Сегментация изображений в задачах детальной оценки состояния массового количества объектов

Рассмотрено математическое обеспечение подсистемы сегментации как разбиения 2D-изображения на одно-родные области, не требующее связности сегментов, в задаче идентификации и оценки состояния участков поверхности массового количества единичных материальных объектов (как генеральной совокупности) для контроля качества продукции и принятия решений в ходе управления технологическим процессом, дополня-ющей функциональность системы компьютерного зрения распознавания типов и видов объектов (как элемен-тов генеральной совокупности) на 2D-изображении, с высокой вариабельностью внутри их типов и видов, и близости самих видов. Для определения необходимого в каждом 2D-изображении объекта числа кластеров (сегментов) алгоритма k-means++, выполняемого подсистемой, предложен адаптивный k-means++ с итера-ционным определением требуемого числа кластеров. Автоматизация выбора и остановки на оптимальном числе кластеров использует проверку на каждом шаге определенного условия на нормированную энтропию. На каждом шаге кластеризация использует либо только цветовые координаты LAB пикселей, либо все 5 ко-ординат пикселей, включая пространственные XY, т. е. номера строки и столбца пиксельной матрицы. Приме-нение только координат LAB позволяет выделять и оценивать состояние различных пятен на поверхности объектов, и алгоритм чувствителен к мелким деталям состояния видимой поверхности, но без учета их связ-ности (множество разорванных пятен произвольного очертания), что предназначено для изображений с рас-пределенными сегментами и не нацелено на поиск односвязных областей и выделение границы объектов. В ситуации близких цветовых характеристик у разных состояний необходимо применение всех координат LAB + XY. Показана эффективность подсистемы на изображениях с зерновой массой риса, фруктовым сырьем и фармакологической продукцией.

Авторы: Д. С. Остапов, С. В. Усатиков

Направление: Информатика и компьютерные технологии

Ключевые слова: Системы компьютерного зрения, подсистема сегментации, адаптивный k-means++


Открыть полный текст статьи