Способ распознавания и классификации формы объектов в лабиринтных доменных структурах

Изобретение относится к средствам анализа цифровых изображений. Техническим результатом является обеспечение классификации объектов по геометрическим признакам в лабиринтных структурах. В способе определяют количество объектов на изображении структуры, в качестве морфологических признаков используют коэффициенты округлости и заполнения для каждого из объектов, формируют нечеткую базу знаний для разделения объектов на круглые, эллиптические и гантелеобразные с использованием треугольной функции принадлежности, а для некруглых полосовых и ветвистых объектов - с использованием трапециевидной функции принадлежности на основе экспериментальных данных значений указанных коэффициентов округлости и заполнения, проводят распознавание доменов, формируют нечеткий классификатор разделения объектов по форме на круглые, эллиптические, гантелеобразные, полосовые и ветвистые объекты на основе соотношения коэффициента округлости и коэффициента заполнения объекта, проводят классификацию формы объектов. 1 з.п. ф-лы, 6 ил, 2 табл., 1 пр.

 

Изобретение относится к компьютерной технике, а именно к анализу структуры объектов на цифровых изображениях, и может быть использовано в системах компьютерного зрения, при проведении научных экспериментов объектов и структур различной степени сложности.

При решении ряда задач возникает необходимость анализа лабиринтных структур, содержащих большое количество разнообразных объектов, отличающихся друг от друга формой и размерами. Известно, что параметры устройств на магнитных пленках (запоминающие, логические, магнитооптические устройства, элементы магнитофотоники) определяются структурой магнитных пленок. Структура пленок содержит большое количество доменов - обособленных микро- и нанообъектов различной формы. Примерами таких структур могут служить лабиринтные доменные структуры в магнитооптических материалах, содержащие круглые, эллиптические, гантелеобразные, полосовые и ветвистые домены, например, в феррит-гранатовых пленках, предназначенных для реализации широкого класса устройств. Необходимость распознавания и анализа формы и классификации таких микрообъектов объектов необходима прежде всего для технологических целей.

Описаны различные методы распознавания, классификации микрообъектов на цифровых изображениях. Так, в изобретении (RU 2385494 С1, Никитаев и др. 27.03.2010) описан способ распознавания изображения текстуры объектов на цифровых фотографиях биологических объектов. Способ включает определение текстурных признаков объекта, которое состоит в том, что осуществляют предобработку полученных изображений объекта посредством сегментации, производят вычисления значений для текстурных признаков и формирования матриц чисел и осуществляют идентификацию и классификацию объекта. Наиболее информативные признаки для классификации определяют автоматически на основе обучающих выборок из предварительно созданных баз изображений, на основе которых производят идентификацию и классификацию по следующим показателям: энергия, момент инерции, максимальная вероятность соседств, которые встречаются наиболее часто в данном изображении, локальная однородность, энтропия, след нормализованной матрицы пространственной смежности (НМПС), среднее значение яркости, корреляция значений яркости изображения. В патенте (RU 118774 U1, Журавлев и др. 27.07.2012) описано устройство, реализующее способ анализа объектов на неоднородном фоне, предусматривающее модуль морфологической фильтрации изображения, выполненный с возможностью подавления объектов с наибольшими значениями яркости и заданной формы, сохраняющий оставшиеся границы искомых объектов неизменными; выделение локальных минимумов яркости изображения; определение расстояния от каждого пиксела изображения до ближайшего фонового пиксела и выделение локальных максимумов яркости изображения. Проводится фильтрация границ шумовых объектов, определяют морфологический градиент изображения, вычисление оптических и геометрических характеристик обнаруженных объектов и базу данных координат, оптических и геометрических характеристик выявленных объектов. Однако вышеупомянутые способы не предусматривают распознавания лабиринтных и ветвистых объектов.

В изобретении (RU 2297039 С2, Меняев и др. 10.04.2007) описана идентификация сложных объектов на изображении за счет извлечения из анализируемых изображений признака, способного эффективно описывать изображения сложной структуры и инвариантного к искажениям. Изображения всех эталонных объектов разбивают на пересекающиеся доменные блоки, а изображение анализируемого объекта разбивают на непересекающиеся ранговые блоки, размер которых меньше доменных блоков. Затем производят поиск наилучшего сопоставления всех ранговых блоков анализируемого изображения и доменных блоков всех эталонных изображений с использованием сжимающих аффинных преобразований. После этого формируют векторы расстояний между геометрическими центрами сопоставленных доменных для эталонного объекта и ранговых для анализируемого объекта блоков. Однако этот способ основан на сравнении анализируемого объекта с эталонными объектами и таким образом не предусматривает распознавания объектов с заранее неизвестной формой.

В заявке (GB2397423 (А) KOKKO ERIC GERARD et al. 21.07.2004) описан способ идентификации и подсчета семян и других малых объектов, включающий обучение модели единичной нейронной сети с обучением наборов известных объектов; обоснование оптимальной модели нейронной сети; анализ неизвестных объектов с неизвестными параметрами путем их визуализации для получения цифрового изображения, включающего пикселы, представляющие неизвестные объекты, фон и посторонние объекты. Однако этот способ не предусматривает одновременного распознавания объектов нескольких типов.

В изобретении (RU 2132061C1, Медовый и др. 20.06.1999) описан способ сегментации и распознавания клеток на изображениях цитологических препаратов в поле зрения светового микроскопа. Сначала выполняется настройка параметров моделей контуров клеточных структур на небольшой обучающей выборке изображений. В процессе сегментации границ клеточных структур оцифрованный кадр с изображением разбивается на фасеты и далее формируются границы структур клеток. Однако этот способ предназначен для распознавания объектов одного типа - клеток.

Наиболее близким аналогом к патентуемому является способ распознавания и классификации микрообъектов по патенту RU 2346331 С1, Куркин и др. 10.02.2009 - прототип.

При проведении тестирования изображение передают с помощью web-камеры в персональный компьютер (ПК). В персональном компьютере создают обучаемую для каждого типа ЖКИ нейросеть. Перед началом процесса тестирования по изображению ЖКИ проводят цифровую фильтрацию, выделяя и анализируя на черно-белом изображении связные области. По связным областям определяют набор морфометрических характеристик для классификации областей по форме, положению и ориентации. Сличение проводят автоматически, используя для этого нейросеть, сохраняемую в ПК и персонально обученную для каждого типа ЖКИ по распознаванию тех участков изображения рабочей поверхности ЖКИ, которые содержат в себе определенные ранее морфометрические характеристики связных областей.

Однако данный способ не предусматривает классификацию изменяющихся по форме объектов, являющихся составными элементами двумерных лабиринтных структур и не может быть использован для распознавания и классификации объектов в лабиринтных структурах.

Настоящее изобретение направлено на решение технической задачи распознавания объектов и их классификации по геометрическим признакам в лабиринтных структурах, например в магнитооптических доменных средах.

Способ распознавания и классификации формы объектов в лабиринтных доменных структурах включает получение цифрового изображения структуры, его фильтрацию, бинаризацию и анализ морфологических признаков объектов.

Патентуемый способ отличается тем, что определяют общее количество объектов на изображении структуры, в качестве морфологических признаков используют коэффициенты округлости и заполнения для каждого из объектов.

Формируют нечеткую базу знаний для разделения объектов на круглые, эллиптические и гантелеобразные с использованием треугольной функции принадлежности, а для некруглых полосовых и ветвистых объектов - с использованием трапециевидной функции принадлежности на основе экспериментальных данных значений указанных коэффициентов округлости и заполнения и проводят распознавание доменов.

Далее формируют нечеткий классификатор для разделения объектов по форме на круглые, эллиптические, гантелеобразные, полосовые и ветвистые объекты на основе соотношения коэффициента округлости и коэффициента заполнения объекта и проводят классификацию формы объектов. При классификации некруглого объекта проводят построение его остова и для него выполняют преобразование успех/неудача, далее выявляют точки ветвлений и при их наличии некруглый объект относят к ветвистым, а при отсутствии - к полосовым доменным структурам.

Способ может характеризоваться тем, что нечеткий классификатор формируют с учетом численных значений коэффициента k₁ округлости и коэффициента k₂ заполнения, лежащих в диапазонах:

для круглых объектов - k₁=0,77-1,0; k₂=0,83-1,0;

для эллиптических объектов - k₁=0,62-0,77, k₂=0,71-0,83;

для гантелеобразных объектов - k₁=0,5-0,62, k₂=0,62-0,71;

для некруглых полосовых, ветвистых - k₁=0,01-0,9, k₂=0,1-0,62,

причем коэффициенты округлости k₁ и заполнения k₂ описывают треугольными функциями принадлежности для круглых, эллиптических, гантелеобразных объектов и трапецеидальными функциями принадлежности для некруглых объектов.

Технический результат - обеспечение распознавания объектов и их классификации по геометрическим признакам в лабиринтных структурах.

Сущность патентуемого способа поясняется на фигурах, где:

фиг.1 - блок-схема магнитооптического устройства для получения микрофотографий;

фиг.2 - исходная микрофотография доменной структуры в пленке феррита-граната с выделением области последующего анализа;

фиг.3 - функции принадлежности µ(к) коэффициентов округлости k₁ и заполнения k₂ для классов d1-d4;

фиг.4 - изображение выделенной на фиг.2 области после предварительной обработки;

фиг.5 - результаты распределения доменов по классам;

фиг.6 - изображение остовов некруглых доменов с найденными точками ветвлений.

Способ реализуют следующим образом. Изображения структур получают с помощью цифровой камеры магнитооптическим методом с использованием эффекта Фарадея. На блок-схеме установки (фиг.1) показаны: И - источник света; СЛ - световой луч; Л - линзы; П, А - поляризатор и анализатор; ЭМ - электромагнит; МО -исследуемая магнитооптическая пленка; Т - терморегулятор; ФК - цифровая камера, ПК - персональный компьютер. Зарождение и формирование лабиринтной доменной структуры в магнитных материалах происходит под действием внешних магнитных и/или температурных полей.

В размагниченном состоянии в магнитном материале, пленке феррита-граната толщиной несколько микрометров, обычно реализуется лабиринтная доменная структура, содержащая домены различной формы. На фиг.2 представлена исходная микрофотография доменной структуры в пленке феррита-граната. В рамке выделена область анализа. Ширина лабиринтных доменов сравнима с толщиной пленки.

С целью определения диапазонов изменения коэффициентов формы объектов различных классов проанализированы несколько сотен изображений различных лабиринтных доменных структур. Установлено, что для разделения объектов на круглые (класс d1), эллиптические (класс d2), гантелеобразные (класс d3) и некруглые (полосовые, ветвистые: класс d4) в качестве информативных признаков достаточно использовать коэффициент округлости k₁ и коэффициент заполнения k₂. Функции принадлежности µ(k) для объектов указанных классов в доменных структурах приведены на фиг.3. Функции принадлежности построены на основе распределения экспериментальных данных значений коэффициентов округлости и заполнения.

Для описания распределения объектов, близких к круглым (классы d₁, d₂, d₃), использовалась треугольная функция принадлежности µ(k):

$$\mu \left(k\right)=\{\begin{array}{l}\mathrm{0,}k\le a\\ \frac{k-a}{b-a},a\le k\le b\\ \frac{c-k}{c-b},b<k<c\\ \mathrm{0,}c\le k\end{array},(1)$$

где [а,с] - диапазон изменения переменной, b - наиболее возможное значение переменной. Для некруглых объектов использовалась трапециевидная функция:

$$\mu \left(k\right)=\{\begin{array}{l}\mathrm{0,}k\le a\\ \frac{k-a}{b-a},a<k<b\\ \mathrm{1,}b\le k\le c\\ \frac{d-k}{d-c},c<k<d\\ \mathrm{0,}d\le k\end{array},(2)$$

где [a, d] - носитель нечеткого множества, [b, с] - ядро нечеткого множества.

Задача классификации состоит в отнесении объекта, заданного вектором информативных признаков K=(k₁, k₂), к одному из наперед определенных классов {d₁, d₂ d₃, d₃} т.е. состоит в выполнении отображения вида (см., Штовба С.Д. Проектирование нечетких систем средствами MATLAB. - М.: Горячая линия - Телеком, 2007):

$$K=\left(k_1,k_2\right)\to y\in \left\{d_1,d_2,d_3,d_4\right\}.(3)$$

Здесь y - выходной параметр нечеткого классификатора. Классификация на основе нечеткого логического вывода происходит по базе знаний вида:

$${\displaystyle \underset{p=1}{\overset{4}{\cup }}\left[{\displaystyle \underset{i=1}{\overset{2}{\cap }}\left(k_i=a_i^{jp}\right)}свесом{\omega }_{jp}\right]}\to y=d_j,j=\overline{1\dots 4},(4)$$

где: $$a_i^{ip}$$ - нечеткий терм, которым оценивается переменная k в строчке с номером jp (р=1,n);

n_j - количество строчек - конъюнкций, в которых выход у оценивается нечетким термом d_j, j=1,m;

m - количество термов, используемых для лингвистической оценки выходного параметра y.

На основе исходных данных (функции принадлежности коэффициентов формы, см. фиг.3) для построения нечеткого классификатора сформирована нечеткая база знаний, представленная в Таблице 1.

Веса правил ω_jp настроены в процессе обучения нечеткого классификатора. Обучение проводилось на основе порядка двухсот экспериментов.

Степени принадлежности объекта классификации, информативные признаки которого заданы вектором $$K^{*}=\left(k_1^{*},k_2^{*}\right)$$ , к классам d_j из базы знаний рассчитываются следующим образом:

$${\mu }_{dj}\left(K^{*}\right)=\underset{p=\mathrm{1,4}}{\max }{\omega }_{jp}\underset{i=\mathrm{1,2}}{\min }\left[{\mu }_{dj}\left(k^{*}i\right)\right],j=\overline{1\dots 4}(5)$$

В качестве решения выбирают класс с максимальной степенью принадлежности

$$y^{*}=\underset{\left\{d_1,d_2,d_3,d_4\right\}}{\arg }\max \left({\mu }_{d1}\left(K^{*}\right),{\mu }_{d2}\left(K^{*}\right),{\mu }_{d3}\left(K^{*}\right),{\mu }_{d4}\left(K^{*}\right)\right)(6)$$

В качестве критерия разделения некруглых объектов на полосовые и ветвистые авторами был выбран критерий наличия либо отсутствия ветвлений у исследуемых объектов, основанный на преобразовании успех/неудача (Digital Image Processing using MATLAB / R. C. Gonzalez, R. E. Woods, S. L. Eddins. - Pearson Education. 2004) и включающий в себя следующие шаги:

1) Построение остова некруглого объекта.

2) Удаление паразитных компонентов остова.

3) Выполнение преобразования успех/неудача для остова объекта.

4) Подсчет количества точек ветвлений объекта.

При наличии точек ветвлений некруглый объект относится к ветвистым, при их отсутствии - к полосовым доменам.

Пример. В качестве иллюстрации достижения технического результата показан пример обработки изображения, содержащего круглые, эллиптические, гантелеобразные, полосовые и ветвистые домены (на фиг.2, для наглядности, выделен небольшой участок структуры для обработки). Компьютерная обработка выполнялась в среде MatLab.

На фиг.4 показано изображение для анализа после предварительной обработки, включающей в себя фильтрацию и бинаризацию (см. Анализ и распознавание наномасштабных изображений: традиционные подходы и новые постановки задач. /В.А.Сойфер, А.В.Куприянов // Компьютерная оптика. - 2011. - Т.35, №2. - С.136-144).

На фиг.5 показаны результаты распределения доменов по классам. Для каждого объекта на бинарном изображении рассчитываются коэффициент округлости k₁ (вертикальная ось, фиг.5) и коэффициент заполнения k₂ (горизонтальная ось, фиг.5). Приведены построенные с помощью нечеткой кластеризации функции принадлежности µ объектов к определенному типу в зависимости от значений коэффициентов k₁, k₂. На осях отмечены интервалы, соответствующие одному из заранее определенных классов объектов: круглые объекты (класс d1), эллиптические (класс d2), гантелеобразные (класс d3) и некруглые (полосовые, ветвистые: класс d4). В результате объекты, принадлежащие к одному и тому же классу, локализуются в строго определенной области координат на фиг.5, что и позволяет реализовать распознавание доменов на основе предложенной базы знаний.

На фиг.6 показано распределение доменов по областям, которые соответствуют ранее упоминавшимся классам объектов d1-d4.

При дальнейшем анализе для некруглых объектов выполняется построение остовов (фиг.6). К каждому объекту применяется преобразование успех/неудача, позволяющее определить наличие точек ветвлений у доменов. Для наглядности изображение на фиг.6 инвертировано, а найденные точки ветвлений выделены.

В таблице 2 приведены результаты классификации доменов для исходного тестового изображения, показанного на фиг.4.

Таким образом, патентуемый способ обеспечивает распознавание круглых, эллиптических, гантелеобразных и некруглых объектов в лабиринтных доменных структурах и, кроме того, классификацию некруглых объектов на полосовые и ветвистые. Изобретение может быть использовано для анализа изображений различного происхождения, имеющих в своем составе тысячи объектов различной формы.

ТАБЛИЦА 1
Нечеткая база знаний для классификации объектов
k1	k2	ωjp	y
Круглый	Круглый	1
Круглый	Эллиптичный	0,85	d1
Круглый	Гантелеобразный	0,7
Круглый	Некруглый	0,32
Эллиптичный	Круглый	0,64
Эллиптичный	Эллиптичный	1	d2
Эллиптичный	Гантелеобразный	0,83
Эллиптичный	Некруглый	0,37
Гантелеобразный	Круглый	0,48
Гантелеобразный	Эллиптичный	0,75	d3
Гантелеобразный	Гантелеобразный	1
Гантелеобразный	Некруглый	0,45
Некруглый	Круглый	0,29
Некруглый	Эллиптичный	0,45	d4
Некруглый	Гантелеобразный	0,6
Некруглый	Некруглый	1

ТАБЛИЦА 2
Результаты классификации доменов
№	Тип формы	Кол-во
1	Круглый домен	119
2	Эллиптичный домен	13
3	Гантелеобразный домен	12
4	Полосовой домен	16
5	Ветвистый домен	11

1. Способ распознавания и классификации формы объектов в лабиринтных доменных структурах, включающий получение цифрового изображения структуры, его фильтрацию, бинаризацию и анализ морфологических признаков объектов,
отличающийся тем, что определяют общее количество объектов на изображении структуры,
в качестве морфологических признаков используют коэффициенты округлости и заполнения для каждого из объектов,
формируют нечеткую базу знаний для разделения объектов на круглые, эллиптические и гантелеобразные с использованием треугольной функции принадлежности, а для некруглых полосовых и ветвистых объектов - с использованием трапециевидной функции принадлежности на основе экспериментальных данных значений указанных коэффициентов округлости и заполнения, и проводят распознавание доменов,
далее формируют нечеткий классификатор для разделения объектов по форме на круглые, эллиптические, гантелеобразные, полосовые и ветвистые объекты на основе соотношения коэффициента округлости и коэффициента заполнения объекта и проводят классификацию формы объектов, причем
при классификации некруглого объекта проводят построение его остова и для него выполняют преобразование успех/неудача, далее выявляют точки ветвлений и при их наличии некруглый объект относят к ветвистым, а при отсутствии - к полосовым доменным структурам.

2. Способ по п.1, отличающийся тем, что нечеткий классификатор формируют с учетом численных значений коэффициента k₁ округлости и коэффициента k₂ заполнения, лежащих в диапазонах:
для круглых объектов - k₁=0,77-1,0; k₂=0,83-1,0;
для эллиптических объектов - k₁=0,62-0,77, k₂=0,71-0,83;
для гантелеобразных объектов - k₁=0,5-0,62, k₂=0,62-0,71;
для некруглых полосовых, ветвистых - k₁=0,01-0,9, k₂=0,1-0,62,
причем коэффициенты округлости k₁ и заполнения k₂ описывают треугольными функциями принадлежности для круглых, эллиптических, гантелеобразных объектов и трапецеидальными функциями принадлежности для некруглых объектов.