автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы, модели и алгоритмы автоматической обработки снимков для определения дефектов в промышленных изделиях

На правах рукописи

004601379 ОРЛОВ АЛЕКСЕЙ АЛЕКСАНДРОВИЧ

МЕТОДЫ, МОДЕЛИ И АЛГОРИТМЫ АВТОМАТИЧЕСКОЙ ОБРАБОТКИ СНИМКОВ ДЛЯ ОПРЕДЕЛЕНИЯ ДЕФЕКТОВ В ПРОМЫШЛЕННЫХ ИЗДЕЛИЯХ

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора технических наук

V,

Владимир-2010

004601379

Работа выполнена на кафедре «Информационные системы» в Муромском институте (филиале) ГОУ ВПО «Владимирский государственный университет»

Научный консультант Официальные оппоненты:

Ведущая организация

доктор технических наук, профессор Садыков Султан Сидыкович

доктор физико-математических профессор

Давыдов Алексей Александрович

наук,

доктор технических наук, профессор, заслуженный деятель науки РФ Сизов Александр Семенович

доктор технических наук, профессор Федотов Николай Гаврилович

Институт систем обработки изображений РАН, г. Самара

Защита состоится «7.5» цюЯ& 2010 г. в часов на заседании

Диссертационного Совета Д.212.025.01 при Владимирском государственном университете по адресу: 600000, г.Владимир, ул.Горького, 87, ауд. 211-1.

С диссертацией можно ознакомиться в библиотеке Владимирского государственного университета.

Автореферат разослан «_»_2010 г.

Ученый секретарь диссертационного совета доктор технических наук, профессор

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы.

В связи с усложнением новой техники и повышением требований к ее надежности трудоемкость контрольных операций в промышленных системах управления качеством продукции существенно увеличивается. Значимость контроля в управлении качеством обусловлена тем, что именно он способствует правильному использованию условий выпуска продукции, соответствующей предъявляемым к ней требованиям. Практика показывает, что от степени совершенства контроля качества и его технического оснащения, включающего компьютерные средства обработки информации, во многом зависит эффективность производства в целом. Поэтому решение научных и технических проблем управления качеством на промышленных предприятиях, состоящих в разработке новых и совершенствовании существующих методов и средств обработки информации с целью повышения эффективности технических систем контроля, имеет важное значение.

В настоящее время в промышленности ручной контроль качества все еще преобладает над автоматизированным. Главная причина - отсутствие более совершенных методов автоматической обработки результатов, таких как снимки (изображения), получаемые большинством способов контроля качества. Сейчас в области визуального контроля качества стали применяться автоматизированные системы анализа изображений (АСАИ). Такие системы существенно уменьшают время и субъективизм оценки, повышают точность результатов и освобождают человека от рутинного однообразного труда. Большой вклад в разработку систем и методов компьютерного анализа снимков промышленных изделий внесли Д. Мери, Р. Силва, Н. Насреддин, К. Демандт, Р. Гонсапес, И. Като, Г. Падуа, X. Шафик, В.В. Клюев, М.В. Филинов, В.А. Лопухин и др.

При обработке большинства изображений, как правило, требуется выделять и анализировать их линейчатые структуры. Линейчатые образы наблюдаются на дефектоскопических снимках, полученных магнитным, радиационным, капиллярным и оптическим методами контроля. Линейчатыми являются дефекты-трещины, риски, царапины, швы, контуры, волокна, линейчатые вкрапления и др. Для оценки линейчатых образов на снимках измеряются все возможные геометрические характеристики.

Линейчатые структуры могут быть локально прямолинейными и представлены в виде полос с известным профилем и варьируемой шириной. При этом они часто довольно сильно зашумлены, размыть/, малоконтрастны, насыщены пересекающимися образами подобных или других типов. Анализ таких структур на многих изображениях довольно сложен. Сложность выделения и анализа структур на дефектоскопических снимках обусловлена наличием неравномерной освещенности, неоднородной оптической плотностью анализируемого материала, присутствием шумов и размытий, появившихся при формировании снимка, а также образов незначимых для исследования объектов и их теней.

АСАИ, применяемые для анализа дефектоскопических и металлографических снимков в промышленности, состоят из оптического устройства, цифровой

видеокамеры и компьютерной системы, реализующей цифровые методы обработки и анализа изображений. Однако применяются довольно простые методы, которые не позволяют выполнить более детальный разбор линейчатых по форме дефектов и всегда достоверно с заданной точностью определить геометрические характеристики дефектов. В связи с этим уровень автоматической обработки и анализа дефектоскопических изображений очень низок. Во многих случаях прибегают к полуавтоматической обработке, что снижает оперативность контроля качества.

В области цифровой обработки изображений существует четыре класса методов выделения и вычисления признаков линейчатых образов: градиентные методы (методы, использующие значения градиента яркости), корреляционные методы (методы, использующие коэффициент совпадения с шаблоном), пространственные методы (методы, использующие специальные преобразования сцены яркости в пространства заданных параметров), статистические методы (методы, использующие статистические признаки). Вклад в разработку методов выделения и анализа изображений линейчатых структур внесли Д. Канни, А. Рад, М. Хюккель, П. Хаф, Ф. Кларк, Д. Пао, К. Канатани, С. Наяр, С. Кониши, C.B. Абламейко, В.А. Сойфер, В.В. Сергеев, Н.Г. Федотов, Я.А. Фурман и многие др.

Однако существующие методы не позволяют выделять линейчатую структуру, характеризующуюся вариацией кривизны, яркости, ширины, пересечениями и разветвлениями, с сохранением признаков, необходимых для анализа дефектоскопических и металлографических снимков. Поэтому на практике для выделения линейчатой структуры часто применяются следующие методы сегментации: пороговая, основанная на областях или морфологическом анализе. Однако данные методы ориентированы на выделение площадных образов и применимы лишь для обработки простых изображений линейчатых структур.

Таким образом, в настоящее время существует проблемная ситуация между объективной необходимостью повышения оперативности и достоверности определения дефектов промышленных изделий по их снимкам и отсутствием современных методов и алгоритмов их выявления.

Исходя из вышеизложенного, актуальной научно-техннческой проблемой является повышение оперативности и достоверности определения дефектов на снимках промышленных изделий.

Теоретический аспект сформулированной проблемы заключается в:

- развитии математического базиса преобразований для анализа образов на снимках как линейчатых структур;

- создании методов и алгоритмов обработки изображений, позволяющих выполнить автоматическое и высокоточное выделение образов на снимках.

Практический аспект проблемы состоит в разработке методик и аппаратно-программных комплексов анализа дефектоскопических и металлографических снимков, обеспечивающих достоверное определение дефектов и оценку микроструктуры материалов изделий, для применения в системах контроля на промышленных предприятиях.

Цель диссертационной работы: создание теоретических и реализационных основ построения систем автоматического анализа промышленных снимков изделий, позволяющих повысить достоверность и оперативность их контроля.

В соответствии с поставленной целью в диссертационной работе решаются

2

следующие задачи:

1. Анализ состояния проблемы обработки снимков промышленных изделий. Обоснование направления исследований.

2. Развитие теоретических основ выделения признаков дефектов на снимках.

3. Разработка математических моделей изображений на снимках.

4. Разработка системы методов, обеспечивающих выделение линейчатых структур на дефектоскопических и металлографических снимках.

5. Разработка системы алгоритмов обработки дефектоскопических и металлографических снимков.

6. Экспериментальные исследования разработанных методов и алгоритмов обработки дефектоскопических и металлографических снимков.

Объект исследования - технические средства контроля качества изделий промышленных предприятий.

Предмет исследования - методы и средства автоматического выявления дефектов по дефектоскопическим и металлографическим снимкам.

Методы исследования базируются на использовании теории цифровой обработки сигналов и изображений, математического анализа, теории множеств и алгоритмов, теории системного анализа, линейной алгебры, теории вероятностей и математической статистики.

Научная новизна:

1. Разработана система преобразований изображений по линейчатым структурам, позволяющая получить необходимую информацию о линейчатых образах на снимках изделий, включающая:

- преобразование по сегменту полосы, отличающееся более полным описанием сегмента (сегмент задается масштабами по длине и ширине, ориентацией и профилем), что позволяет локально описать фрагмент изображения в виде полосы на плоскости;

- преобразования по линиям, состоящие в интегрировании по линии и заданному дифференциальным уравнением семейству линий объектов на снимках, обеспечивающих переход в спектральные пространства признаков образов линий на исходной сцене.

2. Создан математический базис преобразований изображений по линейчатым структурам в виде совокупности теорем:

- теоремы о максимальных значениях спектральной функции, обеспечивающие возможность определения признаков линейчатых структур;

- теоремы о разложимости детектора полосы и много масштабном воспроизведении, позволяющие устранить ранжирование заданных параметров линейчатых структур.

3. Разработана математическая модель фрагмента изображения, отличающаяся представлением его в виде полосы, характеризующейся вариацией кривизны, яркости и ширины, и обеспечивающая адекватное представление линейчатых структур на дефектоскопических и металлографических снимках.

4. Разработана система методов выделения и вычисления признаков линейчатых структур, позволяющая повысить оперативность и достоверность анализа снимков линейчатых объектов, характеризующихся вариацией кривизны, яркости, ширины, пересечениями, разветвлениями, и включающая метод(ы):

3

- выделения и вычисления признаков полосы без вращения сегмента полосы, отличающийся использованием интегрального преобразования по сегменту полосы и возможностью аналитического вычисления углов наклона сегментов полос;

- выделения полос различного масштаба, отличающийся применением многомасштабного преобразования по сегменту полосы;

- воспроизведения полосовых образов на основе использования интегрального преобразования по сегменту полосы совместно с фильтром воспроизведения полезного сигнала;

- вычисления кривизны линейчатых структур, состоящий в анализе векторного поля, полученного в результате интегрального преобразования по сегменту полосы;

- реализации интегральных преобразований по линиям, отличающиеся возможностью использования данных о типе линии и ее сигнатурных признаках.

5. На основе разработанных методов получена система алгоритмов обработки изображений, позволяющая повысить оперативность и достоверность анализа снимков площадных объектов с размытыми контурными перепадами, включающая алгоритм(ы):

- выделения границ, отличающийся использованием интегрального преобразования по сегменту полосы как границы;

- соединения точек перепадов, состоящий в применении признаков, полученных в результате интегрального преобразования по сегменту полосы;

- подавления шума на полутоновых изображениях, основанный на сглаживании шума вдоль частей яркостных перепадов как сегментов полос;

- подчеркивания границ объектов, состоящий в приведении частей яркостных перепадов как сегментов полос к ступенчатому виду;

- сегментации, заключающиеся в выделении областей изображений с границами в виде полос.

Практическая ценность работы.

Предложенные теоретические подходы, модели, методы и алгоритмы положены в основу построения программного обеспечения автоматических систем анализа изображений для контроля качества производства трубопроводных изделий и продукции железнодорожного назначения. Сформированы:

1. Методика обработки и анализа дефектоскопических изображений, обеспечивающая:

- выделение образов трещин и проверку их на допустимость по вычисленным признакам;

- выделение и вычисление признаков образов шва и дефектов на рентгеновском снимке сварного соединения.

2. Методика обработки и анализа металлографических изображений, обеспечивающая :

- определение процентного соотношения перлита и феррита в стали;

- оценку размера неметаллических включений в стали;

- анализ структуры отливок чугуна.

3. Программные продукты, основанные на разработанных методиках, методах

4

и алгоритмах, позволяют:

- сократить время расшифровки дефектоскопических снимков;

- увеличить точность количественного анализа микроструктур металлов.

Реализация результатов работы.

Диссертационная работа выполнена в рамках госбюджетной НИР №340/98.

Результаты работы внедрены в ОАО «Выксунский металлургический завод (г. Выкса), ОАО «ПО Муроммашзавод» (г. Муром), ОАО «Селивановский машзавод» (пгт. Красная Горбатка), ОАО «Муромский завод радиоизмерительных приборов» (г. Муром), ОАО «Муромтепловоз» (г. Муром).

Научно-методические результаты, полученные в диссертационной работе, внедрены в учебный процесс на кафедре «Информационные системы» Муромского института (филиала) ГОУ ВПО «Владимирский государственный университет» (г. Муром) при проведении занятий по дисциплинам «Программные средств математических расчетов» и «Системы и методы цифровой обработки изображений» и на кафедре «Прикладная механика» филиала ГОУ ВПО «Московский государственный открытый университет» (г. Кулебаки) при проведении лабораторных и практических работ по дисциплинам «Материаловедение», «Металловедение» и «Технология материалов».

Внедрения подтверждены соответствующими актами.

Основные положения, выносимые на защиту:

1. Система преобразований изображений по линейчатым структурам, позволяющая получить необходимую информацию о линейчатых образах на снимках изделий.

2. Формальный аппарат анализа преобразований изображений, обеспечивающий возможность определения признаков линейчатых структур на снимках.

3. Математическая модель фрагмента изображения в виде полосы, обеспечивающая адекватное представление линейчатых структур на дефектоскопических и металлографических снимках.

4. Система методов выделения и вычисления признаков линейчатых структур, позволяющая повысить оперативность и достоверность анализа снимков линейчатых объектов.

5. Система алгоритмов обработки изображений, основанных на интегральном преобразовании по сегменту полосы как границы, позволяющая повысить оперативность и достоверность анализа снимков площадных объектов.

6. Результаты практического применения разработанных методов и алгоритмов в системах контроля качества промышленных изделий.

Апробация работы.

Диссертационная работа и отдельные ее части докладывались и обсуждались более чем на 40 научно-технических конференциях, в том числе: 5th, 8th, 9th Int. Conf. "Pattern Récognition and Image Analysis: New Information Telinologies" (PRIA-5-2000, Samara, PRIA-8-2007, Yoshkar-Ola, PRIA-9-2008, Nizhny Novgorod), 6th, 7th Int. Conf. Pattern Récognition and Information Processing (Minsk, Republic of Belarus, 2001, 2003), Int. Conf "Information systems and technologies" (Minsk, Republic of Belarus, 2004), 5-я, 7-я, 8-я Межд. конф. «Распознавание - 2001, 2005, 2008» (Курск, 2001, 2005, 2008), IX Межд. конф. «Интеллектуальные системы и компьютерные науки» (Москва, МГУ, 2006), Межд. симпозиум «Надежность и качество'2008» (Пенза, 2008), XXXIII и XXXIV Межд. конф. «Информационные технологии в науке, социологии, экономике и бизнесе IT&SE'Oô, IT + SE'07» (Украина, Крым, Ялта-Гурзуф, 2006,

2007 гг.), V Межд. конф. «Информационные технологии и математическое моделирование (ИТММ-2006)» (Томск, 2006), Межд. конф. «Управление созданием и развитием систем, сетей и устройств телекоммуникаций» (Санкт-Петербург, СПбГПУ, 2008), 6-я Межд. конф. «Измерение, контроль, информатизация» (Барнаул, 2006), 2-й Межд. конф. «Ипфотелекоммуникационные технологии в науке, производстве и образовании» (Ставрополь, 2006), Ш Межд. конф. «Информационные технологии в науке, образовании и производстве» (Орел, 2008), 5-я Межд. конф. «Современные проблемы информатизации в моделировании и анализе сложных систем», (Воронеж, 2000), Всерос. конф. «Научная сессия ТУСУР - 2007» (Томск, 2007), 5-я и 6-я Межд. конф. «Информационно-вычислительные технологии и их приложения» (Пенза, 2006, 2007 гг.), научных конференциях МИВлГУ (1998-2009 гг.).

Диссертация докладывалась на научном семинаре в институте систем обработки изображений РАН (г. Самара).

По данному научному направлению под руководством автора защищена одна кандидатская диссертация.

Публикации. По теме диссертационной работы опубликовано более 80 работ. Из них 13 статей в журналах, входящих в перечень ВАК РФ, патент и 4 свидетельства о государственной регистрации, 3 монографии и одно учебное пособие. На английском языке опубликовано 8 работ.

Личный вклад автора. Все выносимые на защиту научные положения разработаны соискателем лично. В основных научных работах по теме диссертации, опубликованных в соавторстве, лично соискателем разработаны в [2,3,14,23-27] - математические модели, преобразования изображений и их математический базис, [7,15,16,38-44] - методы выделения и вычисления признаков линейчатых структур, [8,17,50-55] - алгоритмы обработки изображений, основанные на разработанных преобразованиях, [1,9-11,64-67] -методики экспериментального исследования разработанных методов и алгоритмов, [12,13,18,22,70-74] - методики и программы обработки дефектоскопических и металлографических снимков.

Структура и объем работы. Диссертация состоит из введения, шести разделов, заключения, списка литературы, включающего 386 наименований, и приложения. Объем диссертации 365 с. Таблиц 38, рисунков 117.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы проблема, цель и задачи исследований, научная новизна и практическая ценность, приведены результаты реализации работы.

В первом разделе выполнен системный анализ состояния проблемы обработки снимков промышленных изделий. Обосновано направление исследований.

Для выявления видов распространенных структур изображений на дефектоскопических и металлографических снимках был проведен их статистический анализ. Рассматривались такие структуры как точечные объекты, текстуры, контуры, площадные объекты известной формы, объекты с формой известного вида, образующие линии объектов, прямолинейные полосы, полосы с варьирующейся кривизной, полосы с известным профилем, полосы с варьирующейся шириной, разветвляющиеся полосы, пересекающиеся полосы, полосы с разрывами, размытые контурные перепады. Анализ показал подавляющее присутствие (более 85%) на снимках линейчатых структур, представляющих интерес для дефектоскопирования.

С целью обоснования проблемы обработки снимков промышленных изделий проведен анализ компьютерных систем обработки дефектоскопических и металлографических снимков. Проведенный анализ показал невозможность автоматического анализа большинства видов снимков существующими системами анализа изображений, применяемых при контроле качества. Это увеличивает время обработки снимков до 10-20 минут, что приводит к невозможности оперативного контроля качества изделий.

Для той же цели проведен анализ методов цифровой обработки и анализа линейчатых структур на изображениях. Выявлены недостаточные возможности существующих методов цифровой обработки и анализа изображений для выделения и вычисления признаков линейчатых структур на дефектоскопических и металлографических снимках (только 20-30% снимков достоверно анализируются существующими методами).

Обосновано направление исследований, заключающееся в разработке систем преобразований изображений по линейчатым структурам, методов выделения и вычисления признаков линейчатых структур, моделей линейчатых структур, и алгоритмов обработки снимков промышленных изделий.

Во втором разделе разрабатываются преобразования изображений по линейчатым структурам, позволяющие получить необходимую информацию о линейчатых образах на снимках промышленных изделий.

Определены основные понятия, такие как пространство сигналов, область изображения, пространство бинарных изображений, образ объекта.

Множество всех характеристических функций / :/?"—> {0, 1} является пространством бинарных изображений. Допустим также случай, когда значение функции/{х) меняется непрерывно в пределах от 0 до 1:

Дх) е [0,1].

Значение /(х) в таком случае будет показывать степень присутствия точки объекта в точке х. Изображение, заданное характеристической функцией/:/?"—» [0, 1], будем называть образом объекта множества

Для обеспечения адекватного представления линейчатых структур на дефектоскопических и металлографических снимках разработана

математическая модель полосового образа. Введены понятия области полосы, образующей линии полосы, полосы с переменной шириной, изображения полосы, профиля полосы.

Множество точек, расположенных вдоль линии х = *(/), у - }(/) на расстоянии, не превышающем значение а (рис. 1), т.е.

¿ = {(*о.^о)|(*о"*(0)2 +(Л> -МО)2^2}, является областью полосы (или просто полосой), заданной этой кривой.

Кривую х = *(/), у = у(1) будем называть образующей кривой (или просто образующей) полосы Ь. Если значение а является функцией а = а{1), то полоса Ь будет с переменной шириной, так что 2 а(1) - ширина этой полосы, изменяющаяся по образующей кривой х = х{(), у = у{().

Изображение полосы (или образ полосы) - это сцена, заданная характеристической функцией Хь '■ Я2-> {0, 1},

Шо>>о)е1> О.

Профилем полосы D будем называть сечение в окрестности точки (*, у) поверхности 2 = %L(;с, у) нормальной плоскостью в пространстве R3 к образующей кривой х = х(/), у = у(() в точке (х, у). Для описания линейчатых структур с варьирующейся яркостью обобщим понятие образа полосы, видоизменив ее профиль. Для этого будем полагать, что полосовое изображение состоит из бесконечного множества ее профилей, расположенных вдоль кривой х = x(t), у =

АО-

Пусть Ai(x) - профиль полосы, так что lim Л7 (х) = 0, тогда

je—»±so

характеристическая функция изображения полосы профиля Ai(x) определится как криволинейный интеграл вида:

Xl(x o = Jo)= j al

y=y(s)

f dy ds

a (s)

dx ds

ds dy ds

у— x

0У

ds

a{s)

где 5 - натуральный параметр, 8- дельта-функция.

Таким образом, полоса характеризуется профилем и рассматривается как область переменной ширины, построенная вокруг образующей линии полосы.

у=у(0

Рис.2. Пример детектора полосы.

Рис. 1. Область и сегмент полосы.

Для того чтобы локально описать фрагмент изображения в виде полосы на плоскости, выполнены разработка и исследование свойств интегральных преобразований по сегменту полосы.

Дано определение сегмента полосы. Анализируются его параметры. Рассмотрено интегральное преобразование изображения по сегменту полосы (ИПСП).

Сегментом полосы будем называть прямоугольник, обладающий следующими свойствами: центр прямоугольника находится в точке образующей полосы; две стороны прямоугольника параллельны касательной к образующей в этой точке и аппроксимируют края полосы. Обозначим полуширину (или масштаб) сегмента как <т, полудлину - /, а угол наклона сегмента (который равен углу наклона нормали к образующей полосы) - б1 (рис. 1).

На основе ИПСП вычисляются признаки сегмента (позиция, масштаб ориентация).

_ , X V

Т-1 - ?

Функцию

.в чо" I.

которая максимальным образом повторяет функцию изображения полосы 2 = у(х, у) в каждой точке области ее сегмента в пространстве параметров х, у, в, а, назовем детектором сегмента полосы (или просто детектором полосы, рис. 2).

Т = - оператор (матрица) поворота на угол О. Параметры а и I

в ^¡п6> соэ^ )

являются масштабными коэффициентами (или просто масштабами) по ширине и длине соответственно.

Преобразование Н[ ], ставящее в соответствие каждому изображению/(х,у) его спектр параметров Ь(х0у0, в. а) по правилу

| 00 со

И(х0,у0,в,<т) = —1 | ¡/(х,у)51(х-х0,у-у0,в,а-)(^хс1у

ьУу 1[ — V) —сп

назовем интегральным преобразованием по сегменту полосы (ИПСП) I, заданной детектором ^¡(х.уД.а). Данный интеграл сходится, если

оо со —00 —00

Теорема 1. (теорема о максимальном значении спектральной функции) ИПСП функции /¡(х,у) = ЛуХ/Хх-Хи у-уиО],а,) в пространстве параметров х0,уа,в,и дает отклик, равный коэффициенту Ду независимо от значений (-Гь}'|,#ь0"|), то есть

Все остальные отклики будут меньше Л .у:

\/(х,уДст) Ф {ххуивиах) ¡1(хху,6>,о-)<Л:;с$ о тах ¡1(х,у,в,а) = 1г{х[.у],д\,(У]) = Ах. Доказательство приведено в диссертации.

Введено понятие интегрального преобразования по многомерной поверхности, выполнено исследование спектральной функции, полученной в результате такого преобразования на модели образа поверхности.

Пусть Л'" - векторное пространство (область параметров) размерностью т. Зададим в В" аналитическую поверхность вида

ф, а) = О,

где х = (л'|^2,...,-г„) - вектор переменных (х е 7?"); а = (аьа2,...,ат) - вектор параметров (а е Я'").

Преобразование Нг/> : {О, 1}) —> Я), ставящее в соответствие

каждому изображению^*) его спектр параметров по правилу

V

будем считать интегральным преобразованием по поверхности ср.

Теорема 2 (теорема о максимальном значении спектральной функции). Если изображение _/{х) содержит только одну поверхность <р-вида, заданную параметрами а,,'.

il, ç(x, Î70) = 0,

/W = (o,

то значение спектральной функции h{à) = в точке а0 будет являться

максимальным и равным площади этой поверхности, т.е.

А(а0)= тах(Л(а)).

aeRm

Доказательство приводится в работе.

Для анализа сложных линейчатых образов заданной формы на снимках разработаны интегральные преобразования по линиям. Введено понятие интегрального преобразования двумерного изображения по линии.

Преобразование Н^ : L2(R2, [0, 1]) -> L2{Rm, R), ставящее в соответствие изображению fix, у) его спектр параметров по правилу

Kà) = Up[f(x,y)]= ¡f(x,y)ds,

V

назовем интегральным преобразованием по линии (р (ИПЛ).

В данном преобразовании используется криволинейный интеграл. Из его свойств следует, что значение спектральной функции h(a) будет равно суммарной яркости части кривой <р(х, у, а) = 0. Можно утверждать, что каждый спектральный отсчет h(à) в точке а дает меру сходства линии на исходном изображении с заданной кривой <р(х, у, а) = 0.

Следствие. Максимальное значение спектральной функции 1г(а) соответствует параметрам кривой ç(x, у,а) = 0 на изображении fix, у) и равно ее длине.

Построено интегральное преобразование по линии с учетом дополнительных признаков.

Пусть - множество функций некоторых к (к < т) признаков образа

линии (например, угол наклона нормали, кривизна и др.), b,{à) - тот же признак линии ср(х,у, а) = 0 с параметрами аиа2,...,ат в точке (х,у), i = 1,...,к.

Преобразование, ставящее в соответствие изображению fix, у) его спектр параметров по правилу

h(a) = } f{x, y)l\ D[Bi (x, у) - b, (ap,

<p /=1

fl,/ = 0,

где D(t) = <! будем считать производным интегральным преобразованием

по крпвой (р.

Если известна характеристическая функция ориентации нормали к образу линии Ф(;с, у), то необходимо совпадение ее значений с углом наклона нормали к кривой <р(х, у, а) = 0:

h(a) = \f(x, >0 - Z(V<p(x, у, a))]ds,

v

( д д*)

где V= —,— - оператор градиента, ZV(-) - оператор угла наклона вектора \дх ду)

градиента. Назовем данное преобразование градиентным интегральным преобразованием по линии <р(х, у, а) = 0 (ГИПЛ).

Пусть к : /?2 -> R - функция кривизны образов линий на fix, j'). Запишем

10

производное интегральное преобразование по линии, усовершенствовав градиентное преобразование так, чтобы кривизна к (х, у) совпадала с кривизной линии, для которой выполняется преобразование

с!Я

И(а)=1/(х,у)0[ф(х,у)-А^!р(х,у,а))]0 ' *

ф, у) -

ск

(к.

Следует отметить, что касательная к линии ортогональна градиенту, поэтому кривизну можно найти, зная градиент:

К =

(16 1 <1%

(к " ы ¿к

где g = Vср{х,у, а) - значение градиента в точке линии <р(х, у, а) = 0.

Для описания и анализа линейчатой структуры, претерпевшей преобразования подобия, введены понятия подобной кривой и интегрального преобразования по подобной кривой.

Пусть и с Л2 - множество точек некоторой линии. Введем оператор А, выполняющий преобразования подобия (растяжение в а раз, поворот на угол у и сдвиг на вектор (лзд'о)):

А(х0,>'о, ¿г, у)=сгТ

г у; v>'oy

где Т - оператор (матрица) поворота на угол у.

г

Кривую А и будем называть подобной для кривой I].

Пусть также/: Я2 -> Д - функция исходного изображения; (.г, у) е Д2; а = (х0, Уо, у) - вектор параметров подобия; К'" - спектральное пространство (т = 4).

Преобразование НЛ(; : ¿2(/?2, [0, 1]) -> Ь2(Я4, Я), ставящее в соответствие каждому изображению /(х,у) его спектр параметров /¡(а) по правилу

!г(а) = Нхи\/(х,у)]=

А и

будем считать интегральным преобразованием по кривой и в пространство признаков подобия, задаваемых оператором А (или интегральным преобразованием по подобной кривой, ИППК).

Спектральная функция /г(а) также будет характеризовать степень близости образов линий Р = {(.г, у) \]{х,у) = 1} и кривой А и, преобразованной из эталона и.

Градиентное интегральное преобразование по подобной кривой (ГИППК) запишется следующим образом:

На) = НЛ„[Дх,>0]= {/(.г, у) • й[Ф(х,у) -у- .

А и

Исследованы свойства различных сигнатурных признаков линий. Введены новые сигнатурные признаки. Разработано интегральное преобразование в пространство признаков линий.

Разность угла наклона радиус-вектора в точке кривой и угла наклона нормали в этой точке назовем угловой разностью: у/= а- в.

Можно видеть, что ^//характеризует скорость отдаления (приближения) кривой от начала координат. Параметр

£ = /.{da, cW) = arctg—, da

характеризующий скорость изменения угла наклона нормали в точке кривой (х, у) в зависимости от изменения угла наклона вектора (х, у), назовем угловой кривизной.

Исследована реакция параметров на преобразование подобия (сдвиг, поворот, масштабирование). Анализировались следующие параметры: координаты, длина радиус-вектора, угол наклона радиус-вектора (а), угол наклона нормали (в), длина нормали (р), угловая разность (у/), кривизна (К), угловая кривизна (£), разность длин радиуса-вектора, разность углов наклона радиус-вектора, разность углов наклона нормалей, расстояние между касательными и др.

Пусть а\ и а2 - производные параметры кривой U в точке (х, у), инвариантные к некоторым преобразованиям подобия. Через параметры а\ и сь зададим уравнение Дяь а2) = 0, описывающее кривую U. Т.к. параметры являются производными, то уравнение //(tfi, а2) = 0 является дифференциальным и описывает в действительности множество кривых. Решением данного дифференциального уравнения будет являться множество уравнений кривых семейства AU. Будем полагать, что уравнение в пространстве параметров йь а2 /4а\, а2) = 0 задает некоторую дифференциальную кривую.

Преобразование, ставящее в соответствие каждому изображению fix, у), характеризующемуся производными признаками образов кривых на нем Л\(х, у) и Л2(х, у), его спектр параметров по правилу

h(ai ,я2) = JJ/(*. 1 (*> У) - а\ (*> у) - а2 \lxdy,

R2

назовем интегральным преобразованием в пространство признаков кривых

(ипппк).

Следует отметить, что если fix, у) содержит образ кривой, то спектр И(а,, а2) будет содержать дифференциальную кривую, которая является отображением исходной кривой.

Важным свойством спектра h является то, что он может быть инвариантным к некоторым преобразованиям подобия. Например, спектр !г{щ р) инвариантен к повороту, инвариантен к повороту и масштабу, h(9, К) инвариантен к

сдвигу. ИПППК применимо для сравнения различных изображений линий. Для того чтобы сравнить два изображения независимо от каких-либо признаков подобия, будем искать скалярное произведение спектров этих изображений. Полученное значение будет являться степенью схожести исходных образов.

Появляется возможность вычисления признаков подобия изображений относительно друг друга. Например, анализ свертки двух спектров h{0, р) позволяет найти угол поворота у.

Третий раздел включает в себя разработку и формальное описание методов выделения и вычисления признаков линейчатой структуры, основанных на введенных преобразованиях.

Для анализа на снимках линейчатой структуры с варьирующейся кривизной разработан метод выделения и вычисления признаков полосы без вращения сегмента полосы.

Пусть масштабные коэффициенты сегмента полосы а и / постоянны и равны между собой (сг= 1 = const), а детектор полосы при (9=0 аппроксимируется второй

производной гауссоида по переменной х (рис.2):

^.(^jv)^1-*2)-'

Так как масштаб а постоянен, то общий детектор полосы в нашем случае будет задаваться функцией трех переменных:

sL(x,y,0)= sL

£ L

сг' а

= 1-

(xcos^-jsin в)2

Теорема 3. (теорема о разложимости детектора полосы) Функция s¡(x,y, в) может быть разложена на три составляющих:

sL (х, у, в) = s¡ (x,y)cos20 + s2(x,y)sin20 + s3(x,y), где íiÍx.v), Л'2(.т.>') - нормированные гауссоидом гиперболические параболоиды:

*2+у2

2 2

Х -У с 2а2 Ътг

а Л'з(.т,_у) - лапласиан гауссоида:

1-

V

х~ + у

2 а2

Теорема 4. (теорема о максимальном значении спектральной функции) Спектральная функция /?(х, у, в), получаемая в результате ИПСП, принимает максимальное значение в точке

в,

так что

где 5,, Бг, - свертки исходного изображения Дх.у) с функциями 5,5;Сг,у) и соответственно:

Ф со

= ] ¿ = 1,2,3.

— XI —XI

Преобразование исходного изображения Дх, >') на основе ИПСП в изображение ^х, у), так что

назовем выделением полос без вращения сегмента полосы (ВПБВ).

Метод выделения и вычисления признаков полосы без вращения сегмента полосы предполагает вычисление ц(х,}') и #(х, >>) по данным формулам.

Для анализа на снимках полосовых образов с варьирующейся шириной разработан метод выделения полос различного масштаба.

Преобразование Н^-], выполняющее фильтрацию по масштабу в пределах [<ть сг2] функции Дх, у) вдоль каждого направления в, формируя спектральную функцию в) таким образом, что

(|<JW,V))

а

С.

(где Cs - нормирующий параметр, S!(oj1 v), G(cу, v, 6), v) - Фурье-спектры функций sl(x, у), gix, у, в) и /(л, у) соответственно) назовем интегральным преобразованием по сегменту полосы различного масштаба (ИПСПРМ).

Преобразование исходного изображения /(jc, у) на основе ИПСПРМ в изображение g(x, у), так что

g(x, у) = max Hrffix, у')],

в

назовем выделением полос различного масштаба (ВПРМ).

Метод выделения полос различного масштаба предполагает вычисление G(a, v,6) и g(x, у) по данным формулам.

ВПРМ обеспечивает выделение полос различной ширины при а] < сг < сг2. Преобразование заключается в поиске значения угла наклона детектора, которое соответствует максимуму в спектре g(x, у, в).

X +у

Если sL (х, у) = (l - л-2)■ с 2 , то

G(a>, v,0) = ~ F(o), v)• [Т- (acojv)]

С, в

°2

где у/1 (а, V) = (1 — ¿у 2 )е '' ,Р(со, V) - Фурье-спектр Дх, у).

Для выделения полос без искажения их ширины разработаны метод многомасштабной фильтрации профилей полос на основе фильтра воспроизведения полезного сигнала и метод воспроизведения полосовых образов на основе многомасштабной фильтрации профилей полос и ИПСП. Для осуществления многомасштабной фильтрации профилей полос сформированы два преобразования: воспроизводящее интегральное преобразование по сегменту полосы и преобразование для воспроизведения полосы.

Теорема 5. (теорема о многомасштабном воспроизведении) Многомасштабное воспроизведение профилей полос обеспечивает фильтрующая функция, спектр Фурье которой

= -

Ma[Ws(aa>)]

МЛ»', (<*»)] +»Г» 1 01

где MlT[Ws(aa)] =- ¡Ws(aco)dcr; оператор среднего по масштабу <т(сг

°"2 - О"!

e[crt, <х2]); Ws(ca), W„(co) - энергетические спектры полезного сигнала (профиля полосы) и помех соответственно; егь сг2 - минимальное и максимальное значение масштаба соответственно.

Многомасштабное воспроизведение дает возможность фильтрации сигнала заданного вида в некотором диапазоне масштаба. Пусть N(a>, v) - Фурье-спектр функции шума.

Преобразование Н¡{-], выполняющее фильтрацию по масштабу в пределах [<Ть <т2] функции fix, у) вдоль каждого направления в, формируя спектральную функцию g(x, у, в), по правилу

С(со, V, 8) = Р(со, V)--^--,

где

АГ,--^-7

а2~<Г\ 4 "

¿¡а,

является воспроизводящим интегральным преобразованием по сегменту полосы (ВИПСП).

Преобразование исходного изображения Дх, .у) на основе ВИПСП в изображение у), так что

ф, у) = тах Н^Дх, у)}, в

назовем воспроизведением полосы (ВП).

ВП находит максимумы в откликах ВИПСП, тем самым среди сегментов разной ориентации определяется сегмент, который наилучшим образом повторяет часть полосы.

Для анализа на снимках линейчатой структуры различной формы разработан метод вычисления кривизны образующей линии полосы.

Значения координат образующей (х, у), угол наклона нормали к ней в и масштаб и возможно найти, определив максимумы спектральной функции, полученной в результате ИПСП, то есть в результате решения задачи оптимизации:

1:(х, у, в, а) —> шах, О < в < 2п, сг, < а < а2.

Для определения такого признака как кривизна будем основываться на следующем.

Пусть в Я" присутствует кривая, заданная параметрически системой уравнений

* = Ж),

где х = (Х1^2~ вектор значений (х е В") векторной функции ¿(х) = (Х\{я),

Проекции направляющего вектора £(х) касательной к линии х = будут пропорциональны производным

'¿х\ ¿Х2 ^х„)_с!х

с/я ' ск ' ' (¿я ) сЬ Выполним нормирование векторной функции g(x):

Теорема 6. Значение кривизны векторной линии векторного поля, заданного функцией г/\ Я" -» [-1, 1]" (\г](х)\ = 1), в точке х определяется по формуле:

г пхп

I дг>1

к(х)-

а. I ' УМ

дХ} ■ ■ ,

Следствие. Если векторная функция 1]{х) определена в трехмерном

пространстве Я (п = 3), то вычисление кривизны векторной линии сводится к

15

определению модуля ротора векторного поля:

к(х, у, z) = |rot r¡{x, у, z)| = |V х т]\ =

det

í -

i

&

Пх

к

dz

11 z.

Перейдя на плоскость

R2 (п --

J

д_

ду П у

dyz

ду

dz

дх

дг]х д>7у

dz ' дх

ду

к{х,у)--

0,0,

2), получим дпу дт1х

\ дг!у дПх

У дх ду

дх ду

Теорема 7. Кривизна линии яркостного перепада в точке (х, у) на плоскости хОу определяется как абсолютное значение дивергенции векторного поля градиента яркости в этой точке:

к(х, j) = |'V • т]\ = |div т](х, j>)¡ = jdiv (costf, sinб?)|. Для дискретного пространства: 1

W,7) * хj -XiJ+ YiJ+i -Yy\ +1X^j - X, + YijA

-rA

2

где X, Y — матрицы значений составляющих нормали 1] по оси х и у соответственно.

Метод вычисления кривизны основан на данной формуле. Для реализации ИПЛ построены соответствующие методы, и даны им определения.

Рекуррентную реализацию интегрального преобразования по линии, V(ar, >») У а, (/= 1,... ,т) \фс,у,аиа2,...,ат) = й h(at,a2,...,am) = h(aua2,...,am) +J[x, y)cixdy, будем называть методом накопления спектральной функции.

ИПЛ можно реализовать таким образом, что в вычислении будут участвовать только точки оцениваемых объектов на изображении (т.е./(х, j1) > 0):

V(.x,v) !.Д.т, у) > 0 Va, (/= 1,... ,т) | (f{x, у; ах ,а2,... ,ат) = О h(aua2,...,am) = h{ax,a2,...,am) +fix,y)dxdy. Такое построение ИПЛ (устранение расчетов с координатами точек фона (х, у), когда fix, у) = 0) будем называть методом отсечения фона.

Если выразить из уравнения <р(х, у, а) = 0 какой-либо из параметров, то алгоритм в таком случае приобретает следующий вид:

4x,y)\j[x,y)>0

h(aua2,...,am) = h(aua2,...,a„)+J[x,y)dxd}' | am = <p(x, y; a,,a2,...,amA). Назовем такую реализацию методом с разрешением относительно параметра.

Если уравнения разрешены относительно параметров:

а, = (р{х, у; /),

где <pi : R"+1 —>/?(/ = 1 ,...,т), то теперь вместо т параметров необходимо ранжировать только один параметр t, а значения ах,а2,...,ат вычисляются исходя из значения t

V(x,y) Ua-,j)>0

Vi h(aua2,...,am) = h(a{,a2,...,am) +J(x,y)dxdy \ a, = cp,(x, y; t) (/= 1,...,m).

Этот метод (выражение всех параметров линии через новый введенный параметр) является параметрическим разрешением.

Если линия задана параметрически:

x = <px(a„a2,...,am;t), y = q>y(ax,a2,...,am\t), где (fa (¡>у : R"+l Я (/= 1,...,ш), то

(2

Ка) = J/O, }')ds = f/(<px (a; t), <ру (а\ t)) ■ n(cr, t)dt,

_р_ 'i

где п(а;/) = ^(p'x2(a\t) + (p'y2{a\t).

Сначала будем перебирать не значения переменных, а значения параметров линии:

У а, (1=1,...,т) V/ h(aua2,...,am) = h(aua2,...,am) +/[х,у)-п(аъа2,...,ат; t)dxdy \х = щ{аиа2,...,ат; t),y = <ft(aha2,...,am; t).

Такой метод выполнения ИПЛ является методом разрешения относительно переменных.

Построено интегральное преобразование по линии с учетом дополнительных признаков.

В случае если известны дополнительные признаки {B,(x,y)j (/ = 1,...,£), то имеем систему А: уравнений

{В,(х,у) - Ь,(х,у, аи а2,...,а„,) =0}, из которой выразим как Д(-) (если это возможно аналитически) к+\ параметров кривой <р, и алгоритм ИПЛ сократится на к+1 циклов:

V(x,>0 \j{x, у) > 0

h(aua2,... ,а,„) = h{ax ,а2,... ,am) +J(x, y)dxdy

I am.i= рып(х,у\ ax, a2,...,am.kA) (i=k,...,0).

Такой метод является построением интегрального преобразования с разрешением параметров через дополнительные признаки.

В четвертом разделе разработаны алгоритмы, основанные на ИПСП, для улучшения, препарирования и сегментации изображений.

Для выделения размытых контурных перепадов на снимках разработан алгоритм выделения границ объектов, основанный на ИПСП. Алгоритм позволяет получить единственный отклик на профиль границы полутоновых образов. По спектральной функции ИПСП определяется позиция, длина, ширина и ориентация каждого сегмента границы, используемые для дальнейшей обработки и анализа изображения. Непосредственное применение ИПСП к исходному изображению (без использования предобработок) обеспечивает значительное сохранение полезной информации. Алгоритм позволяет получить изображения утоньшенных границ. Граничная точка определяется как середина контурного перепада. Бинаризация изображения осуществляется с порогом, выбранным в зависимости от уровня шума, где значение порога находится по гистограмме этого же изображения.

Для формирования векторного изображения сцены дефектов разработан алгоритм соединения точек перепадов (прослеживания), позволяющий преобразовывать выделенные границы в цепной код в зависимости от угла наклона каждого сегмента, полученного в результате ИПСП.

С целью предварительной обработки дефектоскопических и металлографических снимков создан алгоритм подавления шума на основе ИПСП, обеспечивающий фильтрацию аддитивного шума как на однородных областях изображений, так и на зонах перепадов, без смазывания границ.

Для четкого выявления областей объектов на снимках разработан алгоритм подчеркивания границ на полутоновых изображениях, позволяющий устранять зоны перепадов яркости. Алгоритм также основан на использовании ИПСП. В зависимости от уровня шума изображение делится на области перепадов яркости и на однородные области. Однородные области сглаживаются, а области перепадов делятся по линии границы и сливаются с соответствующими однородными областями.

Для выделения площадных объектов на снимках созданы алгоритмы сегментации, основанные на наращивании областей и квантовании мод гистограммы. Алгоритм использует также признаки, полученные в результате ИПСП. В качестве предобработки для получения четких контуров областей применяется алгоритм подчеркивания границ.

Подробное описание алгоритмов приведено в диссертации.

В пятом разделе выполнено исследование разработанных методов и алгоритмов.

Разработан метод синтеза образующей линии полосы и изображения полосы. Анализ фона многих реальных изображений показывает, что модуль Фурье-спектра фона достаточно хорошо аппроксимируется гиперболой:

где ак и параметры, характеризующие интенсивность шума.

Для синтеза фона будем генерировать гиперболический Фурье-спектр и искажать его добавлением случайной комплексной составляющей:

2,(и0 = ф0+¡У, +1Жи где ии ^ - гауссовские случайные величины с нулевыми математическими ожиданиями и единичными дисперсиями. Уравнение образующей полосы получается путем решения дифференциального уравнения относительно функций

40 и >'(/):

(к

где Щ) - функция кривизны, сформированная по ее случайному спектру.

ЫО)

Решением дифференциального уравнения будет = Ы^ь,

Ы*)) 1

где

v =

cosé^i

, так что 6(t) = J K{t)ck (/ь /2 - предельные значения параметра.s).

sin#

Полуширина полосового образа также задается как случайный процесс а = o{t).

Данный метод синтеза полосы позволяет формировать различного вида линейчатые образы с заданным профилем, переменной кривизной и масштабом.

Проведены эксперименты синтеза тестовых изображений фоновых и полосовых образов. Выполнена аппроксимация полос на реальных изображениях.

На основе модели полосы и алгоритма синтеза полосовых образов построены тестовые изображения с различными значениями параметров. Показано видоизменение образа полосы при варьировании некоторых параметров, что дает возможность генерировать линейчатые изображения специфического вида.

Осуществлена оценка качества фильтрации полос. Для оценки разработаны алгоритмы, основанные на корреляционном сравнении и сравнении геометрических характеристик образов полос.

График статистической зависимости коэффициента корреляции от среднеквадратического отклонения шума (СКО) приведен на рис.3,а. Из графика видно, что фильтрация позволяет сохранить большие значения коэффициента корреляции при увеличении мощности шума.

В алгоритме сравнения по геометрическим характеристикам выполняется бинаризация тестового, зашумленного и фильтрованного изображений. По бинарным сценам вычисляются характеристики полос: площадь, длина, максимальная ширина, центр тяжести, вторые центральные моменты. Данные характеристики позволяют оценить форму, позицию и ориентацию анализируемого образа.

Показано, что фильтрация полос вносит лишь незначительные искажения. Полезный эффект фильтрации наблюдается при наличии на изображении шумов: шум сильно варьирует признаки объекта, фильтрация же устраняет такой разброс (рис.3,б).

150

100

50

SS, %

100

О 20 40 60 80 100 0 20 40 60 80

О) б)

Рис.З. Зависимости коэффициента корреляции q (а) и отклонения площади Ж (б) от СКО шума

аш (пунктирной линией показана зависимость без фильтрации, сплошной - с фильтрацией). Значения i] и Жданы с предельными ошибками ±0,1 и ±15% соответственно при доверительной

вероятности 0,95.

Тестирование и визуальный анализ результатов обработки показывают целесообразность применения фильтрации при наличии помех на изображении.

Для исследования разработанных фильтров также построено тестовое изображение полосы, обладающей следующими свойствами: сегменты полосы имеют различную ориентацию, кривизна образующей линии и ширина полосы варьируются по всей ее длине, полоса имеет прямоугольный профиль, разрывов в полосе не имеется, длина полосы значительно больше средней ширины. На

изображение полосы накладывался гауссовский шум с гиперболическим спектром, который искажает признаки полосы.

Вычислены важные геометрические характеристики построенного образа (площадь, длина, средняя ширина, максимальная ширина) и выполнено сравнение различных методов фильтрации по отклонениям характеристик от реальных значений. По графикам отклонений видно, что фильтрация позволяет приблизить характеристики к реальным значениям (рис.4). Отметим, что сохранение длины полосы хорошо обеспечивают все фильтры. Однако сохранение характеристик, зависящих от ширины полосы, выполняется только методом воспроизведения на основе ИПСП. Это связано с тем, что первые три фильтра выделяют на самом деле не полосу, а ее образующую, искажая при этом информацию о ширине.

Результат фильтра Габора

Результат фильтрации второй производной гауссоида

Результат прямоугольного фильтра

Результат воспроизведения полосы на основе ИПСП

Рис.4. Графики относительной ошибки вычисления геометрических характеристик полос при обработке различными методами фильтрации. Сформированы модели образов линий, на которых выполнено исследование разработанных интегральных преобразований изображений по линиям.

Пусть исходное изображение будет совпадать с образом линии (¡Ах, у, д0) = 0:

А*. >0 = /,(*» У) Ч

Очевидно, что изображение, заданное функцией /Цху), является моделью образа линии ср(х,у, а0) = 0. Введем случайную величину

то есть иг = 1 с вероятностью р и С/2 = 0 с вероятностью 1 -р .

Введем также случайную величину \¥2 = {(0|0,5),(1|0,5)}, то есть \У2 принимает значения единицы и нуля равновероятно.

Пусть, если точка (х, у) подверглась шуму, то она заменяется его значением, в качестве которого будем использовать значение случайной величины \У<

\Уг2,и2 - 1

Изображение, заданное функцией является моделью «лшшя+шум». Вероятность р будет соответствовать уровню зашумленности изображения

линии Iр(х,у; а0) = 0.

Пусть теперь на исходном изображении присутствуют три компоненты: образ линии р(х, у, а о) = 0, множество других линий вида <р(х, у\ а) = 0 и шумовая составляющая. В таком случае

„ ч /Р(х,У)чМх,у),и2=0, 1{Х,у)=>

\У2,и2 = 1

= (/»(X, У) V Л (х, у)) -(1-и2) + }¥2-и2,

где/V (х.у) - функция изображения других линий вида <р(х,у, а) = 0:

Л (■*. У) = \/ О, (х, у, а,) = 0). /

Изображение, заданное функцией Ах.у), является моделью «линпя+лишш+шум».

Произведено статистическое исследование ИПЛ в зависимости от уровня зашумленности.

Обозначим множество реализаций функций изображений, зашумленных с уровнем шума р, как

где п - число реализаций. Будем полагать, что параметры линии вычислены правильно, если максимум в спектральной функции реализации /,р соответствует параметрам линии на изображенииЛх,у). Для этого введем проверочный оператор С : Рр —> {0, I}. С[//'] равен единице, если параметры кривой вычислены правильно, и нулю в другом случае.

Частоту правильного вычисления будем определять как среднюю арифметическую С[/,р] для различных реализаций:

Пы\

Графики зависимости частоты пр для 100 реализаций от уровня зашумленности р показаны на рис.5.

0.2 0.4 0.6 0.8

I' г

а) 6)

Рис.5. Зависимости частоты правильного вычисления от уровня зашумленности для образа линии в 30 пикселей (а - ИПЛ, б - ГИПЛ). Значения частоты даны с предельной ошибкой ±0,07 при доверительной вероятности 0,95.

Графики показывают область применимости ИПЛ и целесообразность использования дополнительных признаков, так как это повышает вероятность правильного вычисления параметров линий.

Выполнено экспериментальное исследование разработанных алгоритмов, основанных на интегральном преобразовании по сегменту границы.

Результаты исследования показывают, что созданные в работе алгоритмы производят выделение границ с меньшими искажениями, чем существующие алгоритмы (рис. 6). Интегрирование вдоль границы объектов уменьшает влияние шума, что позволяет принять порог бинаризации намного ниже, чем в известных методах, использующих локальные градиентные операторы, и выделить менее контрастные контуры. Алгоритм соединения точек перепадов также позволяет снизить порог бинаризации и получить контуры большей длины. В алгоритмах сегментации предварительная обработка на основе ИПСП довольно четко определяет моды на яркостной гистограмме изображения. При обработке тестовых изображений с помощью известных и разработанных алгоритмов видно, что разработанные алгоритмы дают лучший результат: контур образов определен точнее, выявлены также менее контрастные образы.

Рис. 6. Зависимости коэффициента корреляции между контуром тестового изображения и выделенного контура на зашумленном изображении и количество образующихся разрывов и ответвлений контура пш от СКО шума (пунктирной линией показана зависимость для детектора Кониши, сплошной - для метода выделения контуров на основе ИПСП). Значения и пш даны с предельными ошибками ±0,1 и ±10% соответственно при доверительной вероятности 0,95.

В шестом разделе выполнено построение методик на основе разработанных методов и алгоритмов, и приведены результаты их практического применения для обработки и анализа дефектоскопических и металлографических изображений.

Отмечено, что выявление дефектов-трещин выполняется в магнитной, оптической и радиационной дефектоскопии и является основной задачей в капиллярной дефектоскопии, в которой выполняется определение таких параметров как ширина и глубина раскрытия трещин.

Выполнен статистический анализ снимков трещин. Отмечено, что дефекты на всех взятых снимках представляют линейчатые образы прямоугольного профиля со случайно варьируемой шириной. Для оценки уровня шума на данных дефектоскопических снимках проведены исследования, которые позволяют определить значения параметров, характеризующих спектр фона.

Определена минимальная и максимальная ширина раскрытия дефектов на снимках. Для нахождения длины сегмента полосы дефектов выполнялось усреднение изображений в каждой точке образующей полосы. Полученные параметры в ходе проведенного анализа используются как входные данные для разработанного алгоритма фильтрации.

Построена общая методика обработки снимков трещин. Методика основана на следующей схеме:

1) Фильтрация полосовых образов.

2) Бинаризация фильтрованного изображения.

3) Вычисление площади выделенных областей.

4) Устранение областей малой площади.

5) Вычисление признаков выделенных дефектных областей.

6) Классификация дефектов по допустимости.

Выполнялась обработка реальных изображений. На рис.7 приведены примеры воспроизведения полос прямоугольного профиля как образов трещин на дефектоскопических изображениях. С порогами, выбранными по гистограммам, произведена бинаризация исходного и обработанного изображений (рис.7). По бинарным сценам видно, что применение фильтрации позволяет довольно четко отделить фон от трещины.

Возникает возможность выделения изображений дефектов такого рода для дальнейшей автоматической оценки качества поверхности анализируемого изделия (вычисление длины, ширины и других геометрических характеристик с помощью известных алгоритмов). Обработка и анализ дефектоскопических снимков без воспроизведения полос не дает положительных результатов. Визуальный экспертный анализ подтвердил достоверность результатов обработки и анализа снимков на основе построенной методики.

Рис.7. Результаты обработки снимка фрагмента изделия «Глухой фланец 90x14» с трещиной (ширина раскрытия трещины - 0,48 мм, суммарная длина - 18,32 мм) (а - исходный снимок, б-результат бинаризации исходного снимка, в - результат фильтрации, г - результат выделения значимых дефектов на фильтрованном снимке).

Осуществлен обзор задач оценки качества выполненных сварочных работ в дефектоскопии. Рассмотрены виды дефектов и сварных швов, произведена их классификация. Разработана методика предобработки рентгеновского снимка сварного шва.

Предобработка включает в себя следующие этапы:

1) Фильтрация для сглаживания неровностей границ сварного шва на рентгеновском снимке.

2) Бинаризация изображения с порогом яркости, который соответствует области сварного шва.

3) Выделение границ области сварного шва.

4) Вычисление параметров верхней и нижней границ области сварного шва на основе интегрального преобразования по прямой линии.

5) Нормализация (масштабирование и поворот) изображения в зависимости от найденных параметров прямых линий.

Выполнен анализ структуры образов дефектов на рентгеновских снимках сварных соединений, показавший распространенность дефектов, имеющих линейчатую форму, таких как трещины, подрез и непровар. Возможны также дефекты, имеющие округлую форму (пористость). Определены параметры фона, а

также минимальная и максимальная ширина раскрытия дефектов на снимках.

Методика обработки рентгеновских снимков сварных швов состоит в следующем:

1) Предобработка снимка для его нормализации и выделения области шва с возможным содержанием образов дефектов.

2) Выделение линейчатых дефектов с помощью метода фильтрации полос, построенного на основе ИПСП.

3) Выделение границ и поиск округлых дефектов с помощью интегрального преобразования по окружности.

4) Классификация дефектов по найденным с помощью ИПСП и ИШ1 признакам.

На рис.8 приведен пример обработки рентгеновского снимка сварного шва.

в) г)

Рис.8. Результаты обработки рентгеновского снимка сварного шва [а - снимок сварного шва

нефтегазопроводной трубы 125x11,4, б границы сварного шва, в — прямые линии границ сварного шва. г -выделенный дефект (максимальная ширина - 1,06 мм, длина - 58,21 мм)].

Геометрические параметры и виды дефектов, определяемые с помощью разработанной методики, соответствуют результатам эксперта (оператора-дефектоскописта).

Разработаны методы и алгоритмы выделения признаков на металлографических снимках. Осуществлено применение полученных алгоритмов для обработки и анализа металлографических снимков.

Рассмотрены способы металлографического исследования снимков микроструктур. Разработаны методы и алгоритмы выделения базовых и производных признаков плоских объектов. Исследована информативность рассматриваемых признаков для осуществления классификации объектов на металлографических снимках. Выявлены информативные признаки образов различных включений в микроструктуре.

На основе алгоритмов предобработки с помощью ИПСП и алгоритмов вычисления признаков плоских объектов разработана методика анализа металлографических снимков. Методика заключается в следующем:

1) Выделение и вычисление признаков контуров на основе ИПСП.

2) Подчеркивание границ объектов на изображении в зависимости от найденных границ и их признаков.

3) Сегментация по яркости для выделения образов включений на снимке.

4) Вычисление информативных признаков выделенных образов.

5) Классификация найденных объектов, то есть отнесение их к определенным видам включений.

6) Определение размеров каждого объекта в соответствии с ГОСТ 1 778-70.

7) Подсчет количества включений каждого типа, размер которых превышает установленное значение, а также общего количества таких включений.

Примеры обработки и анализа металлографических снимков приведены на рис. 9 и рис. 10.

а) б) в)

Рис. 9. Результаты сегментации металлографического снимка (а - исходный металлографический снимок; б, в- выделенные области методом квантования мод без предобработки и с предобработкой на основе ИБС'П соответственно )

V

г г

к

* *

" ? г »

> ж

Л

л 1

С

г;

а) б) в)

Рис. 10. Результат обработки и анализа микроснимка чугуна (а - исходное изображение, б -результат сегментации, в - найденные и распознанные объекты).

Разработанные методики реализованы в системах управления процессом контроля изделий по снимкам. Сравнительная оценка систем по данным экспертов (операторов-дефектоскопистов) приведена в следующей табл. Исходя из данных, приведенных в таблице, разработанные методы и алгоритмы позволяют увеличить достоверность анализа снимков (увеличить долю достоверного автоматического анализа), увеличить оперативность (уменьшить время до необходимого для оперативного анализа снимка) и увеличить точность вычисления параметров объектов на снимках (уменьшить отклонения вычисляемых параметров объектов).

Следует также отметить, что разработанные методы и алгоритмы нашли применение для обработки и анализа многих видов картографических и медицинских изображений.

Оптические, капиллярные и магнитографические снимки

Доля достоверного автоматического анализа

: до о,? :;

0,7-0,9

Время анализа снимка*, мин

15-20 ------------1-2--------

Г-П—рп-П

Доля достоверного автоматического анализа

Рентгеновские снимки

до 0,3

Время анализа снимка*, мин

10-15

0,8-0,9

-1-2

Металлографические снимки

Отклонения параметров зерен,%

5-10

менее-1...

*На рассматриваемых предприятиях для оперативного анализа снимка требуется 5-10 минут.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе в рамках решения поставленной научно-технической проблемы повышения оперативности и достоверности определения дефектов на снимках промышленных изделий получены следующие основные результаты:

1. Выполнен анализ состояния проблемы обработки снимков промышленных изделий, показавший: преобладание различных линейчатых структур на дефектоскопических и металлографических снимках; невозможность автоматического анализа большинства видов снимков существующими компьютерными системами анализа изображений, применяемыми при контроле качества; недостаточные возможности существующих методов цифровой обработки и анализа изображений для выделения и вычисления признаков линейчатых структур на дефектоскопических и металлографических снимках. Обосновано направление исследований, заключающееся в разработке систем новых методов, моделей и алгоритмов для выделения и анализа линейчатых структур на снимках промышленных изделий.

2. Разработана система преобразований изображений по линейчатым структурам, позволяющая получить необходимую информацию о линейчатых образах на снимках изделий, включающая: преобразование по сегменту полосы, отличающееся более полным описанием сегмента (сегмент задается масштабами по длине и ширине, ориентацией и профилем), что позволяет локально описать фрагмент изображения в виде полосы на плоскости; преобразования по линиям, состоящие в интегрировании по линии и заданному дифференциальным уравнением семейству линий объектов на снимках, обеспечивающих переход в спектральные пространства признаков образов линий на исходной сцене.

3. Создан математический базис преобразований изображений по линейчатым структурам в виде совокупности теорем: о максимальных значениях спектральной функции, обеспечивающие возможность определения признаков линейчатых

структур; о разложимости детектора полосы и многомасштабном воспроизведении, позволяющие устранить ранжирование заданных параметров линейчатых структур.

4. Разработана математическая модель фрагмента изображения, отличающаяся представлением его в виде полосы, характеризующейся вариацией кривизны, яркости и ширины, и обеспечивающая адекватное представление линейчатых структур на дефектоскопических и металлографических снимках.

5. Разработана система методов выделения и вычисления признаков линейчатых структур, позволяющая повысить оперативность и достоверность анализа снимков линейчатых объектов, характеризующихся вариацией кривизны, яркости, ширины, пересечениями, разветвлениями, и включающая метод(ы): выделения и вычисления признаков полосы без вращения сегмента полосы, отличающийся использованием интегрального преобразования по сегменту полосы и возможностью аналитического вычисления углов наклона сегментов полос; выделения полос различного масштаба, отличающийся применением многомасштабного преобразования по сегменту полосы; воспроизведения полосовых образов на основе использования интегрального преобразования по сегменту полосы совместно с фильтром воспроизведения полезного сигнала; вычисления кривизны линейчатых структур, состоящий в анализе векторного поля, полученного в результате интегрального преобразования по сегменту полосы; реализации интегральных преобразований по линиям, отличающиеся возможностью использования данных о типе линии и ее сигнатурных признаках.

6. На основе разработанных методов создана система алгоритмов обработки изображений, позволяющая повысить оперативность и достоверность анализа снимков площадных объектов с размытыми контурными перепадами, включающая алгоритм(ы): выделения границ, отличающийся использованием интегрального преобразования по сегменту полосы как границы; соединения точек перепадов, состоящий в применении признаков, полученных в результате интегрального преобразования по сегменту полосы; подавления шума на полутоновых изображениях, основанный на сглаживании шума вдоль частей яркостных перепадов как сегментов полос; подчеркивания границ объектов, состоящий в приведении частей яркостных перепадов как сегментов полос к ступенчатому виду; сегментации, заключающиеся в выделении областей изображений с границами в виде полос.

7. Проведено экспериментальное исследование разработанных методов и алгоритмов на тестовых сценах, показавшее на основе статистических и геометрических численных оценок высокую точность анализа и обработки изображений: по сравнению с известными методами применение разработанных методов выделения полос позволило уменьшить отклонение геометрических характеристик объектов на снимках от реальных значений на 50-90%, применение разработанных алгоритмов выделения площадных объектов - на 5-10%.

8. Построены с помощью разработанных методов и алгоритмов методики обработки и анализа дефектоскопических и металлографических снимков, позволяющие автоматически выделять и анализировать дефекты, производить распознавание включений и их процентное соотношение в материалах продукции по различным вычисляемым признакам образов на снимках.

9. Результаты проведенных в работе исследований внедрены на промышленных предприятиях для использования в системах автоматического анализа дефектоскопических и металлографических снимков. Применение разработанных методов и алгоритмов увеличило долю (с 0,3 до 0,7-0,9) достоверного автоматического анализа снимков и уменьшило затрачиваемое на это время (до 1-2 мин), что позволило достичь оперативного контроля качества изделий.

Таким образом, вышеизложенное дает основание полагать, что сформулированная научно-техническая проблема и поставленные задачи решены, и цель диссертационной работы достигнута.

В приложении приведены примеры снимков изделий и акты, подтверждающие практическое использование результатов исследований.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ Публикации в изданиях по перечню ВАК

1. Orlov, А.А. Using the Hough transform for séparation and suppression the rib in X-ray scenes [Текст] / А.А. Orlov, S.S. Sadykov, A.L. Zhyznyakov // Pattern Récognition and Image Analysis (Avances in Mathematical Theory and Applications). -2001, vol. 11. No. 2. pp.365-369. (л. вк.40%)

2. Садыков, C.C. Теория, алгоритмы и методика обработки линейчатых образов на дефектоскопических снимках [Текст] / С.С. Садыков, А.А. Орлов, А.А. Ермаков // Известия высших учебных заведений. Приборостроение. - 2009, №2. С. 11-16. (л. вк.40%)

3. Орлов, А.А. Фильтрация полосовых образов прямоугольного профиля [Текст] / А.А. Орлов, А.А. Ермаков // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. - СПб.: СПбГПУ, 2008, №3(60). С.52-56. (л. вк.50%)

4. Орлов, А.А. Реализация интегральных преобразований по кривым применительно к цифровой обработке изображений [Текст] / А.А. Орлов // Информационные технологии в науке, социологии, экономике и бизнесе. Приложение к журналу «Открытое образование». - М.:МГАПИ, 2006. С. 188-190.

5. Орлов, А.А. Способы реализации алгоритмов интегральных преобразований изображений по линиям [Текст] / А.А. Орлов // Программные продукты и системы. - 2008, №1. С.70-72.

6. Орлов, А.А. Инвариантное выделение изображений полос к масштабу и ориентации [Текст] / А.А. Орлов // Информационные технологии в науке, социологии, экономике и бизнесе. Приложение к журналу «Открытое образование». - М.:МГАПИ, 2007. С.134-136.

7. Орлов, А.А. Технология сравнения и идентификации растровых изображений линий [Текст] / А.А. Орлов, А.А. Ермаков // Программные продукты и системы. - 2008, №1. С.68-70. (л. вк.50%)

8. Орлов, А.А. Алгоритм вычисления признаков отрезков на растровых изображениях [Текст] / А.А. Орлов, М.И. Ткачук // ИКТ. - 2008, №3. С.36-39. (л. вк.50%)

9. Орлов, А.А. Метод синтеза изображений трещин [Текст] / А.А. Орлов, Д.Б. Зацепин // Системы управления и информационные технологии. - 2007, №4.1(30). С.186-188. (л. вк.50%)

Ю.Орлов, А.А. Цифровая обработка текста на изображениях рукописей как линейчатых объектов [Текст] / А.А. Орлов, Е.Е. Канунова // Информационные технологии. - 2008, №1. С.57-62. (л. вк.50%)

1 l.Orlov, A.A. Analysis and Syntheses of the Rift Images [Текст] / A.A. Orlov, S.S. Sadykov // Pattern Recognition and Image Analysis. - 2009, vol.19. No. 1. pp.186-189. (л. вк.50%)

12.Орлов, A.A. Реализация системы обработки изображений линейчатых объектов [Текст] / A.A. Орлов // Программные продукты и системы. - 2007, №4. С.61-62.

13.Орлов, A.A. Компьютерный рентгенографический анализ качества сварных соединений и выделение линейчатых объектов в них [Текст] / A.A. Орлов // Автоматизация и современные технологии. - 2009, №6. С.5-7.

Монографии

14.Орлов, A.A. Теоретические основы интегральных преобразований изображений по линиям [Текст] / A.A. Орлов, С.С. Садыков. - Владимир: Изд-во Владим. гос.ун-та, 2008. - 113с. (л. вк.50%)

15.Ермаков, A.A. Методы и алгоритмы обработки и анализа дефектоскопических и металлографических снимков [Текст] / A.A. Ермаков, A.A. Орлов, С.С. Садыков, Д.Н. Стародубов. - Владимир: Изд-во Владим. гос. ун-та,

2008. - 112с. (л. вк.30%)

16.Канунова, Е.Е. Методы и алгоритмы реставрации изображений архивных текстовых документов [Текст] / Е.Е. Канунова, A.A. Орлов, С.С. Садыков. - М.: Мир, 2006. - 134с. (л. вк.40%)

Учебное пособие

17.Дегтярев, C.B. Методы цифровой обработки изображений. Учебное пособие [Текст] / C.B. Дегтярев, A.A. Орлов, С.С. Садыков и др. - Курск: Курск, гос. тех. ун-т., 2004, Ч.З. - 216 с. (л. вк.30%)

Патенты и свидетельства

18.Орлов, A.A. Устройство поиска неаналитической кривой на растровом цифровом изображении [Текст] / A.A. Орлов, Д.Б. Зацепин // Патент на полезную модель №69287,2007. (л. вк.50%)

19.0рлов, A.A. Программа редактирования и обработки растровых изображений [Текст] / А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2009611524, 2009.

20.0рлов, A.A. Программа обработки изображений на основе интегрального преобразования по сегменту границы [Текст] / А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2009611525, 2009.

21.Орлов, A.A. Программа обработки дефектоскопических изображений на основе интегрального преобразования по сегменту полосы [Текст] / А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2009611526,

2009.

22.Садыков, С.С. Автоматизированная система управления фондами музея и реставрации изображений текстовых и фотографических документов [Текст] / С.С. Садыков, Е.Е. Канунова, А.Д. Варламов, А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2007612203, 2007. (л. вк.20%) Основные публикации в остальных изданиях

23.Орлов, A.A. Многомасштабная фильтрация полосовых образов в двумерных сигналах [Текст] / A.A. Орлов, AJI. Жизняков // Радиотехника. - 2008, №9. С.115-118. (л. вк.50%)

24. Николаев, В.Н., Выделение и оценка линейчатой структуры городских объектов и коммуникаций в специальной геоинформационной системе / В.Н. Николаев, A.A. Орлов // Научно-технический сборник ФГУП «Курский НИИ» МО РФ. - 2009, №1. С. 10-20, ДСП. (л. вк.50%)

25. . Николаев, В.Н., Разработка и применение метода преобразования аэрокосмических изображений по линиям для обработки городских планшетов / В.Н. Николаев, A.A. Орлов // Научно-технический сборник ФГУП «Курский НИИ» МО РФ. - 2009, №1. С.21-29, ДСП. (л. вк.50%)

26.Орлов, A.A. Определение параметров поверхности на цифровом изображении: теория, алгоритмы, модель [Текст] / A.A. Орлов, П.В. Матвеев // Обработка информации: системы и методы. Сборник научных статей. - М.: Горячая линия - Телеком, 2003. С.4-8. (л. вк.50%)

27.Орлов, A.A. Интегральные преобразования растровых изображений по отрезкам [Текст] / A.A. Орлов, М.И. Ткачук // Алгоритмы и методы обработки и анализа информации. Сборник научных статей. - М: Горячая линия - Телеком, 2006. С.4-9. (л. вк.50%)

28.Орлов, A.A. Цифровая реконструкция полосовых образов [Текст] / A.A. Орлов // Искусственный интеллект. Научно-теоретический журнал. - HAH Украины. Институт проблем искусственного интеллекта, 2006, №4. С.779-786.

29.Орлов, A.A. Криволинейное интегрирование двумерных сигналов в видеосистемах [Текст] / A.A. Орлов // Методы и устройства передачи и обработки информации: Межвуж. сб. науч. тр. -Муром: ИПЦМИВлГУ, 2007. C.121-L25.

30.Орлов, A.A. Реализация интегральных преобразований двумерных сигналов по кривым [Текст] / A.A. Орлов // Радиотехника. - 2007, №6. С.52-54.

31.Орлов, A.A. Определение кривизны позвоночника по рентгеновскому снимку [Текст] / A.A. Орлов // Биотехнические, медицинские и экологические системы и комплексы. Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов. - Рязань: РГРА, 1998. С.45-46.

32. Орлов, A.A. Методы и алгоритмы обработки и выделения структурных элементов полутоновых изображений на основе преобразования Хоха [Текст] / A.A. Орлов // Автореферат на соискание ученой степени кандидата технических наук. - СПб.: СПИИРАН, 2001. 16с.

33.Орлов, A.A. Преобразования Хоха для отрезков [Текст] / A.A. Орлов // Методы и системы обработки информации: Сборник научных статей в 2-х частях. - М.: Горячая линия - Телеком, 2004, Часть 2. С.82-88.

34.Орлов, A.A. Выделение полосовых объектов на цифровых изображениях [Текст] / A.A. Орлов И Труды 2-й Международной конференции «Составляющие научно-технического прогресса». - Тамбов, 2006. С. 202-204.

35.Орлов, A.A. Выделение полосовых образов заданного профиля на цифровых изображениях [Текст] / A.A. Орлов // IX международная конференция "Интеллектуальные системы и компьютерные науки". - Москва, 2006. С.218-221.

36,Orlov, A.A. Calculation of curvature of the brightness swing lines on the digital images [Текст] / A.A. Orlov // Международная научная конференция "Информационные системы vi технологии" (IST'2006). - Белорусь, Минск, Лицей БГУ, 2006. С. 47-52.

37.0рлов, A.A. Поиск угловых точек изображений как областей яркостных перепадов [Текст] / A.A. Орлов // Информационно-вычислительные технологии и их приложения: сборник статей V Международной научно-технической конференции. - Пенза: РИО ПГСХА, 2006. С. 243-246.

38.Жизняков, А.Л. Фильтрация локальных неоднородностей двумерных сигналов на основе вейвлет-преобразования [Текст] / А.Л. Жизняков, A.A. Орлов // Радиотехника. - 2006, №6. С.99-100. (л. вк.50%)

39.Sadykov, S.S. The Hough transform in processing and analysis of the digital grayscale images [Текст] / S.S. Sadykov, A.A. Orlov // Proceedings of Sixth International Conference. Pattern recognition and information processing PRIP'2001. - Minsk,

Republic of Belarus, 2001, Vol. 2, May. pp. 47-52. (л. вк.50%)

40.Орлов, A.A. Применение преобразования Хоха для обнаружения и идентификации объектов на изображениях [Текст] / A.A. Орлов, Е.М. Залазинская // Методы и устройства передачи и обработки информации: Межвуж. сб. науч. Тр.

- СПб.: Гидро-метеоиздат, 2002. С.103-107. (л. вк.50%)

41.Орлов, A.A. Вычисление кривизны линии яркостных перепадов на цифровых изображениях [Текст] / A.A. Орлов, A.B. Чернов // Системы и методы обработки и анализа информации. Сборник научных статей. - М: Горячая линия -Телеком, 2005. С.55-60. (л. вк.50%)

42.Орлов, A.A. Анализ изображений на основе интегральных преобразований по неаналитическим кривым [Текст] / A.A. Орлов, Д.Б. Зацепин // Алгоритмы и методы обработки и анализа информации. Сборник научных статей. - М: Горячая линия - Телеком, 2006. С.9-14. (л. вк.50%)

43.Орлов, A.A. Фильтрация полосовых образов прямоугольного профиля [Текст] / A.A. Орлов, A.A. Ермаков // Управление созданием и развитием систем, сетей и устройств телекоммуникаций:Труды научно-практической конференции. -СПб.: СПбГПУ, 2008. С.138-143. (л. вк.50%)

44.Орлов, A.A. Применение интегральных преобразований по линиям в обработке изображений [Текст] / A.A. Орлов, С.С. Садыков, A.A. Ермаков // Распознавание - 2008: сб.материалов VIII Между нар. конференции. - Курск: Курск, гос. тех. ун-т., 2008, 4.2. С.36-37. (л. вк.40%)

45.Орлов, A.A. Распознавание контуров с помощью преобразования Хоха [Текст] / A.A. Орлов // Биотехнические, медицинские и экологические системы и комплексы. Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов. - Рязань: РГРА, 1998. С.43-44.

46.Орлов, A.A. Обнаружение прямоугольных сегментов линий как частей контуров изображений [Текст] / A.A. Орлов // Радиотехника, телевидение и связь. Межвузовский сборник научных трудов, посвященный 110-летию В.К. Зворыкина.

- Муром: ИПЦМИВлГУ, 1999. С. 145-149.

47.0рлов, A.A. Восстановление полутоновых изображений из контурного препарата [Текст] / A.A. Орлов // Нейроинформатика и ее приложения: Материалы VIII Всероссийского семинара. 6-8 октября 2000 года. - Красноярск: ИГТЦ КГТУ, 2000. С.126-127.

48.Орлов, A.A. Выделение границ на полутоновых изображениях на основе одномерного анализа перепада яркости [Текст] / A.A. Орлов // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание 2001. 5-я Международная конференция. - Курск: КГТУ, 2001. С.41-43.

49.Орлов, A.A. Измерение шума и выбор порога квантования градиентных изображений [Текст] / A.A. Орлов // Научные труды муромских ученых. Материалы 35-й научно-технической конференции преподавателей, сотрудников и аспирантов по итогам работы за 1999 год. - Муром: ИПЦ МИ ВлГУ, 2001. С.44-45.

50.Андрианов, Д.Е. Модификация фильтра Рампони для подавления спекл-шума на медицинских изображениях [Текст] / Д.Е. Андрианов, A.A. Орлов // Обработка и анализ данных. - Ташкент: НПО «Кибернетика» АН РУз, 1998. С. 2125. (л. вк.50%)

5 ГОрлов, A.A. Определение геометрических характеристик контуров на полутоновых изображениях [Текст] / A.A. Орлов, Е.М. Залазинская // Методы и устройства передачи и обработки информации: Межвуж. сб. науч. Тр. - СПб.: Гидро-метеоиздат, 2002. С.93-97. (л. вк.50%)

52.Орлов, A.A. Алгоритм контурного обнаружения объектов на полутоновых

изображениях [Текст] / A.A. Орлов, A.M. Ерин // Данные, информация и их обработка: Сборник научных статей. - М.: Горячая линия - Телеком, 2002. С.9-14. (л. вк.50%)

53.0rlov, A.A. The edge detection of images in the digital gray-scale pictures using the Hough transform [Текст] / A.A. Orlov, S.S. Sadykov // Proceedings of Seventh International Conference. Pattern recognition and information processing PRIP'2003. -Minsk, Republic of Belarus, 2003, Vol. 2, May. pp.80-85. (л. вк.50%)

54.Орлов, A.A. Вычисление градиента яркости на цифровых изображениях [Текст] / A.A. Орлов, Е.М. Сафронов // Системы и методы обработки и анализа информации. Сборник науч. статей - М: Горячая линия - Телеком, 2005. С.50-55. (л. вк.50%)

55.Орлов, A.A. Алгоритм градиентного интегрального преобразования по сегменту [Текст] / A.A. Орлов, М.И. Ткачук // Материалы международная научно-практическая конференция "Перспективные разработки науки и техники - 2006". - Днепропетровск: Наука i освгга, 2006. С.94-96. (л. вк.50%)

56.Орлов, A.A. Полуавтоматическое распознавание и анализ объектов на медицинских изображениях [Текст] / A.A. Орлов // Биотехнические, медицинские и экологические системы и комплексы. Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов. - Рязань: РГРА, 1999. С. 37-38.

57.Орлов, A.A. Применение преобразования Хоха для обработки и анализа медицинских изображений [Текст] / A.A. Орлов, С.С. Садыков // Компьютерные технологии обработки и анализа данных. - Ташкент: НПО «Кибернетика» АН РУз, 2000. С.74-78.

58. Орлов, A.A. Выделение однородных областей на медицинских изображениях [Текст] / A.A. Орлов // Современные проблемы информации в непромышленной сфере и экономике. Труды V Международной электронной конференции. - Воронеж, 2000. С. 92-93.

59. Орлов, A.A. Функции зрения человека и машины для детектирования объектов на изображениях [Текст] / A.A. Орлов // Информационные технологии в проектировании, производстве и образовании: Сборник трудов Российской научно-технической конференции. - Ковров: КГТА, 2002. С.48-49.

60.Орлов, A.A. Выделение текста на цифровых изображениях рукописей с помощью интегрального преобразования по сегменту полосы [Текст] / A.A. Орлов // Информокоммуникацпонные технологии в науке, производстве и образовании: Вторая международная научно-техническая конференция. - Ставрополь: СевероКавказский государственный технический университет, 2006. С. 136-137.

61.Орлов, A.A. Разработка детектора полосы и его исследование на реальных цифровых изображениях [Текст] / A.A. Орлов // Международная научно-техническая конференция. Измерение, контроль, информатизация. - Барнаул: Алтайский государственный технический университет Им. И.И. Ползунова, 2006. С. 224-225.

62.Орлов, A.A. Исследование детектора полосы на модели яркостного перепада [Текст] / A.A. Орлов // Информационные технологии и математическое моделирование: Материалы V международной научно-практической конференции. - Томск: Из-во Том.ун-та, 2006,4.2. С.42-43.

63.Орлов, A.A. Синтез полосовых образов [Текст] / A.A. Орлов // Научная секция ТУСУР-2007: Материалы докладов Всеросийской научно-технической конференции. Тематический выпуск "Системная интеграция и безопасность". -Томск: Из-во "В-Спектр", 2007,4.4. С. 154-156.

64. Андрианов, Д.Е. Исследование точности измерения параметров объектов на многомерных сигналах [Текст] / Д.Е. Андрианов, A.A. Орлов // Управление в технических системах: Материалы научно-технической конференции. - Ковров: КГТА, 1998. С. 78-80. (л. вк.50%)

65.Орлов, A.A. Применение преобразования Хоха для выделения и подавления изображений ребер на флюорограммах [Текст] / A.A. Орлов, С.С. Садыков, А.Л. Жизняков // 5-я международная конференция «распознавание образов и анализ изображений: новые информационные технологии» (РОАИ-5-2000). Труды конференции. Том 3. Прикладные задачи в системах распознавания образов и обработки изображений. - Самара: СГТУ, 2000. С.584-588. (л. вк.50%)

66.0rlov, A.A. Analysis and syntheses of the rift images [Текст] / A.A. Orlov, S.S. Sadykov // 8th International Conference "Pattern Recognition and Image Analysis: New Information Techologies" (PRIA-8-2007): Conference Proceedings. - Yoshkar-Ola: MarGTU, 2007, Vol.1. C.348-350. (л. вк.50%)

67.Орлов, A.A. Обзор проблемы обработки изображений карт [Текст] / A.A. Орлов, М.И. Ткачук // Алгоритмы, методы и системы обработки данных: Сборник научных статей. - М.: ООО «Центр информационных технологий», 2007. С.143-148. (л. вк.50%)

68.Орлов, A.A. Выделение дефектов на цифровых изображениях с помощью преобразования Хоха для отрезков [Текст] / A.A. Орлов // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2005. - Курск: КГТУ, 2005. С.41-43.

69. Орлов, A.A. Метод анализа линейчатых структур на цифровых дефектоскопических изображениях [Текст] / A.A. Орлов // Труды международного симпозиума «Надежность и качество'2008». - Пенза: ПТУ, 2008. С.376-380.

70.Яковлев, A.B. Методы автоматического анализа удельной поверхности границ зерен или фаз в сплаве [Текст] / A.B. Яковлев, A.A. Орлов // Компьютерные технологии обработки и анализа данных. - Ташкент: НПО «Кибернетика» АН РУз, 2000. С.69-73. (л. вк.50%)

71.Орлов, A.A. Метод предобработки рентгеновского снимка сварного шва для последующего анализа на наличие дефектов сварных элементов [Текст] / A.A. Орлов, Д.Б. Зацепин // Информационно-вычислительные технологии и их приложения: сборник статей VI Международной научно-технической конференции. - Пенза: РИОПГСХА, 2007. С. 135-137. (л. вк.50%)

72.Орлов, A.A. Выделение линейчатых образов в капиллярной дефектоскопии [Текст] / A.A. Орлов, A.A. Ермаков // Алгоритмы, методы и системы обработки данных: Сборник научных статей. - М.: ООО «Центр информационных технологий», 2007. С.138-143. (л. вк.50%)

73.Орлов, A.A. Методика компьютерного анализа образов в капиллярной дефектоскопии [Текст] / A.A. Орлов, A.A. Ермаков // Современные проблемы науки: Сборник материалов 1-й международной научно-практической конференции. - Тамбов: Издательство: ТАМБОВПРИНТ, 2008. С.191-193. (л. вк.50%)

74.Orlov, A.A. Processing the band images on the defectoscopic pictures [Текст] / A.A. Orlov, S.S. Sadykov, A.A. Ermakov // 9th Internat. Conf. "Pattern Recognition and Image Analysis: New Information Techologies" (PRIA-9-2008): Conference Proceedings. -Nizhny Novgorod: NNSU, 2008, V.2. P. 104-106. (л. вк.40%)

Подписано в печать 01.04.2010. Формат 60x84/16. Бумага для множит, техники. Гарнитура Тайме. Печать ризография. Усл.печ. л. 1,86. Тираж 100 экз. Заказ Хи 1793/ Муромский институт (филиал) государственного образовательного учреждения

высшего профессионального образования «Владимирский государственный университет» Издательско-полиграфичеекий центр Адрес: 602264, Владимирская обл., г. Муром, ул. Орловская, 23

Введение.

1. Системный анализ состояния проблемы обработки снимков промышленных изделий.

1.1. Анализ системы методов контроля качества и выявляемых ими дефектов.

1.2. Анализ системы снимков промышленных изделий и дефектов на них.

1.3. Анализ существующих компьютерных систем дефектоскопирования по снимкам промышленных изделий.

1.4. Анализ системы методов выделения и анализа линейчатой структуры на цифровых изображениях и объектов на снимках промышленных изделий.

Выводы по разделу 1.

Постановка задач исследования.

2. Преобразования изображений по линейчатым структурам.

2.1. Основные понятия.

2.2. Интегральное преобразование по сегменту полосы.

2.3. Интегральные преобразования изображения по линии.

2.3.1. Интегральные преобразования многомерного и двумерного изображения.

2.3.2. Производное интегральное преобразование по линии.

2.3.3. Интегральное преобразование по подобной кривой.

2.3.4. Интегральное преобразование в пространство производных признаков линий.

Выводы по разделу 2.

3. Разработка методов выделения и анализа линейчатых образов, основанных на интегральных преобразованиях по линейчатым структурам.

3.1. Метод выделения полос на основе ИПСП без вращения детектора

3.2. Метод выделения полос из сегментов различного масштаба на основе ИПСП.

3.3. Метод воспроизведения изображений полос на основе интегрального преобразования по сегменту полосы.

3.4. Метод вычисления кривизны образующей полосы.

3.5. Разработка методов реализации интегральных преобразований по линиям.

3.5.1. Методы реализации интегрального преобразования по линии

3.5.2. Методы реализации интегральных преобразований по аналитическим кривым.'.

3.5.3. Методы реализации интегральных преобразований по отрезкам и ломаным.

3.5.4. Методы реализации интегральных преобразований по подобным кривым.

3.6. Методы выделения и вычисления признаков линейчатых образов на основе интегральных преобразований по линиям.

3.6.1. Метод вычисления признаков образа линии на основе ИПЛ

3.6.2. Метод выделения линейчатых образов на основе обратного интегрального преобразования по линии.

Выводы по разделу 3.

4. Разработка алгоритмов обработки изображений на основе интегральных преобразований.

4.1. Алгоритм выделения отрезков линий на полутоновых изображениях.

4.2. Алгоритм выделения осевой линии контуров на полутоновых изображениях.

4.3. Алгоритм выделения границ объектов как полос с помощью ИПСП

4.4. Алгоритм соединения точек перепадов яркости.

4.5. Алгоритм подавления шума на полутоновых изображениях.

4.6. Алгоритм подчеркивания границ объектов на полутоновых изображениях.

4.7. Алгоритмы сегментации полутоновых изображений.

Выводы по разделу 4.

5. Экспериментальное исследование методов и алгоритмов обработки и анализа снимков, основанных на интегральных преобразованиях по линейчатым структурам.

5.1. Исследование методов выделения и анализа полосовых образов

5.1.1. Моделирование полосовых образов.

5.1.2. Оценка качества выделения и анализа полос по статистическим характеристикам.

5.1.3. Оценка качества методов по геометрическим характеристикам полосовых образов.:.

5.2. Исследование методов вычисления параметров образов линий.

5.2.1. Оценка метода вычисления параметров линий, основанного на интегральном преобразовании по линии.

5.2.2. Исследование методов выделения и вычисления параметров сегментов линий.

5.3. Исследование алгоритмов обработки и анализа изображений.

5.3.1. Формирование и обоснование тестовых изображений.

5.3.2. Исследование алгоритма подавления шума.

5.3.3. Исследование алгоритмов выделения границ объектов.

Выводы по разделу 5.

6. Практическое применение разработанных методов и алгоритмов для обработки и анализа дефектоскопических и металлографических снимков.

6.1. Методика обработки и анализа снимков дефектов-трещин.

6.1.1. Задачи обработки и анализа дефектоскопических снимков.

6.1.2. Обработка и анализ снимков трещин на основе разработанных методов.

6.1.3. Статистический анализ снимков.

6.1.4. Методика и примеры обработки дефектоскопических снимков трещин.

6.2. Обработка и анализ рентгеновских снимков сварных соединений

6.2.1. Задачи оценки качества сварных соединений.

6.2.2. Анализ образов дефектов на рентгеновских снимках сварных соединений.

6.2.3. Методика и примеры обработки рентгеновских снимков сварных соединений.

6.2.4. Результаты обработки рентгеновских снимков продольных сварных соединений в трубопроводных изделиях ОАО «Выксунский металлургический завод».

6.2.5. Результаты анализа рентгеновских снимков газопроводных трубопроводов стыковых соединений.

6.3. Обработка и анализ металлографических снимков.

6.3.1. Металлографические исследования снимков микроструктур

6.3.2. Применение интегральных преобразований по сегментам полос для обработки металлографических изображений.

6.3.3. Методы и алгоритмы выделения признаков объектов на металлографических изображениях.

6.3.4. Исследование информативности базовых и производных признаков объектов.

6.3.5. Решение практических задач автоматического анализа и распознавания металлографических снимков.

Выводы по разделу 6.

Актуальность темы.

В связи с усложнением новой техники и повышением требований к ее надежности трудоемкость контрольных операций в промышленных системах управления качеством продукции существенно увеличивается. Значимость контроля в управлении качеством обусловлена тем, что именно он способствует правильному использованию условий выпуска продукции, соответствующей предъявляемым к ней требованиям. Практика показывает, что от степени совершенства контроля качества и его технического оснащения, включающего компьютерные средства обработки информации, во многом зависит эффективность производства в целом. Поэтому решение научных и технических проблем управления качеством на промышленных предприятиях, состоящих в разработке новых и совершенствовании существующих методов и средств обработки информации с целью повышения эффективности технических систем контроля, имеет важное значение.

В настоящее время в промышленности ручной контроль качества все еще преобладает над автоматизированным. Главная причина - отсутствие более совершенных методов автоматической обработки результатов, таких как снимки (изображения), получаемые большинством способов контроля качества. Сейчас в области визуального контроля качества стали применяться автоматизированные системы анализа изображений (АСАИ). Такие системы существенно уменьшают время и субъективизм оценки, повышают точность результатов и освобождают человека от рутинного однообразного труда. Большой вклад в разработку систем и методов компьютерного анализа снимков промышленных изделий внесли Д. Мери, Р. Силва, Н. Насреддин, К. Демандт, Р. Гонсалес, И. Като, Г. Падуа, X. Шафик, В.В. Клюев, М.В. Филинов, В.А. Лопухин и др.

При обработке большинства изображений, как правило, требуется выделять и анализировать их линейчатые структуры. Линейчатые образы наблюдаются на дефектоскопических снимках, полученных магнитным, радиационным, капиллярным и оптическим методами контроля. Линейчатыми являются дефекты-трещины, риски, царапины, швы, контуры, волокна, линейчатые вкрапления и др. Для оценки линейчатых образов на снимках измеряются все возможные геометрические характеристики.

Линейчатые структуры могут быть локально прямолинейными и представлены в виде полос с известным профилем и варьируемой шириной. При этом они часто довольно сильно зашумлены, размыты, малоконтрастны, насыщены пересекающимися образами подобных или других типов. Анализ таких структур на многих изображениях довольно сложен. Сложность выделения и анализа структур на дефектоскопических снимках обусловлена наличием неравномерной освещенности, неоднородной оптической плотностью анализируемого материала, присутствием шумов и размытий, появившихся при - формировании снимка, а также образов незначимых для исследования объектов и их теней.

АСАИ, применяемые для анализа дефектоскопических и металлографических снимков в промышленности, состоят из оптического устройства, цифровой видеокамеры и компьютерной системы, реализующей цифровые методы обработки и анализа изображений. Однако применяются довольно простые методы, которые не позволяют выполнить более детальный разбор линейчатых по форме дефектов и всегда достоверно с заданной точностью определить геометрические характеристики дефектов. В связи с этим уровень автоматической обработки и анализа дефектоскопических изображений очень низок. Во многих случаях прибегают к полуавтоматической обработке, что снижает оперативность контроля качества.

В области цифровой обработки изображений существует четыре класса методов выделения и вычисления признаков линейчатых образов: градиентные методы (методы, использующие значения градиента яркости), корреляционные методы (методы, использующие коэффициент совпадения с шаблоном), пространственные методы (методы, использующие специальные преобразования сцены яркости в пространства заданных параметров), статистические методы (методы, использующие статистические признаки). Вклад в разработку методов выделения и анализа изображений линейчатых структур внесли Д. Канни, А. Рад, М. Хюккель, П. Хаф, Ф. Кларк, Д. Пао, К. Канатани, С. Наяр, С. Кониши, C.B. Абламейко, В.А. Сойфер, В.В. Сергеев, Н.Г. Федотов, Я.А. Фурман и многие др.

Однако существующие методы не позволяют выделять линейчатую структуру, характеризующуюся вариацией кривизны, яркости, ширины, пересечениями и разветвлениями, с сохранением признаков, необходимых для анализа дефектоскопических и металлографических снимков. Поэтому на практике для выделения линейчатой структуры часто применяются следующие методы сегментации: пороговая, основанная на областях или морфологическом анализе. Однако данные методы ориентированы на выделение площадных образов и применимы лишь для обработки простых изображений линейчатых структур.

Таким образом, в настоящее время существует проблемная ситуация между объективной необходимостью повышения оперативности и достоверности определения дефектов промышленных изделий по их снимкам и отсутствием современных методов и алгоритмов их выявления.

Исходя из вышеизложенного, актуальной научно-технической проблемой является повышение оперативности и достоверности определения дефектов на снимках промышленных изделий.

Теоретический аспект сформулированной проблемы заключается в:

- развитии математического базиса преобразований для анализа образов на снимках как линейчатых структур;

- создании методов и алгоритмов обработки изображений, позволяющих выполнить автоматическое и высокоточное выделение образов на снимках.

Практический аспект проблемы состоит в разработке методик и аппаратно-программных комплексов анализа дефектоскопических и металлографических снимков, обеспечивающих достоверное определение дефектов и оценку микроструктуры материалов изделий, для применения в системах контроля на промышленных предприятиях.

Цель диссертационной работы: создание теоретических и реализационных основ построения систем автоматического анализа промышленных снимков изделий, позволяющих повысить достоверность и оперативность их контроля.

В соответствии с поставленной целью в диссертационной работе решаются следующие задачи:

1. Анализ состояния проблемы обработки снимков промышленных изделий. Обоснование направления исследований.

2. Развитие теоретических основ выделения признаков дефектов на снимках.

3. Разработка математических моделей изображений на снимках.

4. Разработка системы методов, обеспечивающих выделение линейчатых структур на дефектоскопических и металлографических снимках.

5. Разработка системы алгоритмов обработки дефектоскопических и металлографических снимков.

6. Экспериментальные исследования разработанных методов и алгоритмов обработки дефектоскопических и металлографических снимков.

Объект исследования — технические средства контроля качества изделий промышленных предприятий.

Предмет исследования - методы и средства автоматического выявления дефектов по дефектоскопическим и металлографическим снимкам.

Методы исследования базируются на использовании теории цифровой обработки сигналов и изображений, математического анализа, теории множеств и алгоритмов, теории системного анализа, линейной алгебры, теории вероятностей и математической статистики.

Научная новизна:

1. Разработана система преобразований изображений по линейчатым структурам, позволяющая получить необходимую информацию о линейчатых образах на снимках изделий, включающая:

- преобразование по сегменту полосы, отличающееся более полным описанием сегмента (сегмент задается масштабами по длине и ширине, ориентацией и профилем), что позволяет локально описать фрагмент изображения в виде полосы на плоскости;

- преобразования по линиям, состоящие в интегрировании по линии и заданному дифференциальным уравнением семейству линий объектов на снимках, обеспечивающих переход в спектральные пространства признаков образов линий на исходной сцене.

2. Создан математический базис преобразований изображений по линейчатым структурам в виде совокупности теорем:

- теоремы о максимальных значениях спектральной функции, обеспечивающие возможность определения признаков линейчатых структур;

- теоремы о разложимости детектора полосы и многомасштабном воспроизведении, позволяющие устранить ранжирование заданных параметров линейчатых структур.

3. Разработана математическая модель фрагмента изображения, отличающаяся представлением его в виде полосы, характеризующейся вариацией кривизны, яркости и ширины, и обеспечивающая адекватное представление линейчатых структур на дефектоскопических и металлографических снимках.

4. Разработана система методов выделения и вычисления признаков линейчатых структур, позволяющая повысить оперативность и достоверность анализа снимков линейчатых объектов, характеризующихся вариацией кривизны, яркости, ширины, пересечениями, разветвлениями, и включающая метод(ы):

- выделения и вычисления признаков полосы без вращения сегмента полосы, отличающийся использованием интегрального преобразования по сегменту полосы и возможностью аналитического вычисления углов наклона сегментов полос;

- выделения полос различного масштаба, отличающийся применением многомасштабного преобразования по сегменту полосы;

- воспроизведения полосовых образов на основе использования интегрального преобразования по сегменту полосы совместно с фильтром воспроизведения полезного сигнала;

- вычисления кривизны линейчатых структур, состоящий в анализе векторного поля, полученного в результате интегрального преобразования по сегменту полосы;

- реализации интегральных преобразований по линиям, отличающиеся возможностью использования данных о типе линии и ее сигнатурных признаках.

5. На основе разработанных методов получена система алгоритмов обработки изображений, позволяющая повысить оперативность и достоверность анализа снимков площадных объектов с размытыми контурными перепадами, включающая алгоритм(ы):

- выделения границ, отличающийся использованием интегрального преобразования по сегменту полосы как границы;

- соединения точек перепадов, состоящий в применении признаков, полученных в результате интегрального преобразования по сегменту полосы;

- подавления шума на полутоновых изображениях, основанный на сглаживании шума вдоль частей яркостных перепадов как сегментов полос;

- подчеркивания границ объектов, состоящий в приведении частей яркостных перепадов как сегментов полос к ступенчатому виду;

- сегментации, заключающиеся в выделении областей изображений с границами в виде полос.

Практическая ценность работы.

Предложенные теоретические подходы, модели, методы и алгоритмы положены в основу построения программного обеспечения автоматических систем анализа изображений для контроля качества производства трубопроводных изделий и продукции железнодорожного назначения. Сформированы:

1. Методика обработки и анализа дефектоскопических изображений, обеспечивающая:

- выделение образов трещин и проверку их на допустимость по вычисленным признакам;

- выделение и вычисление признаков образов шва и дефектов на рентгеновском снимке сварного соединения.

2. Методика обработки и анализа металлографических изображений, обеспечивающая:

- определение процентного соотношения перлита и феррита в стали;

- оценку размера неметаллических включений в стали;

- анализ структуры отливок чугуна.

3. Программные продукты, основанные на разработанных методиках, методах и алгоритмах, позволяют:

- сократить время расшифровки дефектоскопических снимков;

- увеличить точность количественного анализа микроструктур металлов.

Реализация результатов работы.

Диссертационная работа выполнена в рамках госбюджетной НИР №340/98.

Результаты работы внедрены в ОАО «Выксунский металлургический завод (г. Выкса), ОАО «ПО Муроммашзавод» (г. Муром), ОАО «Селивановский машзавод» (пгт. Красная Горбатка), ОАО «Муромский завод радиоизмерительных приборов» (г. Муром), ОАО «Муромтепловоз» (г. Муром).

Научно-методические результаты, полученные в диссертационной работе, внедрены в учебный процесс на кафедре «Информационные системы» Муромского института (филиала) ГОУ ВПО «Владимирский государственный университет» (г. Муром) при проведении занятий по дисциплинам «Программные средств математических расчетов» и «Системы и методы цифровой обработки изображений» и на кафедре «Прикладная механика» филиала ГОУ ВПО «Московский государственный открытый университет» (г. Кулебаки) при проведении лабораторных и практических работ по дисциплинам «Материаловедение», «Металловедение» и «Технология материалов».

Внедрения подтверждены соответствующими актами.

Основные положения, выносимые на защиту:

1. Система преобразований изображений по линейчатым структурам, позволяющая получить необходимую информацию о линейчатых образах на снимках изделий.

2. Формальный аппарат анализа преобразований изображений, обеспечивающий возможность определения признаков линейчатых структур на снимках.

3. Математическая модель фрагмента изображения в виде полосы, обеспечивающая адекватное представление линейчатых структур на дефектоскопических и металлографических снимках.

4. Система методов выделения и вычисления признаков линейчатых структур, позволяющая повысить оперативность и достоверность анализа снимков линейчатых объектов.

5. Система алгоритмов обработки изображений, основанных на интегральном преобразовании по сегменту полосы как границы, позволяющая повысить оперативность и достоверность анализа снимков площадных объектов.

6. Результаты практического применения разработанных методов и алгоритмов в системах контроля качества промышленных изделий.

Апробация работы.

Диссертационная работа и отдельные ее части докладывались и обсуждались более чем на 40 научно-технических конференциях, в том числе: 5th, 8th, 9th Int. Conf. "Pattern Récognition and Image Analysis: New Information Tehnologies" (PRIA-5-2000, Samara, PRIA-8-2007, Yoshkar-Ola, PRIA-9-2008, Nizhny Novgorod), 6th, 7th Int. Conf. Pattern Récognition and Information Processing (Minsk, Republic of Belarus, 2001, 2003), Int. Conf "Information systems and technologies" (Minsk, Republic of Belarus, 2004), 5-я, 7-я, 8-я Межд. коиф. «Распознавание - 2001, 2005, 2008» (Курск, 2001, 2005, 2008), IX Межд. конф. «Интеллектуальные системы и компьютерные науки» (Москва, МГУ, 2006), Межд. симпозиум «Надежность и качество'2008» (Пенза, 2008), XXXIII и XXXIV Межд. конф. «Информационные технологии в науке, социологии, экономике и бизнесе IT&SE'06, IT + SE'07» (Украина, Крым, Ялта-Гурзуф, 2006, 2007 гг.), V Межд. конф. «Информационные технологии и математическое моделирование (ИТММ-2006)» (Томск, 2006), Межд. конф. «Управление созданием и развитием систем, сетей и устройств телекоммуникаций» (Санкт-Петербург, СПбГПУ, 2008), 6-я Межд. конф. «Измерение, контроль, информатизация» (Барнаул, 2006), 2-й Межд. конф. «Инфотелекоммуникационные технологии в науке, производстве и образовании» (Ставрополь, 2006), III Межд. конф. «Информационные технологии в науке, образовании и производстве» (Орел, 2008), 5-я Межд. конф. «Современные проблемы информатизации в моделировании и анализе сложных систем», (Воронеж, 2000), Всерос. конф. «Научная сессия ТУСУР - 2007» (Томск, 2007), 5-я и 6-я Межд. конф. «Информационно-вычислительные технологии и их приложения» (Пенза, 2006, 2007 гг.), научных конференциях МИВлГУ (1998-2009 гг.).

Диссертация докладывалась на научном семинаре в институте систем обработки изображений РАН (г. Самара).

По данному научному направлению под руководством автора защищена одна кандидатская диссертация.

Публикации. По теме диссертационной работы опубликовано более 80 работ. Из них 13 статей в журналах, входящих в перечень ВАК РФ, патент и 4 свидетельства о государственной регистрации, 3 монографии и одно учебное пособие. На английском языке опубликовано 8 работ.

Личный вклад автора. Все выносимые на защиту научные положения разработаны соискателем лично. В основных научных работах по теме диссертации, опубликованных в соавторстве, лично соискателем разработаны в [1-6] - математические модели, преобразования изображений и их математический базис, [13-38] - методы выделения и вычисления признаков линейчатых структур, [41-60] - алгоритмы обработки изображений, основанные на разработанных преобразованиях, [62-72] - методики экспериментального исследования разработанных методов и алгоритмов, [74-87] - методики и программы обработки дефектоскопических и металлографических снимков.

Структура и объем работы. Диссертация состоит из введения, шести разделов, заключения, списка литературы, включающего 386 наименований, и приложения. Объем диссертации 365 с. Таблиц 38, рисунков 117.

ВЫВОДЫ ПО РАЗДЕЛУ 6

1. Разработана методика обработки и анализа дефектоскопических снимков, позволяющая с использованием ИПСП выделять образы дефектов-трещин и осуществлять проверку их на допустимость по вычисленным признакам.

2. Разработана методика обработки рентгеновских снимков сварных соединений, позволяющая с использованием ИПЛ и ИПСП выделять и вычислять признаки образов шва и дефектов на нем.

3. Разработана методика обработки металлографических снимков, позволяющая с использованием ИПЛ и ИПСП решать: задачу определения процентного соотношения перлита и феррита в стали, задачу оценки размера неметаллических включений в стали и задачу анализа структуры отливок чугуна.

4. На основе разработанных методов и алгоритмов создана система управления процессом автоматического анализа и распознавания объектов на металлографических и дефектоскопических снимках.

ЗАКЛЮЧЕНИЕ

В диссертационной работе в рамках решения поставленной научно-технической проблемы повышения оперативности и достоверности определения дефектов на снимках промышленных изделий получены следующие основные результаты:

1. Выполнен анализ состояния проблемы обработки снимков промышленных изделий, показавший: преобладание различных линейчатых структур на дефектоскопических и металлографических снимках; невозможность автоматического анализа большинства видов снимков существующими компьютерными системами анализа изображений, применяемыми при контроле качества; недостаточные возможности существующих методов цифровой обработки и анализа изображений.для выделения и вычисления признаков линейчатых структур на дефектоскопических и металлографических снимках. Обосновано направление исследований, заключающееся в разработке систем новых методов, моделей и алгоритмов для выделения и анализа линейчатых структур на снимках промышленных изделий.

2. Разработана система преобразований изображений по линейчатым структурам, позволяющая получить необходимую информацию о линейчатых образах на снимках изделий, включающая: преобразование по сегменту полосы, отличающееся более полным описанием сегмента (сегмент задается масштабами по длине и ширине, ориентацией и профилем), что позволяет локально описать фрагмент изображения в виде полосы на плоскости; преобразования по линиям, состоящие в интегрировании по линии и заданному дифференциальным уравнением семейству линий объектов на снимках, обеспечивающих переход в спектральные пространства признаков образов линий на исходной сцене.

3. Создан математический базис преобразований изображений по линейчатым структурам в виде совокупности теорем: о максимальных значениях спектральной функции, обеспечивающие возможность определения признаков линейчатых структур; о разложимости детектора полосы и многомасштабном воспроизведении, позволяющие устранить ранжирование заданных параметров линейчатых структур.

4. Разработана математическая модель фрагмента изображения, отличающаяся представлением его в виде полосы, характеризующейся вариацией кривизны, яркости и ширины, и обеспечивающая адекватное представление линейчатых структур на дефектоскопических и металлографических снимках.

5. Разработана система методов выделения и вычисления признаков линейчатых структур, позволяющая повысить оперативность и достоверность анализа снимков линейчатых объектов, характеризующихся вариацией кривизны, яркости, ширины, пересечениями, разветвлениями, и включающая метод(ы): выделения и вычисления признаков полосы без вращения сегмента полосы, отличающийся использованием интегрального преобразования по сегменту полосы и возможностью аналитического вычисления углов наклона сегментов полос; выделения полос различного масштаба, отличающийся применением многомасштабного преобразования по сегменту полосы; воспроизведения полосовых образов на основе использования интегрального преобразования по сегменту полосы совместно с фильтром воспроизведения полезного сигнала; вычисления кривизны линейчатых структур, состоящий в анализе векторного поля, полученного в результате интегрального преобразования по сегменту полосы; реализации интегральных преобразований по линиям, отличающиеся возможностью использования данных о типе линии и ее сигнатурных признаках.

6. На основе разработанных методов создана система алгоритмов обработки изображений, позволяющая повысить оперативность и достоверность анализа снимков площадных объектов с размытыми контурными перепадами, включающая алгоритм(ы): выделения границ, отличающийся использованием интегрального преобразования по сегменту полосы как границы; соединения точек перепадов, состоящий в применении признаков, полученных в результате интегрального преобразования по сегменту полосы; подавления шума на полутоновых изображениях, основанный на сглаживании шума вдоль частей яркостных перепадов как сегментов полос; подчеркивания границ объектов, состоящий в приведении частей яркостных перепадов как сегментов полос к ступенчатому виду; сегментации, заключающиеся в выделении областей изображений с границами в виде полос.

7. Проведено экспериментальное исследование разработанных методов и алгоритмов на тестовых сценах, показавшее на основе статистических и геометрических численных оценок высокую точность анализа и обработки изображений: по сравнению с известными методами применение разработанных методов выделения полос позволило уменьшить отклонение геометрических характеристик объектов на снимках от реальных значений на 50-90%, применение разработанных алгоритмов выделения площадных объектов - на 5-10%.

8. Построены с помощью разработанных методов и алгоритмов методики обработки и анализа дефектоскопических и металлографических снимков, позволяющие автоматически выделять и анализировать дефекты, производить распознавание включений и их процентное соотношение в материалах продукции по различным вычисляемым признакам образов на снимках.

9. Результаты проведенных в работе исследований внедрены на промышленных предприятиях для использования в системах автоматического анализа дефектоскопических и металлографических снимков. Применение разработанных методов и алгоритмов увеличило долю (с 0,3 до 0,7-0,9) достоверного автоматического анализа снимков и уменьшило затрачиваемое на это время (до 1-2 мин), что позволило достичь оперативного контроля качества изделий.

Таким образом, вышеизложенное дает основание полагать, что сформулированная научно-техническая проблема и поставленные задачи решены, и цель диссертационной работы достигнута.

1. Орлов, A.A. Теоретические основы интегральных преобразований изображений по линиям Текст. / A.A. Орлов, С.С. Садыков. - Владимир: Изд-во Владим. гос.ун-та, 2008. - 113с.

2. Садыков, С.С. Теория, алгоритмы и методика обработки линейчатых образов на дефектоскопических снимках Текст. / С.С. Садыков, A.A. Орлов, A.A. Ермаков // Известия высших учебных заведений. Приборостроение. 2009, №2. С.11-16.

3. Орлов, A.A. Фильтрация полосовых образов прямоугольного профиля Текст. / A.A. Орлов, A.A. Ермаков // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. -СПб.: СПбГПУ, 2008, №3(60). С.52-56.

4. Орлов, A.A. Определение параметров поверхности на цифровом изображении: теория, алгоритмы, модель Текст. / A.A. Орлов, П.В. Матвеев // Обработка информации: системы и методы. Сборник научных статей. М.: Горячая линия - Телеком, 2003. С.4-8.

5. Орлов, A.A. Анализ изображений на основе интегральных преобразований по неаналитическим кривым Текст. / A.A. Орлов, Д.Б. Зацепин // Алгоритмы и методы обработки и анализа информации. Сборник научных статей. М: Горячая линия - Телеком, 2006. С.9-14.

6. Лабунец В.Г., Чернина С.Д. Теория и применение преобразования Хо Зарубежная радиоэлектроника, №10, 1987, С. 48-56.

7. Пискунов Н.С. Дифференциальное и интегральное исчисления для втузов. Учебное пособие для втузов. М.: Наука, 1985. - 560 с.

8. Кудрявцев Л.Д. Краткий курс математического анализа: Учебник ля вузов. -М.: Наука, 1989.-336 с.

9. Бермант А.Ф. Краткий курс математического анализа для втузов. -М.: Наука, 1964.-664 с.

10. Воеводин В.В. Линейная алгебра М.: Наука, 1974. - 336 с.

11. Сойфер В.А. Компьютерная обработка изображений, 4.1 // Соровский образовательный журнал, № 2, 1996, с. 118-124.

12. Жизняков, А. Л. Фильтрация локальных неоднородностей двумерных сигналов на основе вейвлет-преобразования Текст. / А.Л. Жизняков, A.A. Орлов //Радиотехника. 2006, №6. С.99-100.

13. Орлов, A.A. Реализация интегральных преобразований двумерных сигналов по кривым Текст. / A.A. Орлов // Радиотехника. 2007, №6. С.52-54.

14. Орлов, A.A. Способы реализации алгоритмов интегральных преобразований изображений по линиям Текст. / A.A. Орлов // Программные продукты и системы. 2008, №1. С.70-72.

15. Орлов, A.A. Инвариантное выделение изображений полос к масштабу и ориентации Текст. / A.A. Орлов // Информационные технологии в науке, социологии, экономике и бизнесе. Приложение к журналу «Открытое образование». М.:МГАПИ, 2007. С.134-136.

16. Орлов, A.A. Технология сравнения и идентификации растровых изображений линий Текст. / A.A. Орлов, A.A. Ермаков // Программные продукты и системы. 2008, №1. С.68-70.

17. Орлов, A.A. Многомасштабная фильтрация полосовых образов в двумерных сигналах Текст. / A.A. Орлов, A.JI. Жизняков // Радиотехника. 2008, №9. С.115-118.

18. Канунова, Е.Е. Методы и алгоритмы реставрации изображений архивных текстовых документов Текст. / Е.Е. Канунова, A.A. Орлов, С.С. Садыков. М.: Мир, 2006. - 134с.

19. Орлов, A.A. Применение преобразования Хоха для обработки и анализа медицинских изображений Текст. / A.A. Орлов, С.С. Садыков // Компьютерные технологии обработки и анализа данных. Ташкент: НПО «Кибернетика» АН РУз, 2000. С.74-78.

20. Садыков, С.С. Методы цифровой обработки изображений. Методические указания к лабораторным работам Текст. / С.С. Садыков, A.A. Орлов. Муром: ИПЦ МИ ВлГУ, 2000. - 32 с.

21. Орлов, A.A. Преобразования Хоха для отрезков Текст. / A.A. Орлов // Методы и системы обработки информации: Сборник научных статей в 2-х частях. М.: Горячая линия - Телеком, 2004, Часть 2. С.82-88.

22. Орлов, A.A. Вычисление градиента яркости на цифровых изображениях Текст. / A.A. Орлов, Е.М. Сафронов // Системы и методы обработки и анализа информации. Сборник научных статей. М: Горячая линия - Телеком, 2005. С.50-55.

23. Орлов, A.A. Вычисление кривизны линии яркостных перепадов на цифровых изображениях Текст. / A.A. Орлов, A.B. Чернов // Системы и методы обработки и анализа информации. Сборник научных статей. М: Горячая линия - Телеком, 2005. С.55-60.

24. Орлов, A.A. Выделение полосовых объектов на цифровых изображениях Текст. / A.A. Орлов // Труды 2-й Международной конференции «Составляющие научно-технического прогресса». Тамбов, 2006. С. 202-204.

25. Орлов, A.A. Цифровая реконструкция полосовых образов Текст. / A.A. Орлов // Искусственный интеллект. Научно-теоретический журнал. -HAH Украины. Институт проблем искусственного интеллекта, 2006, №4. С.779-786.

26. Орлов, A.A. Выделение полосовых образов заданного профиля на цифровых изображениях Текст. / A.A. Орлов // IX международная конференция "Интеллектуальные системы и компьютерные науки". -Москва, 2006. С.218-221.

27. Orlov, A.A. Calculation of curvature of the brightness swing lines on the digital images Текст. / A.A. Orlov // Международная научная конференция "Информационные системы и технологии" (IST'2006). -Белорусь, Минск, Лицей БГУ, 2006. С. 47-52.

28. Орлов, A.A. Интегральные преобразования растровых изображений по отрезкам Текст. / A.A. Орлов, М.И. Ткачук // Алгоритмы и методы обработки и анализа информации. Сборник научных статей. М: Горячая линия - Телеком, 2006. С.4-9.

29. Орлов, A.A. Криволинейное интегрирование двумерных сигналов в видеосистемах Текст. / A.A. Орлов // Методы и устройства передачи и обработки информации: Межвуж. сб. науч. Тр. 2007. С.121-125.

30. Орлов, A.A. Фильтрация полосовых образов прямоугольного профиля Текст. / A.A. Орлов, A.A. Ермаков // Управление созданием и развитием систем, сетей и устройств телекоммуникаций :Труды научно-практической конференции. СПб.: СПбГПУ, 2008. С.138-143.

31. Орлов, A.A. Применение интегральных преобразований по линиям в обработке изображений Текст. / A.A. Орлов, С.С. Садыков, A.A. Ермаков // Распознавание 2008: сб.материалов VIII Междунар.конференции. - Курск: Курск, гос. тех. ун-т., 2008, 4.2. С.36-37.

32. Hough P.V.C. Method and means for recognizing complex pattern, U.S. Patent 3069654, December 18, 1962.

33. Малла С. Вейвлеты в обработке сигналов: Пер. с англ. М.: Мир, 2005. - 671 с.

34. Орлов, A.A. Алгоритм вычисления признаков отрезков на растровых изображениях Текст. / A.A. Орлов, М.И. Ткачук // ИКТ. 2008, №3. С.36-39.

35. Дегтярев, C.B. Методы цифровой обработки изображений. Учебное пособие Текст. / C.B. Дегтярев, A.A. Орлов, С.С. Садыков и др. Курск: Курск, гос. тех. ун-т., 2004, Ч.З. - 216 с.

36. Андрианов, Д.Е. Модификация фильтра Рампони для подавления спекл-шума на медицинских изображениях Текст. / Д.Е. Андрианов, A.A. Орлов // Обработка и анализ данных. Ташкент: НПО «Кибернетика» АН РУз, 1998. С. 21-25.

37. Орлов, A.A. Восстановление полутоновых изображений из контурного препарата Текст. / A.A. Орлов // Нейроинформатика и ее приложения: Материалы VIII Всероссийского семинара. 6-8 октября 2000 года. Красноярск: ИПЦ КГТУ, 2000. С. 126-127.

38. Орлов, A.A. Выделение однородных областей на медицинских изображениях Текст. / A.A. Орлов // Современные проблемы информации в непромышленной сфере и экономике. Труды V Международной электронной конференции. Воронеж, 2000. С. 92-93.

39. Орлов, A.A. Методы и алгоритмы обработки и выделения структурных элементов полутоновых изображений на основе преобразования Хоха Текст. / A.A. Орлов // Автореферат на соискание ученой степени кандидата технических наук. СПб.: СПИИРАН, 2001. 16с.

40. Орлов, A.A. Обнаружения и идентификация объектов на полутоновых изображениях Текст. / A.A. Орлов, С.С. Садыков // Компьютерные и информационные технологии обработки и анализа данных: сборник научных статей. Муром: ИПЦ МИ ВлГУ, 2001. С.4-8.

41. Орлов, A.A. Определение геометрических характеристик контуров на полутоновых изображениях Текст. / A.A. Орлов, Е.М. Залазинская // Методы и устройства передачи и обработки информации: Межвуж. сб. науч. Тр. СПб.: Гидро-метеоиздат, 2002. С.93-97.

42. Орлов, A.A. Алгоритм контурного обнаружения объектов на полутоновых изображениях Текст. / A.A. Орлов, A.M. Ерин // Данные, информация и их обработка: Сборник научных статей. М.: Горячая линия -Телеком, 2002. С.9-14.

43. Орлов, A.A. Сегментация изображений методами наращивания областей Текст. / A.A. Орлов // Радиотехника,электроника, информатика: Сб.науч.работ. Муром: ИПЦ МИ ВлГУ, 2002. С. 100-102.

44. Орлов, A.A. Анализ градиентных изображений Текст. / A.A. Орлов // Радиотехника,электроника, информатика: Сб.науч.работ. Выв.2. -Муром: ИПЦ МИ ВлГУ, 2003. С. 100-103.

45. Орлов, A.A. Выделение линейных дефектов на фотоизображениях Текст. / A.A. Орлов, С.Н. Середа // Методы и системы обработкиинформации: Сборник научных статей в 2-х частях. М.: Горячая линия -Телеком, 2004, Часть 2. С.24-29.

46. Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982.-Кн. 2.-480 с.

47. Орлов, A.A. Метод синтеза изображений трещин Текст. / A.A. Орлов, Д.Б. Зацепин // Системы управления и информационные технологии. 2007, №4.1(30). С.186-188.

48. Орлов, A.A. Цифровая обработка текста на изображениях рукописей как линейчатых объектов Текст. / A.A. Орлов, Е.Е. Канунова // Информационные технологии. 2008, №1. С.57-62.

49. Orlov, A.A. Analysis and Syntheses of the Rift Images Текст. / A.A. Orlov, S.S. Sadykov // Pattern Recognition and Image Analysis. 2009, vol.19. No. 1. pp. 186-189

50. Андрианов, Д.Е. Исследование точности измерения параметров объектов на многомерных сигналах Текст. / Д.Е. Андрианов, A.A. Орлов // Управление в технических системах: Материалы научно-технической конференции. Ковров: КГТА, 1998. С. 78-80.

51. Гмурман В.Е. Теория вероятностей и математическая статистика. Учеб. пособие для вузов. Изд. 7-е, стер. М.: Высш. Школа, 1999. - 479 с.

52. Орлов, A.A. Реализация системы обработки изображений линейчатых объектов Текст. / A.A. Орлов // Программные продукты и системы. 2007, №4. С.61-62.

53. Орлов, A.A. Компьютерный рентгенографический анализ качества сварных соединений и выделение линейчатых объектов в них Текст. / A.A. Орлов // Автоматизация и современные технологии. 2009, №6. С.5-7.

54. Ермаков, A.A. Методы и алгоритмы обработки и анализа дефектоскопических и металлографических снимков Текст. / A.A. Ермаков, A.A. Орлов, С.С. Садыков, Д.Н. Стародубов. Владимир: Изд-во Владим. гос. ун-та, 2008. - 112с.

55. Орлов, A.A. Устройство поиска неаналитической кривой на растровом цифровом изображении Текст. / A.A. Орлов, Д.Б. Зацепин // Патент на полезную модель №69287, 2007.

56. Орлов, A.A. Программа редактирования и обработки растровых изображений Текст. / А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2009611524, 2009.

57. Орлов, A.A. Программа обработки изображений на основе интегрального преобразования по сегменту границы Текст. / А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2009611525,2009.

58. Орлов, A.A. Программа обработки дефектоскопических изображений на основе интегрального преобразования по сегменту полосы Текст. / А.А Орлов // Свидетельство об официальной регистрации программы для ЭВМ № 2009611526, 2009.

59. Яковлев, A.B. Методы автоматического анализа удельной поверхности границ зерен или фаз в сплаве Текст. / A.B. Яковлев, A.A. Орлов // Компьютерные технологии обработки и анализа данных. -Ташкент: НПО «Кибернетика» АН РУз, 2000. С.69-73.

60. Орлов, A.A. Выделение линейчатых образов в капиллярной дефектоскопии Текст. / A.A. Орлов, A.A. Ермаков // Алгоритмы, методы и системы обработки данных: Сборник научных статей. М.: ООО «Центр информационных технологий», 2007. С.138-143.

61. Орлов, A.A. Метод анализа линейчатых структур на цифровых дефектоскопических изображениях Текст. / A.A. Орлов // Труды международного симпозиума «Надежность и качество'2008». Пенза: ПТУ, 2008. С.376-380.

62. Автоматизация визуального технологического контроля в производствах на автоматических роторных линиях: Учебное пособие / П.А. Сорокин; Тул. гос. ун-т; Тула, 2001. 82 с.

63. Бочаров Ю.А., Ющенко A.C. Промышленные роботы в технологии современного машиностроительного производства / Средства и системы очувствления промышленных роботов. С.: НИИМаш, 1984.С.30-35.

64. Генкин B.JI. и др. Системы распознавания автоматизированных производств / В Л. Генкин, И. Л. Ерош, Э. С. Москалев. Л.: Машиностроение, Ленинградское отделение, 1988.-246 с.

65. Дистанционно-управляемые роботы и манипуляторы / Под ред. B.C. Кулешова и H.A. Лаготы. М.: Машиностроение, 1986. - 362 с.

66. Техническое зрение роботов / В.И. Мошкин, A.A. Петров, B.C. Титов, Ю.Г. Якушенков; Под общ. ред. Ю.Г. Якушенкова. М.: Машиностроение, 1990. -272 с.

67. Техническое зрение роботов / Под ред. А. Пью; пер. с англ. Д.Ф. Миронова; Под ред. Г.П. Катыса. М.: Машиностроение, 1987. - 320 с.

68. Фу К., Гонсалес Р., Ли К. Робототехника: Пер. с англ. М.: Мир,1989.-624 с.

69. Хорн Б.К.П. Зрение роботов: Пер. с англ. М.: Мир, 1989. - 487 с.

70. Краткое описание рентгеновского дефектоскопа серии АРИНА / ООО Спектрофлэш, Неразрушающий контроль. 2007. 27 с.

71. Краткое описание системы для рентгенографического анализа сварных швов / Уралмаш-завод. 2006 96 с.

72. Nintzan D, Barroit С., Cheeseman P. Use of sensors in robot systems // Proc. of 83 Intern. Conf. on advensed Robotics, Tokio, 12-13 September 1983. Tokiyo: Jap., Ind. Robot. Assoc., 1983 P. 123-132.

73. Абламейко C.B., Лагуновский Д.М., Обработка изображений: технология, методы, применение/ Учебное пособие. Мн.: Амалфея, 2000 -304 с.

74. Автоматизированная обработка изображений природных комплексов Сибири: Новосибирск, 1991. С.28—32.

75. Анисимов Б.В. Распознавание и цифровая обработка изображений: Учеб. пособие / Б. В. Анисимов, В. Д. Курганов, В. К. Злобин, М. : Высш. шк., 1983.-295 с.

76. Архипов А.Е., Дегтярев C.B., Садыков С.С. и др. Методы цифровой обработки изображений: Учебное пособие. Ч. 2. Курск: КГТУ, 2002.- 118 с.

77. Бакут П.А., Колмогоров Г.С. Сегментация изображений: Методы выделения границ областей // Зарубежная радиоэлектроника, №10, 1987. С.25-47.

78. Бакут П.А., Колмогоров Г.С., Ворновицкий И.Э. Сегментация изображений: Методы пороговой обработки // Зарубежная радиоэлектроника, №10, 1987. С. 6-24.

79. Баскаров В.Н. Алгоритмы обработки двумерных изображений. -М., 1986.

80. Беликова Т.П., Кронрод М.А., Чочиа П.А., Ярославский Л.П. Цифровая обработка фотоснимков поверхности Марса, переданных с AMC «Марс-4» и «Марс-5»//Космические исследования. Т. 13, вып. 6, 1975. С. 23-28.

81. Беликова Т.П., Ярославский Л.П. Использование адаптивных амплитудных преобразований для препарирования изображений // Вопросы радиоэлектроники. 1974. - Вып. 14. С. 42-48.

82. Беликова Т.П., Ярославский Л.П. Адаптивное квантование как метод препарирования изображений // Техническая кибернетика, 1975, №4. С. 26-32.

83. Бобков A.B., Выделение отрезков на изображении в задаче ориентации по визуальной информации // Вестник МГТУ.

84. Приборостроение, №3(48), 2002.

85. Борилин Б.Л, Поспелов В.В. Автоматизированная реставрация кинофотодокументов с помощью ЭВМ // Техника кино и телевидения. №9, 1981. С. 34-38.

86. Борилин Б.Л., Чочиа П.А. Реставрация фотодокументов с использованием ЭВМ // Советские архивы, №3, 1980. С. 65-72.

87. Борукаев Т.Б. Цифровые методы оптимальной обработки сигналов: Межвуз. сб. науч. Трудов / Новосиб. электротех. ин-т. -Новосибирск, 1982. 159 с.

88. Бутаков Е.А. и др. Обработка изображений на ЭВМ / Е.А. Бутаков, В.И. Островский, И.Л. Фадеев. М.: Радио и связь, 1987. - 240 с.

89. Быков P.E., Гуревич С.Б. Анализ и обработка цветных объектных изображений. М.: Радио и связь, 1984. - 248 с.

90. Быстрые алгоритмы в цифровой обработки изображений / Под ред. Т.С. Хуанга: Пер. с англ. М.: Радио и связь, 1984. - 224 с.

91. Вакунов Н.В. Разработка и исследование многомасштабных алгоритмов обработки и анализа изображений в производственных системах контроля качества. Автореф. канд. техн. наук. Владимир, ВлГУ, 2005.- 18 с.

92. Введение в контурный анализ: приложение к обработке изображений и сигналов / Под. ред. Я. А. Фурмана. 2-е издание. М: Физматлит, 2003. - 588 с.

93. Верденская Н.В., Иванова И.А. Алгоритмы сегментации плоских изображений и их численный анализ // Тезисы доклада конференции «Радиофизическая информатика». Сб. тез. докладов. М.: РТИ АН СССР, 1990. С. 51-52.

94. Виттих В.А., Сергеев В.В., Сойфер В.А. Обработка изображений в автоматизированных системах научных исследований. -М.: Наука, 1982.-332 с.

95. Горский Н.Д. Восприятие двухмерных изображений // Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник / Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990. - С. 196 -201.

96. Гостев И.М. Об одном методе получения контуров изображений// Известия РАН. Теория и системы управления. М. 1998. № 3. С. 97-104.

97. Грузман И.С., Киричук B.C. и др. Цифровая обработка изображений в информационных системах. Учебное пособие. Новосибирск: НГТУ, 2000. 160 с.

98. Губарев В.В, Хазанов В.Ю. Цифровые методы оптимальной обработки сигналов. Новороссийск: НЭТИ., 1982. -235с.

99. Дегтярев C.B., Садыков С.С., Тевс С.С., Ширабакина Т.А. Методы цифровой обработки изображений: учеб. Пос. Ч. 1. Курск: Курск, гос. техн. ун-т, 2001 - 167 с.

100. Дегтярев C.B., Садыков С.С., Тевс С.С., Ширабакина Т.А. Методы цифровой обработки изображений: учеб. Пос. Ч. 1. Курск: Курск, гос. техн. ун-т, 2001 - 167 с.

101. Дубовских В. А. Автоматическая фильтрация помех на фотоизображениях // Развитие автоматизированных поисковых и реставрационных систем на космические документы: Сб. научн. тр. / НИЦКД СССР. -М.: Главархив СССР, 1992. С. 31-33.

102. Дуда Р., Харт П. Распознавание образов и анализ сцен. Пер с англ. / Под ред. Стефанюка B.JL, М.: Мир, 1976. - 254 с.

103. Жизняков А.Л., Вакунов Н.В. Вейвлет-преобразования в обработке и анализе изображений. М.: Гос. научн. центр РФ - ВНИИ геосистем, 2004.- 102 с.

104. Журавлев Ю.И. Избранные научные труды / Ю.И. Журавлев М.: Магистр, 1998-416 с.

105. Иванов В.А., Киричук B.C., Перетяган Г.И. Сегментация изображений. Автометрия, №3, 1980. С. 48 - 54.

106. Иванов Д., Кузьмин Е. Эффективный алгоритм построения остова растрового изображения // Труды межд. конф. «Графикон-98», М., 1998. С. 65-68

107. Иконика. М.: Наука, 1968 - 116 с.

108. Компьютерное зрение / Л. Шапиро, Дж. Стокман; Пер. с англ. -М.: БИНОМ. Лаборатория знаний, 2006. 752 с.

109. Короткий С. Введение в распознавание образов // Монитор N8, 1994. С.22-25.

110. Коулмэн Г.Б., Эндрюс К. Сегментация изображения при помощи автоматической классификации. ТИИЭР, 1979, т. 67, №5. С. 8297.

111. Кронрод М.А. Несколько задач обработки изображений / Вопросы кибернетики: Сб. ст. Вып. 38:

112. Иконика. Цифровая обработка и фильтрация изображений М., ВИНИТИ. 1978. С. 122-134.

113. Кронрод М.А., Чочиа П.А. Математическое обеспечение диалоговой системы обработки изображений. / Иконика: Теория и методы обработки изображений: сб. ст. -М.: Наука, 1983. С. 87.

114. Крылов Б.В. Цифровая реставрация слабоконтрастных текстовых документов / Автоматизированные системы поиска и системы реставрации архивных документов методами оцифрования: Сб. науч. Трудов. / НИЦТД СССР. М., 1987. С. 23-26.

115. Лагуновский Д.М. Алгоритмы сегментации полутоновых изображений на основе анализа локальных свойств: Автореферат диссертации на соиск. уч. ст. канд. техн. наук Минск, 1999. - 19 с.

116. Ланге Ю.В. По страницам иностранных журналов // Контроль, диагностика за рубежом, №7, 2004, с. 18-20.

117. Методы и алгоритмы цифровой обработки изображений / Под ред. С.С. Садыкова. Ташкент; УзНПО «Кибарнетика» АН РУз, 1992. - 296 с.

118. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. 2-е изд., испр. - М.: ФИЗМАТЛИТ, 2003. - 784 с.

119. Обработка видеоинформации и дистанционные исследования -Новороссийск, 1983.

120. Обработка изображений и цифровая фильтрация / Пер. с англ., под ред. Хуанга Т. М.: Мир, 1979.

121. Павлидис Т. Алгоритмы машинной графики и обработки изображений: Пер. с англ. М.: Радио и связь, 1986 - 400 с.

122. Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982. - Кн. 1.-312 с.

123. Путятин Е.П., Аверин С.В. Обработка изображений в робототехнике. М.: Машиностроение, 1990. - 320 с.

124. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин: Пер. с англ. М.: Мир, 1972. - 232 с.

125. Садыков С.С. Цифровая обработка и анализ изображений. -Ташкент: НПО "Кибернетика" АН РУз, 1994. 193 с.

126. Садыков С.С., Кан В.Н., Самандаров И.П. Методы выделения структурных признаков изображений. Ташкент: Фан, 1990. - 104 с.

127. Садыков С.С., Стародубов Д.Н, Алгоритмы определения длины и ширины дискретных площадных объектов Автоматизация и современные технологии Москва.: Машиностроение, 2007, №10 -С. 8-12

128. Садыков С.С., Стулов Н.Н. Методы и алгоритмы выделения признаков в системах технического зрения. М.: Горячая линия Телеком, 2005.-204 с.

129. Секерин A.M. Метод сегментации изображений контролируемой поверхности при автоматической регистрации результатов капиллярного контроля. Дефектоскопия, 2001, № 1, С. 35 - 41.

130. Семенков О.И., Абламейко С.В., Старовойдов В.В., Берейтик В.Н. Методы обработки и формирования растровых изображений. Минск: Инт технической кибернетики АН БСср, 1986. - 98 с.

131. Системы технического зрения / А.Н. Писаревский и др. JI: Машиностроение. Ленинград. Отд-ние, 1988. -424 с.

132. Хант Б.Р. Цифровая обработка изображений / Применение цифровой обработки сигналов. / Пер. с англ. М.: Мир, 1980

133. Ярославский Л.П. Введение в цифровую обработку изображений. -М.: Наука, 1988

134. Atiquzzaman М., Akhtar M.W., Complete line segment description using the Hough Transform, Image and Vision Computing 12(5), 1994. pp. 267273

135. Bow S.T. Pattern Recognition and Image Preprocessing, Marcel Dekker, Inc., New York, NY, 1992.

136. Canny J. A Computational Approach To Edge Detection // IEEE Trans. Pattern Analysis and Machine Intelligence. 1986. V. 8(6). pp. 679-714.

137. Carrasco M. Segmentation of welding defects using digital image processing techniques // Master of Science Thesis, Departamento de Ingeniería Informática, Universidad de Santiago de Chile, Abril, 2004.

138. Carrasco M., Meiy D. Segmentation of welding defects using a robust algorithm.

139. Castle D.A., Gibbins B. Hamer P.S. Physical Methods for Examining and ComparingTransparent Plastic Bags and Cling Films // Journal of Forensic Science Society 34, 1994, pp. 61-68.

140. Bishop C.M. Neural Networks for Pattern Recognition. New York, Oxford University Press, 1995.

141. Celenk M. Hierarchical Color Clustering for Segmentation of Textured Images, Proc. of the 29th Southeastern Symposium on system Theory, 1997.

142. Choi H.I., Choi S.W., Moon H.P. Mathematical theory of medial axis transform // Pacific J. of Math. 1997. Vol. 181, No. 1 - P. 57-88.

143. Clark F., Olson. Improving the generalized Hough transform through imperfect grouping // Image and Vision Computing. 1998. 16. pp. 627634.

144. Cramariuc B., Gabbouj M., Astola J. Clustering Based Region Growing Algorithm for Color Imag Segmentation, Int. Conf. on Digital signal Processing, 1997.

145. Deng Y., Manjunath B. S., Shin h. Color Image Segmentation, Comput. Vision and Pattern Recog., 1999.

146. Fowlkes C., Belongie S., Malik J. Efficient Spatiotemporal Grouping Using the Nystrom Method, Comput. Vision and Pattern Recog, 2001.

147. Haralick R.M., Shapiro L.G. Computer and Robot Vision.-USA, Addison-Wesley Publishing Company, 1992.

148. Jacob M., Unser M., Design of Steerable Filters for Feature Detection Using Canny-Like Criteria // IEEE Transactions on Pattern Analysis and Machine Intelligence. V. 26, no. 8, pp. 1007-1019.

149. Kanai Y. Image Segmentation Using Intensity and Color Information, SPIE -Visual Communications and Image Processing'98, 1998.

150. Lavalle S.M., Hutchinson S.A. A Bayesian Segmentation Methology for Parametric Image Models // IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 17, No.2, February, 1995. pp. 211-217.

151. Liao T.W, Li Y. M. Weld defect detection based on Gaussian Curve // Proceedings of the 28th Southeastern Symposium on System Theory (SSST '96)

152. Lindeberg T. Edge detection and ridge detection with automatic scale selection // International Journal of Computer Vision. 1998. V. 2. pp. 117-154.

153. Lucchese L., Mitra S.K. Color Image Segmentation: A State-of-the-Art Survey, 2001.

154. Marill T., Green D.M. On the effectiveness of the receptors in recognition systems. IEEE Trans. Professional Technical Group Information Theory, vol. IT-9, no. 1, 1963, pp. 11-17.

155. Mathworks. Image Processing Toolbox for Use with MATLAB: Users Guide // The MathWorks Inc., Enero 2003.

156. McKenzie D.S., Protheroe S.R Curve description using the inverse Hough transform // Pattern Recognition. 23, N3/4, 1995. pp.283-290.

157. Ming Jiang., Ge Wang. Convergence studies on iterative algorithms for image reconstruction // IEEE Transaction on medical imaging, Vol 22, No 5. May 2003.

158. Normalized Cuts and Image Segmentation Shi J., Malik J., University of California at Berkeley, 1997.

159. Ohlander R., Price K., Reddy D. 1978. Picture segmentation using a recursive region splitting method. Comput. Graphics and Image Proc., v.8:313-333.

160. Ohta Y., Kanade T., Sakai T. 1980. Color information for region segmentation. Comput. Graphics and Image Proc., v. 13:222-241.

161. Olivier Ecabert, Jean-Philippe Thiran, Adaptive Hough transform for the detection of natural shapes under weak affme transformations. Pattern

162. Recognition Letters (25), No. 12, September 2004, pp. 1411-1419.

163. Otsu N., A Threshold Selection Method from Gray-Level Histograms. IEEE Trans, on Systems, Man, and Cybern, Vol. SMC-9, 1979, pp. 62-66.

164. Pao D., Li H., Jayakumar R. Shapes recognition using the straight line Hough Transform: Theory and Generalization // Pattern Anal. Mach. Intell., Vol.14, NO. 11, 1992.

165. Perona P. Deformable kernels for early vision, IEEE Trans, on Pattern Analysis and Machine Intelligence, vol. 17, no. 5, pp. 488-499, 1995.

166. Philip R. Thrift, Stanley M. Dunn. Approximating Point-Set Images by Line Segments Using a Variation of the Hough transform // Computer Vision, Graphics, and Image Processing 21. 1983. pp. 383-394.

167. Pieczunski W. Statistical Image Segmentation // Machine Graphic and Vision, vol 1, No.l and 2, 1992. pp. 261-268.

168. Risse T. Hough transform for line recognition: Complexity of evidence accumulation and cluster detection // Computer Vision, Graphics, and Image Processing. 46, 1989. pp.327-345

169. Rong-Chin Lo, Wen-HsiangTsai. Gray-scale Hough transform for thick line detection in gray- scale images. 1995. V. 28. No 5, P. 647-661.

170. Schmidt J. T A New Method for Measuring Fluorescent Brightness and Color. Material Evaluation, 1966, 24, N12, p. 697-702.

171. Shi J., Malik J. 1997. Normalized cuts and image segmentation. IEEE Conf. Comput. Vision and Pattern Recog., 731 737.

172. Teh C.H., Chin R.T. On image analysis by the methods of moments // IEEE Trans. Pattern. Anal. Machine Intell., vol. 10, 1988. pp. 496-512.

173. Tremeau A., Borel A Region growing and Merging Algorithm to color segmentation, Pattern Recognition, 1997.

174. Veksler O. Image Segmentation by Nested Cuts, NEC Research Institute, 2000.

175. Zhou Y. P., Tan C. L. Hough technique for bar charts detection and recognition in document images // International Conference on Image Processing, ICIP 2000, pp. 494-497, 2000.

176. Атлас типовых микроструктур / E. Т. Кондратьев. Волгоград: 1981.-79 с.

177. Барабаш Ю.Л. и др. Автоматическое распознавание образов. Киев: Изд-во КВАИУ, 1963.

178. Боллс Р.С., Кэйн Р.А. Поиск и распознавание частично видимых объектов: Метод выделения локальных признаков / Техническое зрение роботов / Под ред. А. Пью; Пер. с англ. — М.: Машиностроение, 1987. С. 47-83.

179. Болховитинов Н.Ф. Металловедение и термическая обработка. -М.: Машгиз, 1952. 428 с.

180. Борилин Б.Л. Квалиметрическая оценка дефектов архивных фотодокументов // Советские архивы, 1981, №3. С. 37—40

181. Брандон Д., Каплан У. Микроструктура материалов. Методы исследования и контроля. М.: Техносфера, 2004 384 с.

182. Бровер Г.И., Пустовойт В.Н., Бровер A.B. Методы металлографических исследований металлов и сплавов: Учеб. пособие / ДГТУ. Ростов н/д, 1999 29 с.

183. Вайтузин О.П. Изучение микроструктуры металлов методом компьютерной оптической микроскопии: Учебное пособие Красноярск: Сибирский гос. аэрокосмический ун-т им. М.Ф. Решетнева, 2006 - 98 с.

184. ГОСТ 16504-81 Система государственных испытаний продукции. Испытания и контроль качества продукции. Основные термины и определения

185. ГОСТ 1778-70 Сталь. Металлографические методы определения неметаллических включений

186. ГОСТ 3443-87 Отливки из чугуна с различной формой графита. Методы определения структуры

187. ГОСТ 8233-56 Сталь. Эталоны микроструктуры

188. ГОСТ 18442 - 80. Контроль неразрушающий. Капиллярные методы контроля. - 7с.

189. Глазков Ю.Л. Особенности аттестации контрольных образцов для капиллярной дефектоскопии // Дефектоскопия, 2004, № 9, с. 74-84.

190. Гуляев А.П. Металловедение. Учебник для вузов. 6-е изд., перераб. и доп. М.: Металлургия, 1986. 544 с.

191. Елкина В.Н., Загоруйко Н.Г., Темиркаев B.C. Алгоритмы направленного таксономического поиска информативных подсистем признаков (НТПП)// Вычислительные системы: Сб. тр. ИМ СО АН СССР Вып.59, Новосибирск, 1974

192. Загоруйко Н.Г. Методы распознавания и их применение. М.: «Советское радио», 1972. - 208 с.

193. Карпухин С.Д., Быков Ю.А. Световая микроскопия и количественная обработка изображений структур материалов: Учебное пособие / Под ред. Ю.А. Быкова. М.: Изд-во МГТУ им. Баумана, 2003 -48 с.

194. Кепель A.A.,Лившиц М.Г. Фотореставрация текстов архивных документов. / Советские архивы. М. №4. 1979. С. 69-71.

195. Комплекс автоматизированных систем технического контроля / ЗАО НИИИН МНПО Спектр. 2006. 131 с.

196. Кориков A.M. и др. Корреляционные зрительные системы роботов / A.M. Кориков, В.И. Сверямкин, B.C. Титов; Под ред. A.M. Корикова. -Томск: Радио и связь, Томское отделение, 1990 264 с.

197. Кретов Е.Ф. Ультразвуковая дефектоскопия в энергомашиностроении. Санкт-Петербург: "Радиоавионика", 1995 - 195с.

198. Лбов Г.С. Выбор эффективной системы зависимых признаков // Труды Сиб. отд. АН СССР: Вычислительные системы. Новосибирск, 1965, вып. 19.

199. Металлографическое травление металлов и сплавов: Справ, изд. Баранова JI.B., Демина Э.Л. М.: Металлургия, 1986. 256 с.

200. Металлография. Бунин К.П., Баранов A.A. «Металлургия», М., 1970.-256 с.

201. Методы структурного анализа материалов и контроля качества деталей: Учеб. пособие / В.А. Батаев, A.A. Батаев, А. П. Алхимов. 2-е изд. - М.: Флинта, 2007 - 224 с.

202. Мигун Н.П., Гнусин А.Б., Волович И.В. О некоторых возможностях повышения эффективности капиллярного контроля. -Дефектоскопия, 2005, № 7, С. 55 60.

203. Натапов Б.С. Металловедение. М.: Металлургиздат, 1956. - 344с.

204. Препарата Ф., Шеймос М. Вычислительная геометрия: Введение. -М.: Мир, 1989.-478 с.

205. Прохоренко П.П., Мигун Н.П. Введение в капиллярную дефектоскопию Под ред. А. С. Боровикова. Мн.: Наука и техника, 1988. -207 с.

206. Справочное руководство, ЗАО Спектр КСК, Комплексные системы контроля. 2005. 125 с.

207. Стандартные методы контроля качества металлических материалов и их соединений: справочник / Л.П. Герасимова, Д.Е. Голубков, Ю.П. Гук. М.: ЭКОМЕТ, 2007 - 664 с.

208. Стародубов Д.Н. Инвариантные к аффинным преобразованиям моментные признаки площадных объектов. Алгоритмы, методы и системы обработки данных: Сборник научных статей / Под ред. С.С. Садыкова, Д.Е. Андрианова М.: Горячая линия - Телеком, 2006. - С. 14-18

209. Таточенко JX К., Медведев С. В. Промышленная гамма-дефектоскопия, М., 1955 199с.

210. Трапезников А. К., Рентгенодефектоскопия, М., 1948 157с.

211. Цифровая обработка и фильтрация изображений. Под общей ред. Д.С. Лебедева. АН СССР, М. 1978. - 184 с.

212. Цифровая обработка сигналов и ее применение / Под. ред. Ярославского Л.П. М.: Наука. 1981.

213. Яншин А.Л. Анализ обработки изображений: принципы и алгоритмы, 1995. 75 с.

214. ASTM D4788-03 Standard Test Method for Detecting Delaminations in Bridge Decks Using Infrared Thermography // American Society of Testing and Materials, 2003.

215. Adams J., Mulvaney R., Reprovich В., Worel В. Investigation of Construction Related Asphalt Concrete Pavement Temperature Differentials. Report submitted to Minnesota Department of Transportation, October 2001.

216. Boerner H., Strecker H., Automated x-ray inspection of aluminium castings // IEEE Trans on Pattern Anal & Machine Intelligence, PAMI-lO(l), 1988, pp. 79-91.

217. Demandt K., Hansen L.K. Real-time x-ray system with fully automated defect detection and quality classification // X-ray Real Time Radiography and Image Processing, Proc. of Symposium, Newbury, Berkshire, 1988, pp. 96-119.

218. Dempster A., Laird N., Rubin D. Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society, Series B,39(l):l -38, 1977.

219. Dongping Zhu, Richard Conners, Phil Araman CT Image Sequence Processing For Wood Defect Recognition // Ehe twenty-third southeastern symposium on system theory, March 10-12, 1991. pp.75-78.

220. Gayer A., Sayer A., Shiloh, A. Automatic recognition of welding defects in real time radiography //NDT International, vol. 23(3), 1990, pp. 131136.

221. Gonzalez R.C., Woods R.E. Digital Image Processing, USA, Addison-Wesley Publishing Company, 1992.

222. Grman J., Ravas R., Syrova L. Use of Optical Visualization Method for Evaluation of Transparent Polymeric Foils // In: 11th International DAAAM Symposium "Intelligent Manufacturing&Automation", Opatija, Croatia 2000, pp. 167-168.

223. Builtjes J.H, Rose P., Daum W. Automatic evaluation of weld radiographs by digital image processing // X-ray Real Time Radiography and Image Processing, Proc. of Symposium, ed. by R. Halmshaw, Newbury, Berkshire, 1988, pp 63-72.

224. Jensen J. R. 1996. Introductory Digital Image Processing: A remote sensing perspective, 2nd Edition. NJ: Prentice-Hall.

225. Kato Y., Okumura T., Matsui S. et al. Development of an Automatic Weld Defect Identification System for Radiographic Testing. Welding in the Word, v. 30, n. 78, 1992. p. 182-188.

226. Lawson S., Parker G.A. Intelligent segmentation of industrial radiographic images using neural networks // In Machine Vision Applications and Systems Integration III, Proc. of SPIE, volume 2347, pages 245-255, November 1994.

227. Liao T.W, Li Y.M. An Automated Radiographic NDT System for Weld Inspection //Part II Flaw detection. NDT&E International, 31(3):183-192., 1998.

228. Liao T.W. Classification of welding flaw types with fuzzy expert systems // Expert Systems with Applications 25, 101-111, 2003.

229. Liao T.W., Tang K. Automated Extraction of Welds from Digitized Radiographic Images Based on MLP Neural Networks // Applied Artificial Intelligence, v. 11, p. 197-218, 1997.

230. Mery D. Filbert D. Automated Flaw Detection in Aluminum Castings Based on the Tracking of Potential Defects in a Radioscopic Image Sequence. IEEE Transactions on Robotics and Automation, 18(6): 890-901, 2002. ISSN 1042-296X.

231. Mery D. Processing Digital X-ray Images and Its Applications in the Automated Visual Inspection of Aluminum Casting // 3rd Pan American Conference for Nondestructive Testing PANNDT, Rio de Janeiro RJ, June 2003.

232. Mery D., Berti .M.A. Automatic Detection of Welding Defects using Texture Features. Insight, 45(10):676-681, 2003.

233. Nacereddine N. Automated method implementation for detection and classification of weld defects in industrial radiography // M.S. thesis, Dept. Automation, Boumerdes Univ., Algeria, 2004.

234. Nacereddine N. Preliminary classification of weld defects in radiograms based neural networks. IASTED International Conference, Las Vegas, Nevada, USA, 28-31 Octobre. 1998.

235. Nacereddine N., Drai R., Heriouk B. Artificial Neural Network and its configuration for weld defect edge detection in X-ray images // IASTED International Conference, Las Vegas, Nevada, USA, 28-31 Octobre. 1998.

236. Nacereddine N., Zelmat M. Automated method implementation for detection and classification of weld defects in industrial radiography // M.S. thesis, Dept. Automation, Boumerdes Univ., Algeria, 2004.

237. Newman T.S A Survey of Automated Visual Ispetion. Computer Vision and Image Understanding, 1995, 61,N 2, p. 231—262.

238. Padua G. X., Silva R. R., Siqueira M. H. S., Rebello J. M. A., Caloba L. P. Classification of welding defects in radiographs using traversal profiles to the weld seam.

239. Padua G.X. et al. Detection of Welding Defects on Radiographic Patterns Using Artificial Neural Networks // 3 PANNDT. June 2003. Rio de Janeiro. Brazil.

240. Pal N. R., Pal S. K., A Review on Image Segmentation Techniques, Pattern Recognition, Vol. 26, No 9, 1993.

241. Schwartz Ch. Automatic Evaluation of Welded Joints Using Image Processing on Radiographs // Conference Proceedings American Institute of Physics, vol. 657(1), March 2003. pp. 689-694.

242. Shafarenko L., Petrov M., Kittler J., Automatic Watershed segmentation of Randomly Textured Color Images, IEEE Trans, on Image Processing, 1997.

243. Shafeek H.I, Gadelmawla E., Abdel-Shafy A.A, Elewa I.M. Assessment of Welding Defects for Gas Pipeline Radiographs Using Computer Vision // NDT&E International, 2004.

244. Shafeek H.I, Gadelmawla E., Abdel-Shafy A.A, Elewa I.M. Automatic Inspection of Gas Pipeline Welding Defects Using an Expert System // NDT&E International, 2004.

245. Silva R. R., Siqueira M.H.S., Caloba L.P., Rebello J.M.A., Radiographic pattern recognition of welding defects using linear classifier. // Insight, Journal of the British Institute of Non-destructive Testing, 2001.

246. Silva R.R et al. Patterns Nonlinear Classifiers of Weld Defects in Industrial Radiographs. 3 PANNDT. June 2003. Rio de Janeiro. Brazil.

247. Silva R.R. Radiographic Image Processing and Analysis of Defects in Weld Bead. Master's Degree // PEMM/COPPE/UFRJ. RJ, Brazil, 1999.

248. Silva R.R., Caloba L.P, Siqueira M.H.S, Rebello J.M.A., Pattern Recognition of Weld Defects Detected by Radiographic Test. NDT&E International, 2004.

249. Silva R.R., Caloba L.P., Siqueira M.H.S. et al. Evaluation of the Relevant Characteristic Parameters of Welding Defects and Probability of Correct Classification Using Linear Classifiers // Insight, v. 44, n. 10, Outubro, 2002.

250. Simoncelli E.P., Farid H. Steerable Wedge Filters for Local Orientation Analysis // IEEE Transactions on Image Processing. 1996. V. 5(9) pp. 13771382.

251. Stroup-Gardiner, M. Identifying Segregation in Hot Mix Asphalt Pavements Using Rolling Nuclear Gage Measurements and Infrared Imaging. ASTM Journal of Testing and Evaluation. Volume 28, No. 2, 2000, pages 121130.

252. Syrova L. Optical Methods for Examining and Comparing Optically Transparent Polymeric Foils // Journal of Electrical Engineering, 51, 2000, pp. 133-137.

253. Syrova L., Ravas R., Grman J. Use of Statistical Approach for Classification of Visualized Transparent Polymeric Foils // In: Proc. of the 2 DAAAM Workshop " Intelligent Manufacturing Systems", Kosice, 2000, pp. 69-70.

254. Tarek A. Monem, Amr A. Oloufa, Hesham Mahgoub. Asphalt Crack Detection Using Thermography // InfraMation 2005 Proceedings. ITC 108 A 2005-06-01

255. Wang G., Liao W., Automatic Identification of different types of welding defects in radiographic images. // NDT&E International, 2002.

256. ГОСТ 18353-79 Контроль неразрушающий. Классификация видов и методов

257. ГОСТ 21105-87 Контроль неразрушающий. Магнитопорошковый метод

258. ГОСТ 24450-80 Контроль неразрушающий магнитный. Термины и определения

259. ГОСТ 25225-82 Контроль неразрушающий. Швы сварных соединений трубопроводов. Магнитографический метод

260. ГОСТ 25315-82 Контроль неразрушающий электрический. Термины и определения

261. ГОСТ 24289-80 Контроль неразрушающий вихретоковый. Термины и определения

262. ГОСТ 27333-87 Контроль неразрушающий. Измерение удельной электрической проводимости цветных металлов вихретоковым методом

263. ГОСТ 23480-79 Контроль неразрушающий. Методы радиоволнового вида. Общие требования

264. ГОСТ 25313-82 Контроль неразрушающий радиоволновой. Термины и определения

265. ГОСТ 26170-84 Контроль неразрушающий. Приборы радиоволновые. Общие технические требования

266. ГОСТ 23483-79 Контроль неразрушающий. Методы теплового вида. Общие требования

267. ГОСТ 25314-82 Контроль неразрушающий тепловой. Термины и определения

268. ГОСТ 23479-79 Контроль неразрушающий. Методы оптического вида. Общие требования

269. ГОСТ 24521-80 Контроль неразрушающий оптический. Термины и определения

270. ГОСТ 20426-82 Контроль неразрушающий. Методы дефектоскопии радиационные. Область применения

271. ГОСТ 24034-80 Контроль неразрушающий радиационный. Термины и определения

272. ГОСТ 20415-82 Контроль неразрушающий. Методы акустические. Общие положения

273. ГОСТ 23829-85 Контроль неразрушающий акустический. Термины и определения

274. ГОСТ 25714-83 Контроль неразрушающий. Акустический звуковой метод определения открытой пористости, кажущейся плотности, плотности и предела прочности при сжатии огнеупорных изделий

275. СТБ 1172-99 Контроль неразрушающий. Контроль проникающими веществами (капиллярный). Общие положения

276. Теория оптимальных систем оптической дефектоскопии поверхности: Учебной пособие / П.А. Сорокин; Тул. гос. ун-т; Тула, 2001 -100 с.

277. Report on the actual situation of INSTITUTE DR. FORSTER. Information for customer and friends of INSTITUTE DR. FORSTER, N 12/Dec, 1993.

278. Неразрушающий контроль металлов и изделий. Справочник. Под ред. Г.С. Самойловича. М., Машиностроение, 1976 -456с.

279. ГОСТ 23055-78 Классификация сварных соединений по результатам радиографического контроля.

280. ГОСТ 7512-82 Контроль неразрушающий. Соединения сварные. Радиографический контроль.

281. Неразрушающий контроль и диагностика: Справочник / В.В. Клюев, Ф.Р. Соснин, В.Н. Филинов и др. Под ред. В.В. Клюева. М.: Машиностроение, 1995. -488 с.

282. Неразрушающий контроль: Справочник: В 8 т. / Под общ. ред. В.В. Клюева. Т. 1: В 2 кн. Кн. 1. Ф.Р. Соснин. Визуальный и измерительный контроль. Кн. 2. Ф.Р. Соснин. Радиационный контроль. 2-е

283. Бабиков Д. Б., Кириллов А. Г., Ксенофонтов С. Ю., Прудников М. Б., Рейман А. М., Шишков А. В. Визуализация дефектов, обнаруженных в сварных швах рельсов при ультразвуковом контроле- Дефектоскопия, 1999, №6, С. 93-97.

284. Bar-Cohen Yoseph. Emerging NDE Technologies and Challenges at the Begining of the 3 th Millennium Part 1. NDT. Net - January 2000, 5, N 1.

285. Fakuda S. Nondestructive evalution and its new role in the coming centry. Trends in NDE Science & Technology; Proceeding of the 14lh World Conference on Non-Destructive Testing. New Delhi, 8-13 December 1996, v. l,p. 15-24.

286. Klyuev V. V. Development of nondestructive testing and technical diagnostics is a basis of safety. Trends in NDE Science & Technology;1 u

287. Proceeding of the 14 World Conference on Non-Destructive Testing. New Delhi, 8 - 13 December 1996, v. 1, P. 109 - 112.

288. Бархатов В. А. Развитие методов ультразвуковой дефектоскопии сварных соединении Дефектоскопия, 2003, № 1,С.28-55.

289. Белокур И.П., Коваленко В.А. Дефектоскопия материалов иизделий. К.: Тэхника, 1989. - 192с.

290. Краснобаев А.А. Обзор алгоритмов детектирования простых элементов изображения и анализ возможности их аппаратной реализации // Inst. Appl. Math. 2005.

291. Weiss I. High-order differential filters that work // IEEE Transaction on Pattern Analysis an Machine Intelligence, 16(7), July 1994. P.734-739.

292. Meer P., Weiss I. Smoothed differentiation filters for images // Journal of Visual Communication and Image Representation, 3(1), March, 1992. P.58-72.

293. Torre V., Poggio T.A. On edge detection. IEEE Transaction on Pattern Analysis and Machine Intelligence, 8(2), March 1986. P. 147-163.

294. Canny J. A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6), November 1986. P.679-698.

295. Zhang Y., Rockett P. I. The Bayesian operating point of the Canny edge detector. IEEE Transactions on Image Processing, 15(11), 2006. P.3409-3416.

296. Rad A.A., Faez K., Qaragozlou N. Fast Circle Detection Using Gradient Pair Vectors // Proc. Vllth Digital Image Computing, Sydney, Australia, 2003. P.879-887.

297. Agarwal S., Awan A., Roth D. Learning to Detect Objects in Images via a Sparse, Part-Based Representation // IEEE Transactions on Pattern Analysis and Machine Intelligence, volume 26(11), 2004. P.1475-1490.

298. Davis E. Machine Vision : Theory, Algorithms, Practicalities. (2nd Edition), Academic Press, 1996.

299. Bowyer K.W., Kranenburg C., Dougherty S. Edge detector evaluation using empirical ROC curves // Computer Vision and Image Understanding, 84(1), 2001. P.77-103.

300. Rockett P. I. Performance assessment of feature detection algorithms: A methodology and case study on corner detectors // IEEE Transactions on Image Processing, 12(11), 2003. P.1668-1676.

301. Tsai A., Yezzi A., Willsky A.S. Curve evolution implementation of the Mumford-Shah functional for image segmentation, denoising, interpolation and magnification // IEEE Transactions on Image Processing, 10(8), 2001. P.1169-1186.

302. Zheng S., Liu J., Tian W. A new efficient SVM-based edge detection method. Pattern Recognition Letters, 25(10), 2004. P.l 143-1154.

303. Hueckel M.H. An operator which Locates Edges in Digitized Pictures // JACM, 18, №1, 1971. P. 113-125.

304. Nayar S.K., Baker S., Murase H. Parametric feature detection // In Proceeding of IEEE Conference on Computer Vision and Pattern Recognition, San Francisco, June 1996.

305. Illingworth J., and Kittler J. A Survey of the Hough Transform // CVGIP, vol. 44, 1988.P.87-116.

306. Perera A., Hoogs A. Bayesian Object-Level Change Detection in Grayscale Imagery // Proc. Pattern Recognition, 17th International Conference on (ICPR'04). 2004. V. 1. P. 71-75.

307. Kanatani K. and Ohta N. Automatic detection of circular objects by ellipse growing // Proc. SSII2002. 2002. P. 355-360.

308. Yim Y.U., Oh Se-Young. Three-Feature Based Automatic Lane Detection Algorithm (TFALDA) for Autonomous Driving. IEEE Transactions on Intelligent Transportation System, Vol.4, No.4, 2003.

309. Konishi S., Yuille A.L., Coughlan J.M. A Statistical Approach to MultiScale Edge Detection // Proc. Workshop Generative-Model-Based Vision: GMBV '02, 2002.

310. Konishi S., Yuille A.L., Coughlan J.M., Zhu S.Ch. Statistical edge detection: learning and evaluating edge cues // IEEE Trans. Pattern Analysis and Machine Intelligence. 2003. V. 25. № 1. P. 57-74.

311. Shen L., Bai L. A review on Gabor wavelets for face recognition // Pattern Analysis and Applications. 2006. V. 9. P. 273-292.

312. Yang J., Liu L., Jiang T. Yong Fan A modified Gabor filter design method for fingerprint image enhancement // Pattern Recognition, Letters 24, 2003. P.1805-1817.

313. Васильков В.П. Методы и алгоритмы обработки изображений и сигналов для выделения и оценки временных маркеров в биологических слоистых структурах // Математическая биология и биоинформатика. 2009. Т. 4. № 1.С. 21-35.

314. Shafeek H.I, Gadelmawla E., Abdel-Shafy A.A, Elewa I.M. Assessment of Welding Defects for Gas Pipeline Radiographs Using Computer Vision // NDT&E International, 2004.

315. Silva R.R. et al. Patterns Nonlinear Classifiers of Weld Defects in Industrial Radiographs. 3 PANNDT. June 2003. Rio de Janeiro. Brazil.

316. Breuel Т. M. Two algorithms for geometric layout analysis // In Proceedings of the Workshop on Document Analysis Systems, Princeton, NJ, USA, 2002.

317. Breuel Т. M. High Performance Document Layout Analysis // PARC, Palo Alto, CA, USA, 2003.

318. Li S., Pu F., Li D. An improved edge detection algorithm based on area morphology and maximum entropy // Proc. 2nd Int. Conf. Innovative Computing, Informatio and Control (ICICIC 2007), 2007. P.536.

319. Lee T.C.M. A minimum description length based image segmentation procedure, and its comparison with a cross-validation based segmentation procedure // J. American Statistical Association. 2000. V. 95. P. 259-270.

320. Elbehiery H., Hefhawy A., Elewa M. Surface defects detection for ceramic tiles using image processing and morphological techniques // Proceedings of world academy of science, engineering and technology, V.5, April 2005.