Estimation of parameters of Feed-Back Pulse Coupled Neural Networks (FBPCNN) for purposes of microstructure images segmentation

• Autorzy: Łukasik Ł. , Rauch Ł.

Warianty tytułu

PL

Analiza wrażliwość sieci FBPCNN w procesie przetwarzania zdjęć mikrostruktur materiałowych

• Języki publikacji: EN

Abstrakty

EN

Although the Pulse Coupled Neural Network (PCNN) as well as FBPCNN (with feed-back) have been, since 1990, well known image analysis methods, they are still developed to solve the problems related to estimation of initial network parameters. Most of such parameters vary dependently on the character of input images, including range of colors, noise strength or shapes diversity, to offer the best results. This work aims to establish parameters of the network based on FBPCNN architecture, applied in processing of images of metals’ microstructures. The paper contains detailed description of implemented neural network followed by sensitivity analysis of the network on parameters’ change. On the basis of the performed analysis, the parameters with major influence on the final results were determined and investigated in details. The results obtained in the process of image analysis by using proposed FBPCNN were passed as input data initiating Watershed algorithm for the purposes of segmentation. Results of segmentation are presented in the paper as well.

PL

Sieci Pulse Coupled Neural Network (PCNN) jak i również FBPCNN (ze sprzężeniem zwrotnym) zostały po raz pierwszy zaproponowane już z początkiem lat 90' i od tego czasu są bardzo dobrze znanym narzędziem wykorzystywanym m.in. do przetwarzania obrazów. Pomimo tak długiego czasu, metody oparte o FBPCNN są nadal rozwijane, a największym wyzwaniem jest wciąż dobór najlepszych parametrów wagowych sieci dla obrazu wejściowego. Celem niniejszej pracy jest zbadanie możliwości zastosowania pulsujących sieci neuronowych do przetwarzania zdjęć mikrostruktur materiałowych oraz wyznaczenie jej optymalnych parametrów dla tego przeznaczenia. Artykuł zawiera szczegółowy opis zaimplementowanej sieci neuronowej oraz wykonanej analizy wrażliwości FBPCNN na zmianę jej parametrów wagowych. Na bazie wykonanej analizy wyznaczone zostały parametry charakteryzujące się znaczącym wpływem na otrzymane wyniki. Dla wybranego parametru (beta) zaproponowano jego modyfikację tak, aby parametr dobierany był w sposób automatyczny w zależności od obrazu wejściowego. Otrzymane wyniki posłużyły jako dane wejściowe od algorytmu watershed, za pomocąktórego wykonano finalną segmentację obrazów mikrostruktur. Rezultaty procesu segmentacji wraz z dyskusją zostały również przedstawione w niniejszej pracy.

Słowa kluczowe

EN

pulse coupled neural network (PCNN); image segmentation; microstructure analysis

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2010
• Tom: Vol. 10, No. 1
• Strony: 5--15
• Opis fizyczny: Bibliogr. 21 poz., rys.

Twórcy

autor

Łukasik Ł.

autor

Rauch Ł.

• Faculty of Metal Engineering and Industrial Computer Science AGH University of Science and Technology, Kraków, Poland,

Bibliografia

• Bernacki, M., Chastel, Y., Digonnet, H., Resk, H., Coupez, T., Logé, R.E., 2007, Development of numerical tools for the multiscale modelling of recrystallisation in metals, based on a digital material framework, Journal of Computer Methods in Material Science, 7, 142-149.
• Bleau, A., Leon, L.J, 2000, Watershed-Based segmentation and region merging, Computer Vision and Image Understanding, 77, 317-370.
• Cybulka G., Jamrozik P., Wejrzanowski T., Rauch L., Madej L., 2007, Digital representation of microstructure, Proc. Conf. CMS"07 Computer Methods and Systems, eds, Tadeusiewicz, R., Ligeza, A., Szymkat, M., Krakôw, 379-385.
• Dawson, P.R., Miller, M.P., 2007, The digital material - an environment for collaborative material design, project poster. Available from: http://anisotropy.mae.cornell. edu/downloads/dplab/ (last accessed 19.02.2009).
• Eckhorn R., 1994, Oscillatory and non-oscillatory synchronizations in the visual cortex and their possible roles in associations of visual features, Progress in Brain Research, 102, 405-426.
• Johnson, J.L., 1993, Waves in pulse coupled neural networks. Proc. of World Congress on Neural Networks, Portland, 4.
• Liew, A.W.,Yan, H.,Law, N.F., 2005, Image segmentation based on adaptive cluster prototype estimation, J. IEEE Transactions on Fuzzy Systems, 13(4), 444-449.
• Nixon, M. S., Aguado, A. S., 2002, Feature extraction and image processing, First Edition, Newnes.
• Madej, L., Gawad, J., Hodgson, P.D., Pietrzyk, M., 2007, Contribution to digital representation of materials subjected to thermo-mechanical processing, Proc. of MS&T conf, Detroit, 403-414.
• Melchior, M.A., Delannay, L., 2006, A texture discretization technique adapted to polycrystalline aggregates with non-uniform grain size, Computational Material Science, 37, 557-564.
• Perona, P.,Malik,J.,1990, Scale space and edge detection using anisoropic diffusion, J. IEEE Transactions on Pattern Analysis and Machine Intelligence, 12, 629-639.
• Rauch,L.,Madej,L.,2008, Deformation of the dual phase material on the basis of digital representation of micro-structure, Steel Research International, 79(2), 247-254.
• Rauch, L., Madej, L., 2009, Application of the automatic image processing in modelling of the deformation mechanisms based on the digital representation of microstructure, International Journal for Multiscale Computational Engineering, (in review).
• Rauch, L.,Madej, L., Yang, C, 2009, Strain distribution analysis based on the digital material representation, Archives of Metallurgy and Materials, 54(3), 499-507.
• Rauch, L.,Straus, M., 2009, Implementation of watershed algorithm based on cellular automata combined with estimation of 2D fractal dimension, Proc. of SEECCM'09 European Conf. on Computational Mechanics, eds. Pa-padrakakis, M., Kojic, M., Papadopoulos V., 89, CDROM.
• Shah, S.K., 2008, Performance modeling and algorithm characterization for robust image segmentation, International Journal of Computer Vision, 80, 92-103.
• Yingwey B., Tianshuang Q., Xiaobing L., Ying G., 2004, Automatic Image Segmentation Based on a Simplified Pulse Coupled Neural Network, LNCS, 3174, 405-409.
• Zhang, H.,Fritts,J.E., Goldman, S.A, 2008, Image segmentation evaluation: A survey of unsupervised methods, Computer Vision and Image Understanding, 110, 260-280.
• Zhang, Y.,2008,Texture image segmentation based on nonlinear diffusion, Geo-spatial Information Science, 11(1), 38-42.
• Zhao, C.G., Zhuang, T.G., 2005, A hybrid boundary detection algorithm based on watershed and snake, Pattern Recognition Letters, 26, 1256-1265.
• Zhou, X.C.Shen, Q.T., Liu.,L.M., 2008, New two-dimensional fuzzy C-means clustering algorithm for image segmenta¬tion, Journal of Central South University of Technology, 15,882-887