текстуру

Рис. Графическое представление работы алгоритма сдвига среднего

изображения, построенного путём объединения двух более простых пространств – цветовых и текстурных признаков и выбрать подходящую метрику в этом пространстве, или разработать новую метрику. Затем, на основании полученных параметров пространства признаков и соответствующей метрики, необходимо выбрать наиболее эффективный метод сегментации.

Рассмотрим в качестве метода сегментации метод сдвига среднего (mean shift) [3]. Преимуществом этого метода является то, что для его работы не требуется никаких дополнительных знаний об изображении и количестве формируемых кластеров. Суть метода заключается в том, что задается функция оценки плотности распределения точек в пространстве признаков. Далее для этих точек строится градиент ядра оценки плотности распределения и вычисляется вектор среднего сдвига, задаваемый как вектор наибольшего увеличения градиента.

Последнее обстоятельство гарантирует сходимость этой оценки в точку с нулевой производной. Области с малыми значениями плотности вероятностей не представляют интереса, поэтому сдвиг среднего в таких областях имеет большие значения. Возле локальных максимумов сдвиг имеет небольшие значения и, в результате, анализ области получается более подробный. Отсюда следует, что метод сдвига среднего – это метод адаптивного спуска по градиенту функции оценки плотности распределения (графическое представление работы алгоритма сдвига среднего представлено на рисунке).

Результатом процедуры mean shift является новое положение в цвето-координатном пространстве для каждой точки. В общем случае этот результат ещё нельзя считать законченной сегментацией, так как не получены замкнутые области. Для того чтобы завершить процесс сегментации, необходимо объединить полученные в результате среднего сдвига точки в однородные области. Методика mean-shift во многих случаях приводит к созданию областей точек, которые не могут быть отнесены к какой-либо крупной области. Фактически, это приводит к созданию большого количества мелких областей на границах различных объектов. Кроме этого, источником таких областей могут являться дефекты и артефакты на изображении.

Самым простым решением этой проблемы является расформирование областей, имеющих размер меньше определённого порогового значения, и присоединение точек этих областей к ближайшей крупной области. Поиск «ближайшей» крупной области осуществляется путём создания «матрицы соседей», куда добавляются все области, точки которых были обнаружены в 8-пиксельной окрестности точек, лежащих на границе поглощаемой области. Соответственно, точки поглощаемой области будут отданы той области, которая будет иметь больше точек в «матрице соседей». Альтернативным принципу поглощения (слияния) областей является принцип расформирования (дробления) области в пользу того соседа, у которого ближе точка сходимости кластеризации в соответствии с методом mean shift.

При обработке изображений используется две естественных стратегии кластеризации: раздельная и агломера-тивная [4]. В то же время, в силу описанных выше свойств алгоритма mean-shift, следует использовать агломератив-ную (иерархическую) стратегию, то есть производить сегментацию изображения в несколько этапов. При этом кластеры последовательно формируются до окончательного построения замкнутых областей, отображающих компоненты входящие в сплав.