АНАЛИЗ МЕТОДОВ И ПРОБЛЕМЫ ЦИФРОВОЙ ОБРАБОТКИ

ИЗОБРАЖЕНИЙ ЛЕССОВЫХ ГРУНТОВ

И.В. Карелина, М.А. Гумиров, А.В. Долматов

Алтайский государственный технический университет им. И.И.Ползунова

Современное представление о свойствах лессовых пород базируется на основе теоретических и экспериментальных данных о микроструктурных особенностях лессов. Используя структурные показатели, в которых “закодирована” генетическая информация, можно находить их корреляционные взаимосвязи со свойствами и на этой основе прогнозировать поведение пород. Для реализации этой идеи необходимы современные методы количественной оценки структурных показателей пород.

Среди многочисленных методов, применяемых для изучения микроструктуры лессовых пород, наиболее информативным является микроструктурный анализ, основанный на компьютерной обработке цифровых изображений, позволяющий определять такие важные параметры исследуемого грунта, как диаметр, площадь частиц и пор. Здесь возникает ряд трудностей, с которыми приходится сталкиваться разработчику программного комплекса при решении задач анализа сцен.

Важнейшей проблемой при получении и обработке микроструктурных снимков является соответствие исходного оригинала образца и его изображения, полученного с помощью растрового электронного микроскопа (РЭМ-изображение). Поэтому, в первую очередь, для анализа изображения необходимо “упростить” это РЭМ-изображение - подавить несущественные детали - шум (рис. 1), описать формы и размеры объекта, объединить отдельные части изображения в осмысленные образования, т. е. уменьшить сложность данных.

Существующие методы обработки изображения имеют множество ограничений, которые не дают им в полной мере использовать преимущества представления информации в ряде спектрозональных изображений. Главный недостаток известных методов статистической оценки спектрозональных изображений по фазовому пространственному признаку (ФПП) заключается в отсутствии критерия, адаптирующего выбор областей интегрирования информации к разным классам изображения. Это не позволяет минимизировать недостоверность подобных оценок и ограничивает рамки применения методов обработки спектрозональных изображений по ФПП.

Одним из исключений является метод байесовской оценки информации спектрозональных изображений (БОИСИ). Он сводит к минимуму недостоверность дешифрированной информации. Этот метод оптимизирует разбиение ФПП на кластеры по заданной энтропии первичного источника изображения, тем самым обеспечивая минимум недостоверности статистической оценки информации.

Минимальный риск определяется как:

(1)

где P - апостериорная вероятность;

M_i - множества;

- состояние.

Источник

изображения

Реальное

изображение

Источник

шума

Рис. 1. Представление системы

формирования изображений

Возможные потери информации в изображении, связанные с группировкой равны:

H_Rs = -R_sp_slog₂p_s, (2)

где p_s - вероятность фазового состояния в изображении.

На основе функции рассеяния информации математическая модель условной плотности апостериорной вероятности в методе БОИСИ выглядит как:

(3)

где ^k - фазовое состояние, принадлежащее множеству M_i;

p^k - их вероятность в изображении;

- функция рассеяния информации (статистическая модель шума).

Другими, не менее важными, проблемами при дешифрировании изображений являются определение оценки величины модуля градиента функции при данной интенсивности и логическое сглаживание бинарного изображения [1].

Элементы изображения в пределах усредняющего окна трактуются как булевы переменные и величина сглаживания функции интенсивности в некоторой точке может быть определена любой булевой функцией этих переменных [2]. Преимущество логического сглаживания заключается в том, что оно позволяет задать более сложные условия, при которых значения элемента должны меняться (рис. 2).

a b c

d e f

g h i

Рис. 2. Схема элементов изображения

в окне размером 3´3

e^| = e^~(abcdfghi) èøe (aèøbèøcèødèøfèøgèøhèøi), (4)

где aèøb - логическое сложение “a или b”;

e^~ - логическое отрицание “не е”;

ab - логическое умножение “a и b”.

Кроме того, многие другие методы, применяемые для фильтрации изображения, например, регуляризация бинарных изображений и его сравнивание с порогом - это один из частных случаев логического сглаживания.

После операции выделения объекта на изображении необходимо отследить его контуры. В некоторых алгоритмах для этой цели объединяют оператор оценки градиента и процедуру прослеживания контура. Важной предпосылкой для успешного прослеживания контуров является отсутствие ложных разрывов в силуэте объекта. Это серьезная проблема, которую можно преодолеть с помощью предварительного сглаживания изображения с низким уровнем шума либо методом расслоения яркости изображения на n-изображений по заданному порогу дискретизации.

На основе дешифрирования спектрозональных изображений лессовых грунтов создаются цифровые массивы отдельных стационарных участков, а затем определяются основные показатели микроструктуры - размеры частиц и пор, характеризующиеся их диаметром; площади частиц и пор, оцениваемые из условия эквивалентности частицы или поры с учетом их форм-фактора.

ЛИТЕРАТУРА

1. Птачек М. Цифровое телевидение. Теория и техника / Пер. с чешск. под ред. Л.С.Вилен-чика. - М.: Радио и связь, 1990. - 528 с.: ил.

2. Дуда Р., Харт П. Распознавание образов и анализ сцен. Пер. с англ. - М.: Мир, 1976. - 511 с.