The purpose of this study is to compare several images processing techniques in order to characterize metallic particles analyzed by 3D nano-tomography. Particles can have several shapes (cubes, MTP, rods, ...). It is well known that this kind of images is very noisy and with bad resolution especially in the z axis (because rotation angle during tilt is only between -70° and 70°). A lot of techniques have been developed in the computer vision community especially to denoise (anisotropic diffusion, ...) and to segment (region growing, active contours,...) images. The aim of this paper is to compare these techniques on real data according to several criteria: accuracy, robustness, ... The aim is to obtain an automated process to denoise and segment data coming from 3D nano-tomography. Results of automatic methods (Otsu, Watershed) are compared to parameterized methods. Automatic segmentation methods provide a first good segmentation with a low calculation time. Despite a higher calculation time and parameters to tune, deformable models based methods allow to get smoother results and effectively reject artefacts.
PL
Celem tej pracy jest porównanie kilku technik przetwarzania obrazów w celu scharakteryzowania metalicznych cząstek analizowanych w trójwymiarowej nanotomografli. Cząstki mogą mieć kilka kształtów (sześciany, MTP, pręty, ...). Powszechnie wiadomo, że ten rodzaj obrazów jest bardzo zaszumiony i ze słabą rozdzielczością zwłaszcza w osi z (ponieważ kąt obrotu podczas nachylenia wynosi zaledwie pomiędzy -70° a 70°). Wiele technik zostało rozwiniętych w obszarze komputerowego przetwarzania obrazów, zwłaszcza odszumiania (dyfuzji anizotropowej, ...) i dzielenia na części (obszar wzrostu, kontury aktywne,...) obrazów. Celem tego artykułu jest porównanie tych technik dla rzeczywistych danych zgodnie z kilkoma kryteriami: dokładność, solidność, ... Celem jest uzyskanie zatomatyzowanego procesu odszumiania i segmentacji danych pochodzących z nanotomografli 3D. Wyniki automatycznych metod (Otsu, Watershed) są porównane do metod sparametryzowanych. Metody automatycznej segmentacji zapewniają pierwszą dobrą segmentację w krótkim czasie. Pomimo długiego czasu i parametrów strojenia, podatne na odkształcenia modele oparte na metodach pozwalają uzyskać bardziej wygładzone wyniki i skutecznie unikać artefaktów.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.