Алгоритм сегментации изображений на основе персистентной гомологии для решения задач поиска дефектов

Целью исследования является разработка алгоритма сегментации изображений на основе персистентной гомологии для решения задач поиска и классификации дефектов. Алгоритм направлен на повышение качества производимой продукции на предприятиях с непрерывным производством (металлургия, деревообрабатывающая промышленность и другие).

Методы. Для сегментации изображения предлагается установить связи между пикселями изображения. В дальнейшем, в процессе итерационного разрыва связей по мере увеличения их весов пиксели будут объединяться в группы, называемые дырами. Пиксели, объединенные в единую группу, имеют как свои первоначальные характеристики, так и общие характеристики для всей группы, а также изменяют веса своих связей с представителями других групп. Таким образом, образуется история формирования отдельных групп пикселей, которые можно обозначить в виде сегментов с временной характеристикой изменения.

Результаты. Итогом проведенного исследования является разработка алгоритма, предназначенного для поиска и классификации дефектов различных материалов. Разработан оптимальный алгоритм применения принципа персистентной гомологии к изображениям, проанализированы и выбраны факторы, определяющие переходные границы объектов изображения. Алгоритм сегментации опробован на изображениях металла, полученных с листопрокатного оборудования. Показаны результаты сравнения работы предложенного алгоритма с алгоритмами сегментации k-means и Mean-Shift при различных параметрах.

Заключение. Применение персистентной гомологии в задачах сегментации изображений может позволить создать инструмент, применимый к материалам с различной структурой без необходимости существенных изменений. Программная реализация процесса сегментации на основе применения принципов компьютерной топологии показала высокую гибкость благодаря сохранению истории изменения сегментов.

1. Илющенко А. В. Анализ методов обработки изображений пиломатериалов, имеющих пороки и дефекты // Известия Санкт-Петербургской лесотехнической академии. 2017. № 218. С. 153–163.

2. Цапаев А. П., Кретинин О. В. Методы сегментации изображений в задачах обнаружения дефектов поверхности // Компьютерная оптика. 2012. № 36(3). С. 448–452.

3. Badrinarayanan V., Kendall A., Cipolla R. A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Vol. 39. P. 2481–2495.

4. Learning Video Object Segmentation from Static Images / F. Perazzi, A. Khoreva, R. Benenson, B. Schiele, A. Sorkine-Hornung // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 2663–2672.

5. Panoptic Segmentation / A. Kirillov, K. He, R. Girshick, C. Rother, P. Dollar // The IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2019. P. 94049413.

6. A multi-scale 3D Otsu thresholding algorithm for medical image segmentation / Y. Feng, H. Zhao, X. Li, X. Zhang, H. Li // Digital Signal Processing. 2017. Vol. 60. P. 186–199.

7. Head and neck target delineation using a novel PET automatic segmentation algorithm / B. Berthon, M. Evans, C. Marshall, N. Palaniappan, N. Cole, V. Jayaprakasam, T. Rackley, E. Spezi // Radiotherapy and Oncology. 2017. Vol. 122. P. 242–247.

8. Real-Time Superpixel Segmentation by DBSCAN Clustering Algorithm / J. Shen, X. Hao, Z. Liang, Y. Liu, W. Wang, L. Shao // IEEE Transactions on Image Processing. 2016. Vol. 25. P. 5933–5942.

9. Еремеев С.В., Андрианов Д.Е., Титов В.С. Алгоритм совмещения пространственных объектов разномасштабных карт на основе топологического анализа данных // Компьютерная оптика. 2019. № 43(6). С. 1021–1029.

10. Андрианов Д. Е., Еремеев С. В., Купцов К. В. Алгоритм семантической классификации пространственных объектов и сцен с использованием топологических признаков и классификатора random forest на многомасштабных картах // Прикаспийский журнал: управление и высокие технологии. 2018. № 4. С. 8–18.

11. Eremeev S., Seltsova E. Algorithms for Topological Analysis of Spatial Data // Advances in Intelligent Systems and Computing. 2020. Vol. 902. P. 81 – 92.

12. Еремеев С.В., Сельцова Е.А. Алгоритм топологического анализа пространственных структур в геоинформационных системах // Алгоритмы, методы и системы обработки данных. 2017. № 1. С. 16–27.

13. Edelsbrunner H., Harer J. Computational topology. An introduction. AMS, Providence. 2010.

14. Kurlin V. A fast persistence-based segmentation of noisy 2d clouds with provable guarantees // Pattern Recognition Letters. 2016. Vol. 83. P. 3–12.

15. Распознавание текстур на цифровых изображениях методами вычислительной топологии / Н.Г. Макаренко, Ф.А. Уртьев, И.С. Князева, Д.Б. Малкова, И.Т. Пак, Л.М. Каримова // Современные проблемы дистанционного зондирования Земли из космоса. 2015. № 12(1). С. 131-144.

16. Eremeev S., Kuptsov K., Romanov S. An approach to establishing the correspondence of spatial objects on heterogeneous maps based on methods of computational topology // Lecture Notes in Computer Science. 2018. Vol. 10716. P. 172–182.

17. Алгоритм идентификации пространственных объектов растровой карты на основе топологического анализа данных / С.В. Еремеев, Д.Е. Андрианов, К.В. Купцов, Ю.А. Ковалев // Телекоммуникации. 2017. № 7. С. 39–44.

18. Room segmentation: Survey, implementation, and analysis / R. Bormann, F. Jordan, W. Li, J. Hampp, M Hägele // IEEE International Conference on Robotics and Automation (ICRA). 2016. P. 1018–1026.

19. El-Khatib S., Skobtsov Y., Rodzin S. Theoretical and Experimental Evaluation of Hybrid ACO-k-means Image Segmentation Algorithm for MRI Images Using Drift-analysis // Procedia Computer Science. 2019. Vol. 150. P. 324–332.

20. Kavzoglu T., Tonbul H. A comparative study of segmentation quality for multiresolution segmentation and watershed transform // 8th International Conference on Recent Advances in Space Technologies (RAST). 2017. P. 113–117.