Wybrane metody przetwarzania i analizy cech obrazów teksturowych

• Autorzy: Rudnicki Z.

Warianty tytułu

EN

Some methods of processing and feature analysis of texture images

• Języki publikacji: PL

Abstrakty

PL

Na przykładzie pewnych wstępnych badań obrazów tribologicznych przedstawiono niektóre podstawowe zagadnienia z dziedziny przetwarzania i analizy obrazów i wybrane metody wyznaczania i selekcji cech rozróżniających klasy obrazów, wyodrębniając podejście automatyczne i planowe. W metodzie automatycznej wyznaczano 259 cech każdego obrazu przy pomocy dostępnych w sieci Internet programów MaZda i Convert - a przy okazji testując trzy sposoby oceny zdolności dyskryminacyjnej cech (będące podstawą ich selekcji). Jak widać z przedstawionych wyników każda z trzech metod automatycznego wyboru cech typuje inne cechy jako najlepsze co nasuwa pierwsze wątpliwości a analiza sporządzonych wykresów (przecinanie się linii) praktycznie dyskwalifikuje dwie z metod oceny zdolności dyskryminacyjnej cech (POE+ACC i MDM) pozostawiając metodę współczynnika Fisher'a. Metoda ta też nie jest doskonała co łatwo zaobserwować na przykładzie cechy skośność gradientu o najlepszym przebiegu wykresu (rys. 12b) lecz posiadającej drugi w rankingu współczynnik Fisher'a. Uzyskane wyniki metody planowej - w/g koncepcji autora - wykazały, że w pewnych przypadkach proste lecz odpowiednio dobrane metody przetwarzania wstępnego i analizy obrazów oparte na obserwacji i wiedzy mogą dać znacznie lepsze wyniki niż rozbudowane i pracochłonne obliczeniowo metody automatyczne. Jak widać z wyznaczonego współczynnika Fisher'a (Fc = 80,2) - deskryptor anizotropii tekstury At obliczony w/g koncepcji autora posiada dla analizowanych obrazów najlepszą zdolność dyskryminacyjną w szczególności w wariancie At(H) wg hipotezy 1 czyli przy określaniu anizotropii drobnych elementów obrazów uzyskanych dzięki filtracji medianowej gómo-przepustowej. Na drugim miejscu są wyniki osiągnięte deskryptorem anizotropii At(EB) a na trzecim miejscu cecha wyznaczana metodą automatyczną: Odwrotny moment różnicowy (5,0) dla obrazów znormalizowanych (Fc = 38,28).

EN

Pictures of texture have significant meaning in a number of disciplines in science and engineering, such as metallography and crystallography, tribology (pictures of slipping surfaces and particles produced by wear), geology (surfaces of rocks), medicine (fragments of tomographs and X-ray pictures) etc. The present paper characterizes various computer methods used for primary analysis of pictures and, further, analysis and extraction of features of these pictures. The work concentrates on discussion of selected methods and tools, which are used now (determination of statistical parameters, Haralick's parameters based on matrices of events etc.), as well as on methods proposed by the Author and validated for the case of analysis of slipping surfaces. Some abilities of the software Matlab and Mazda-Convert-B11 (developed for the analysis of tomographs) are also discusses. Among numerous features those were selected, which reflect essential differences in textures and allow their classification and drawing conclusions regarding the features of materials, objects and processes represented by pictures of texture.

Słowa kluczowe

PL

przetwarzanie obrazów; analiza obrazów; wyznaczanie i selekcja cech rozróżniających klasy obrazów; ocena zdolności dyskryminacyjnej cech; współczynnik Fishera; deskryptor anizotropii tekstury At

• Wydawca: Wydawnictwo Naukowe AKAPIT
• Czasopismo: Informatyka w Technologii Materiałów
• Rocznik: 2002
• Tom: T. 2, Nr 1
• Strony: 1--18
• Opis fizyczny: Bibliogr. 18 poz., rys.

Twórcy

autor

Rudnicki Z.

• Zakład Komunikacji i Eksploatacji Maszyn, Wydział Inżynierii Mechanicznej i Robotyki, Akademia Górniczo-Hutnicza w Krakowie; tel. [phone],

Bibliografia

• COST Bil-witryna internetowa, www.eletel.p.lodz.pl/cost/ cost_bll.html
• Haralick, R.M., Shanmugan, K., Dinstein, I., 1973, Textural FeaturesforImageClassification; IEEE Trans. Syst., Man, Cybern. 3/1973 610-621.
• Li, J., Tan J., Martz, F.A., Heymann, H., 1999, Image texture features as indicators of beef tenderness; Meat Science 53
• Magoulos, G.D., Karkanis, S.A., Karras, D.A., Vrohatis M.V.,1999,Comparison study of Textural Descriptors for Training Neural Networks Classifiers; IMACS/IEEE CSCC'99 Proc. (www.brunel.ac.uk/~csstgdm/622.pdf)
• Materka, A., Strzelecki, M., 1998, Texture Analysis Methods- A Review, Technical University of Lodź, COST Bil Report
• Materka, A., Strzelecki, M., Lerski, R., Schad, L., 1999, Evaluation of Texture Features of Test Objects for Magnetic Resonance Imaging,June, Infotech Oulu Workshop on Texture Analysisin Machine Vision, Oulu, Finland, pp. 13-19.
• Materka, A., Strzelecki, M., Lerski, R., Schad, L., 2000, Toward Automatic Feature Selection of Texture Test Objects for Magnetic Resonance Imaging, RECPAD 2000, 11th Portugese Conference on Pattern Recognition, Porto, May 2000, pp. 11-16.
• Mikrut, Z., Rogoż, K., 1996, Zastosowanie sieci neuronowych do wykrywania chorych tkanek na obrazach ultrasonograficznych wątroby. Elektrotechnika. T.15. Zeszyt 2, s. 107-117.
• MurphyLab -witryna intemetowa: SubcellularLocation Features descriptions: http://murphylab.web.cmu.edu/services/SLF/features.html;
• Sharma, M., Markou, M., Singh, S.: Evaluation oftexture methods for image analysis; www.eng.iastate.edu/ee528/Papers/texturecomparison.pdf
• Tadeusiewicz, R., Flasiński, M., 1991, Rozpoznawanie obrazów. PWN Warszawa
• Tadeusiewicz, R., Korohoda, P., 1997, Komputerowa analiza iprzetwarzanie obrazów. Wydawnictwo Fundacji Postępu Telekomunikacji, Kraków.
• Umeda, A., Sugimura,J., Yamamoto, Y., 1998, Characterization of wear particles and their relations with sliding conditions.Wear 216, 220-228
• Walker, R.F., 1997, Adaptive Multi-Scale Texture Analysis with Application to Automated Cytology; PhD Thesis; Univ. of Quinsland.
• Wróbel, Z., Koprowski, R., 2001, Przetwarzanie obrazu w programie MATLAB. Wyd. Uniwersytetu Śląskiego. Katowice.
• Zawada-Tomkiewicz, A., Storch, B., 2001, Classifying the wear of turning tools with neural networks. Journ. of Materials Proc.Technol. 109, pp. 300-304.
• Zhou, G. i in., 1995, Fractal geometrymodeling with applications in surface characterisation and wear prediction. Int.Journ.of Machine Tools and Manufact. Vol. 35, No. 2, pp. 203-209.
• Zizzari, A., Seifert, U., Michaelis, B., Gademann, G., Swiderski S., 2001, Detection of Tumorin Digital Images of the Brain; Proc. oflASTED Int. Conference,July 3-6, Rhodes.