СЕГМЕНТАЦИЯ НЕСФОКУСИРОВАННЫХ ОБЛАСТЕЙ НА 2D-ИЗОБРАЖЕНИЯХ ПОВЕРХНОСТЕЙ С ИСПОЛЬЗОВАНИЕМ ТЕКСТУРНЫХ ПРИЗНАКОВ

Предложен метод сегментации несфокусированных областей изображений обработанных металлических поверхностей, основанный на использовании фокусных текстурных признаков. В таких областях содержится незначительное количество полезной информации. Объектом исследования является металлическая поверхность, имеющая форму конуса. На фотографии отдельные части изображения получаются нерезкими вследствие ограниченности глубины резкости промышленной камеры. Одним из возможных решений данной задачи является автоматическое удаление нерезких областей на таких изображениях. Для расчета характеристик, описывающих размытость конкретной области изображения, в работе использованы фокусные текстурные признаки. Такие признаки используются в системах автоматической фокусировки микроскопов и фотокамер, и их применение для сегментирования нерезких областей изображений нетипично. На изображениях металлических поверхностей, имеющих размытые участки, протестированы 34 текстурных признака. Наиболее информативными признаками, способными сегментировать изображение наиболее точно, оказались средний уровень серого и пространственная частота. Предложенный метод сегментации размытых областей на изображениях металлических поверхностей может быть применен на практике для оценки качества обработки материалов с использованием промышленных камер. Метод отличается простотой реализации и высокой скоростью работы.

1. Trambitckii K., Anding K., Musalimov V., Linss G. Colour based fire detection method with temporal intensity variation filtration // Journal of Physics: Conference Series. 2015. V. 588. N 1. Art. 012038. doi:10.1088/1742-6596/588/1/012038

2. Кузнецов А.О., Мусалимов В.М., Саенко А.П., Трамбицкий К.В. Применение алгоритмов анализа изображений для обнаружения пожаров // Изв. вузов. Приборостроение. 2012. Т. 55. № 6. С. 51–56.

3. Трамбицкий К.В., Мусалимов В.М. Обнаружение огня на видеоизображении с фильтрацией по изменению интенсивности. Свидетельство о государственной регистрации в реестре программ ЭВМ №2015615131. 2015.

4. Eskicioglu A.M., Fisher P.S. Image quality measures and their performance // IEEE Transactions on Communications. 1995. V. 43. N 12. P. 2959–2965. doi: 10.1109/26.477498

5. Shirvaikar M.V. An optimal measure for camera focus and exposure // Proc. 36th Southeastern Symposium on System Theory. 2004. P. 472–475. doi: 10.1109/SSST.2004.1295702

6. Krotkov E. Focusing // International Journal of Computer Vision. 1987. V. 1. N 3. P. 223–237. doi: 10.1007/BF00127822

7. Firestone L., Cook K., Culp K., Talsania N., Preston K. Jr. Comparison of autofocus methods for automated microscopy // Cytometry. 1991. V. 12. N 3. P. 195–206. doi: 10.1002/cyto.990120302

8. Tong H., Li M., Zhang H., Zhang C. Blur detection for digital images using wavelet transform // IEEE Int. Conf. on Multimedia and Expo (ICVE). Taipei, Taiwan, 2004. V. 1. P. 17–20. doi: 10.1109/ICME.2004.1394114

9. Su B., Lu S., Tan C.L. Blurred image region detection and classification // Proc. 19th ACM International Conference on Multimedia (MM'11). Scottsdale, USA, 2011. P. 1397–1400. doi: 10.1145/2072298.2072024

10. Shen C.H., Chen H.H. Robust focus measure for low-contrast images // Proc. IEEE International Conference on Consumer Electronics (ICCE'06). Las Vegas, USA, 2006. P. 69–70. doi: 10.1109/ICCE.2006.1598314

11. Lee S.-Y., Yoo J.-T., Kumar Y., Kim S.W. Reduced energy-ratio measure for robust autofocusing in digital camera // IEEE Signal Processing Letters. 2009. V. 16. N 2. P. 133–136. doi: 10.1109/LSP.2008.2008938

12. Fusek R., Sojka E., Mozdren K., Surkala M. Energy-transfer features and their application in the task of face detection // Proc. 10th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS 2013). Krakow, Poland, 2013. P. 147–152. doi: 10.1109/AVSS.2013.6636631

13. Huang D., Shan C., Ardabilian M., Wang Y., Chen L. Local binary patterns and its application to facial image analysis: a survey // IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews. 2011. V. 41. N 6. P. 765–781. doi: 10.1109/TSMCC.2011.2118750

14. Ojala T., Pietikäinen M., Harwood D. A comparative study of texture measures with classification based on feature distribution // Pattern Recognition. 1996. V. 29. N 1. P. 51–59. doi:10.1016/0031-3203(95)00067-4

15. Ahonen T., Hadid A., Pietikäinen M. Face recognition with local binary patterns // Lecture Notes in Computer Science. 2004. V. 3021. P. 469–481.

16. Hadid A., Pietikäinen M., Ahonen T. A discriminative feature space for detecting and recognizing faces // Proc. IEEE Int. Conf. on Computer Vision and Pattern Recognition (CVPR 2004). Washington, USA, 2004. V. 2. P. 797–804. doi: 10.1109/CVPR.2004.1315246

17. Huijsmans D.P., Sebe N. Content-based indexing performance: a class size normalized precision, recall, generality evaluation // Proc. IEEE International Conference on Image Processing (ICIP-2003). Barcelona, Spain, 2003. V. 3. P. 733–736.

18. Grangier D., Bengio S. A discriminative kernel-based approach to rank images from text queries // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2008. V. 30. N 8. P. 1371–1384. doi: 10.1109/TPAMI.2007.70791

19. Heikkilaä M., Pietikäinen M. A texture-based method for modelling the background and detecting moving objects // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2006. V. 28. N 4. P. 657–662. doi: 10.1109/tpami.2006.68 

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License