Image processing methods for segmentation of microscopic pictures of the MgCa alloys

• Autorzy: Rauch L. , Bzowski K.

Warianty tytułu

PL

Metody segmentacji zdjęć mikroskopowych stopów MgCa

• Języki publikacji: EN

Abstrakty

EN

The paper addresses the problem of image processing of MgCa alloys microstructures. The main objective of the paper is focused on segmentation of images obtained from optical microscope. For this purpose three methods were selected, which offers high reliability in application to noised and highly diversified pictures. These approaches are based on Voronoi tessellation, superpixel regions and multi-filter thresholding with the Bresenham algorithm. The paper contains detailed description of the methods as well as comparison of obtained results.

PL

Artykuł porusza problem przetwarzania mikroskopowych zdjęć stopów MgCa pod kątem poprawnej segmentacji i ekstrakcji ziaren. W tym celu wykonany został przegląd literatury z dostępnymi   obecnie   popularnymi   metodami   segmentacji, a następnie wybrane zostały trzy metody charakteryzujące się wysoką wiarygodnością w przypadku analizy zdjęć zaszumionych i silnie zróżnicowanych. Metody te opierają się na tesselacji Woronoja, regionach zwanych superpikselami oraz na wielokrotnym filtrowaniu progowym i algorytmie Bresenhama (ostatnia z metod jest rozwiązaniem zaproponowanym przez Autorów).   Artykuł  zawiera  również  szczegółowy  opis  każdego z podejść jak również porównanie otrzymanych wyników segmentacji.

Słowa kluczowe

EN

image processing; segmentation; digital material representation

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2011
• Tom: Vol. 11, No. 2
• Strony: 350--356
• Opis fizyczny: Bibliogr. 15 poz., rys.

Twórcy

autor

Rauch L.

autor

Bzowski K.

• Akademia Górniczo-Hutnicza, al. Mickiewicza 30, 30-059 Kraków, Poland,

Bibliografia

• BArbelaez, P.A., Cohen, L.D., 2006, A Metric Approach to Vector-Valued Image Segmentation, International Journal of Computer Vision, 69, 119-126.
• Basturk, A., Gunay, E., 2009, Efficient edge detection in digital images using a cellular neural network optimized by differential evolution algorithm, Expert Systems with Applications, 36, 2645-2650.
• Gould, S., Rodgers, J., Cohen, D., Elidan, G., Roller, D., 2008, Multi-class Segmentation with Relative Location Prior, International Jounal of Computer Vision, 80(3), 300-316.
• Heath, M., Sarkar, S., Sanocki, T., Bowyer, K., 1998, Comparison of Edge Detectors, Computer Vision and Image Understanding, 69(1), 38-54.
• Hou, Z.J., Wei, G.W., 2002, A new approach to edge detection, Pattern Recognition, 35, 1559-1570.
• Kim D. S., Lee W. H., Kweon I. S., 2004, Automatic edge detection using 3x3 ideal binary pixel patterns and fuzzy-teed edge thresholding, Pattern Recognition Letters, 25,101-106.
• Kustra, P., Milenin, A., Schaper, M., Grydin, O., 2009, Multiscale modeling and interpretation of tensile test of magnesium alloy in microchamber for the SEM, Computer Methods in Materials Science, 9(2), 207-214.
• Milenin, A., Byrska, D., Kustra, P., Heidenblut, T., Grydin, O., Schaper, M., 2010, A model of ductility phenomena of MgCa0,8 alloy in cold forming process, Rudy i Metale Niezelazne, 55(4), 200-208.
• Milenin, A., Kustra, P., 2008, The multiscale FEM simulation of wire fracture phenomena during drawing of Mg alloy, Steel Research International, 79, 717-722.
• Milenin, A., Kustra, P., 2010, Mathematical model of warm drawing process of magnesium alloys in heated dies, Steel Research International, 81(9), 1251-1254.
• Nezamabadi-pour, H., Saryazdi, S., Rashedi, E., 2006, Edge detection using ant algorithms, Soft Computing, 10, 623-628.
• Rauch, L., Madej, L., 2008, Deformation of the dual phase material on the basis of digital representation of micro-structure, Steel Research International, 79, 247-254.
• Rauch, L., Madej, L., 2010, 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, 8(3), 1-14.
• Shah, S.K., 2008, Performance Modeling and Algorithm Characterization for Robust Image Segmentation, International Journal of Computer Vision, 80, 92-103.
• Yu, Y.H., Chang, C.C., 2006, A new edge detection approach based on image context analysis, Image and Vision Computing, 24, 1090-1100.