Edge Detection and Filtering Approach Dedicated to Microstructure Images Analysis

• Autorzy: Rauch Ł. , Kusiak J.

Warianty tytułu

PL

Przetwarzanie obrazów mikrostruktur w celu detekcji granic między ziarnami

• Konferencja: 14th KomPlasTech Conference, Zakopane, January 14-17, 2007
• Języki publikacji: EN

Abstrakty

EN

The automated analysis of images plays important role in very wide range of applications. One of such fields of interest is processing of microstructure images used to determine material grains, perform statistical calculations or prepare material model for FEM simulations. However, in all mentioned previously applications the preprocessing stage, which includes edges detection in material structure, has to be completed. The microstructure images, in most cases, consist of a set of various shapes with different sizes, what affects final efficiency and reliability of the results obtained after images preprocessing. Moreover, most of the images possess superimposed noise in form of dark spots originating from various chemical elements inside analyzed material. Unfortunately, the most of currently applied algorithms dedicated for edges detection or image segmentation e.g. Canny Detector do not cope with these problems, returning unsatisfactory results. The tests performed with application of smoothing algorithms did not success as well. In this paper authors presents the solution based on the combination of two different approaches - Particle Dynamic method dedicated for automated denoising of input images and Modified Canny Detector algorithm for edges processing. The first phase of the proposed method aims to remove additional noise from microstructure images. This functionality is performed in automated manner by minimizing set of parameters, which have to be setup before data processing. Due to this solution the time cost of data analysis is highly reduced, relieving researcher from performing many manual activities. The objective of the Modified Canny Detector algorithm is to process the image to obtain edges in the following steps: convolution filtering, edge suppression, small groups of pixels elimination. Additionally the Watershed algorithm was implemented to fulfill the edges of grains. The results obtained by application of proposed approach in comparison to other conventional methods are presented as well.

PL

Przetwarzanie obrazów mikrostruktur w celu detekcji granic między ziarnami jest wciąż trudnym zadaniem. Spowodowane jest to przede wszystkim występującym na zdjęciach szumem w postaci zarysowań lub mikro wtrąceń. Dlatego też w większości przypadków analiza zdjęć nadal wykonywana jest ręcznie, co dla dużego zbioru obrazów jest bardzo czasochłonne. Aby uniknąć tego problemu, zaproponowano podejście automatycznego przetwarzania obrazów składającego się z dwóch części tj. wykrywanie krawędzi, zaprojektowane i zaimplementowane na podstawie algorytmu Canny Detector (Ritter & Wilson, 1996) oraz filtrowania danych w oparciu o metodę cząstek dynamicznych (Rauch & Kusiak, 2005a). W wyniku zastosowania tego podejścia powstaje nowy obraz mikrostruktury z wygładzonymi obszarami ziaren oraz precyzyjnie zdefiniowanymi granicami. Osiągnięty efekt umożliwia optymalizację procesu dalszej analizy struktury materiału np.: przy użyciu algorytmu uzupełniania granic Watershed (Haris et al., 1998) czy też obliczeń statystycznych średniego rozmiaru ziaren. Artykuł przedstawia podstawowe założenia proponowanego podejścia oraz szczegóły implementacji obydwu algorytmów składowych. Wyniki przeprowadzonej analizy obrazów mikrostruktur zostały również przedstawione w niniejszym artykule.

Słowa kluczowe

EN

images analysis; material microstructure; grain analysis; data filtering

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2007
• Tom: Vol. 7, No. 2
• Strony: 305--310
• Opis fizyczny: Bibliogr. 8 poz., rys.

Twórcy

autor

Rauch Ł.

autor

Kusiak J.

• Akademia Górniczo-Hutnicza, Kraków, Poland

Bibliografia

• Haritopoulus, M, Yin, H., Allison, N. M., 2002, Image denoising using self-organizing map-based nonlinear independent component analysis, Neural Networks, 15, 1085-1098.
• Haris K., Estradiadis S.N., Maglaveras N., Katsaggelos A. K., 1998, Hybrid image segmentation using watersheds and fast region merging, IEEE Transactions on Image Processing,!, 12, 1684-1699.
• Nixon, M.S., Aguado, A.S., 2002, Feature Extraction and Image Processing, First Edition, Newnes.
• Rauch, Ł., Kusiak, J., 2005a, Filtrowanie danych pomiarowych przy wykorzystaniu metody cząstek dynamicznych, Proc. Fizyczne i Matematyczne Modelowanie Procesów Obróbki Plastycznej, Prace Naukowe, Mechanika, 207, 153-158.
• Rauch, Ł., Kusiak, J., 2005b, Image Filtering using the Dynamic Particles Method, Proc. Conf. Computer Methods and Systems.
• Rauch, Ł., Talar, J., Zak, T., Kusiak, J., 2004, Filtering of thermomagnetic data curve using artificial neural network and wavelet analysis, Proc. 7th Int. Conf. on Artificial Intelligence and Soft Computing, Zakopane, Springer-Verlag, 1093-1098,
• Ritter, G. X., Wilson J. N., 1996, Handbook of Computer Vision Algorithms in Image Algebra, CRC Press LLC,
• Tadeusiewicz, R., Kohoroda, P., 1997, Komputerowa analiza i przetwarzanie obrazów, Wydawnictwo Fundacji Postępu Telekomunikacyjnego.