О выборе профилей фильтров изображений в системах технической диагностики on the selection of image filter profiles in technical diagnostics systems

УДК 004.925

А. В. ТЮТЯКИН, А. А. КОНДРАШИН, О. М. БОРИСОВ

A. V. Tiutiakin, A. A. Kondrashin, o. m. borisov

О выборЕ ПРОФИЛЕЙ фильтров изображений в системах технической диагностики

ON THE Selection of image filter PROFILES in technical diagnostics systems

Предложен подход к выбору профилей (типов, характеристик и параметров) фильтров неинформативных составляющих диагностических изображений. Подход базируется на автоматизированном выборе профилей в режиме интерактивного взаимодействия с пользователем диагностической системы и обеспечивает выбор профиля фильтра, близкого к оптимальному с точки зрения пригодности обработанного изображения для его анализа пользователем.

Ключевые слова: системы технической диагностики; фильтрация изображений; профиль; параметры и характеристики фильтра.

An approach to the selection of profiles (types, characteristics and parameters) of non-informative components of diagnostic images is proposed. The approach is based on the automated profile selection in the user’s interactive mode and it allows selecting filter profile as optimal as possible from the point of view of processed image suitability for the user’s analysis.

Keywords: systems of technical diagnostics; image filtering; profile; filter parameters and characteristics.

Постановка задачи. Многие из задач технической диагностики сводятся к анализу полутоновых изображений, получаемых методами рентгенографии, ультразвуковой локации, и т. п. [1]. В большинстве практических случаев качество изображений, получаемых посредством диагностической аппаратуры, не позволяет принимать корректные решения на основе их анализа. Это требует предварительной обработки указанных изображений с целью улучшения их качества, в первую очередь – фильтрации шумов, обычно реализуемой в программной форме [2]. Основными отличительными особенностями реализации данной процедуры в системах диагностики являются:

- недопустимость потерь содержащейся в изображении диагностической информации;

- большое разнообразие диагностических изображений и, как следствие, необходимость выбора профилей фильтров, т. е. их типов, параметров и характеристик, в зависимости от характеристик конкретного изображения;

От корректности выбора указанных профилей в значительной степени зависит пригодность изображения для анализа и принятия диагностических решений и, как следствие, достоверность диагностики.

В настоящее время отсутствуют систематизированные способы и приемы выбора профилей фильтров диагностических изображений, обеспечивающие рациональное сочетание степеней подавления их паразитных составляющих и искажения информативных элементов. Целью статьи является частичное восполнение данного пробела.

Возможные подходы к выбору профилей фильтров диагностических изображений. Наиболее простым подходом к решению данной задачи является ее возложение на разработчика программного обеспечения соответствующей системы диагностики, который в руководстве по его применению должен указать рекомендуемые профили фильтров для каждого из распространенных в соответствующей предметной области типов изображений. Однако при этом практически невозможно разработать рекомендации, позволяющие выбрать адекватные профили для каждого из изображений, встречающихся на практике.

Потенциально большую гибкость выбора указанных профилей обеспечивает возложение данной задачи на пользователя системы диагностики, который, в зависимости от характера подвергаемого обработке изображения и на основании собственных опыта и интуиции, а также (опционально) рекомендаций разработчика программного обеспечения самостоятельно выбирает профили фильтров. Однако, как правило, пользователь не является специалистом в области обработки изображений. Поэтому велика вероятность того, что выбранные им профили не будут оптимальны.

Возможным вариантом также является подход, предложенный в [3] применительно к информативным сигналам систем сбора и обработки данных, являющимся функциями от времени. Данный подход основан на автоматизированном выборе профилей фильтров на основании параметров и характеристик сигналов, подвергаемых обработке, а также требований пользователя к ее результатам. Основным преимуществом такого подхода является независимость выбора профиля от квалификации и опыта как разработчиков, так и пользователей системы сбора и обработки данных и, как следствие, отсутствие субъективных ошибок выбора. Однако, полностью автоматизированный выбор профилей для фильтров диагностических изображений не рационален по следующей причине. Собственно анализ изображений в системах технической диагностики с целью принятия диагностических решений осуществляется специалистом в соответствующей предметной области. Поэтому только указанный специалист может принимать окончательное решение о пригодности или непригодности изображения для дальнейшего анализа. С другой стороны, в то время как, например, профиль средств сжатия изображения без потерь практически не влияет на его качество (а только на коэффициент и время сжатия), оно существенно зависит от профиля фильтра изображения.

Исходя из вышесказанного, с практической точки зрения рациональным является автоматизированный выбор профилей фильтров диагностических изображений в режиме интерактивного взаимодействия с пользователем, заключающийся в сочетании предварительного автоматического выбора профилей с принятием окончательного решения пользователем и, при необходимости, заданием им требований на корректировку результатов выбора. Такой подход обеспечивает выбор профиля фильтра, близкого к оптимальному с точки зрения пригодности обработанного изображения для его анализа пользователем, при одновременной минимизации субъективных ошибок выбора.

Предварительный автоматический выбор профилей фильтров, очевидно, должен осуществляться на основании их базы, содержащей параметры фильтров, служащие критериями их выбора, и составляемой на основании сравнительного анализа их возможных профилей.

Сравнительный анализ основных возможных профилей фильтров диагностических изображений. Он, очевидно, должен состоять в сопоставлении базовых параметров средств фильтрации изображений с основными применимыми в системах диагностики профилями.

К основным параметрам средств фильтрации изображений, важным с точки зрения пригодности или непригодности фильтрованного изображения для анализа и принятия диагностических решений, являются следующие [1, 2]:

- относительное искажение размера информативного элемента, определяемое по выражению:

; (1)

где и - размеры элемента по горизонтали, вертикали и диагонали (в пикселях) соответственно до и после фильтрации;

- относительное искажение формы информативного элемента, определяемое по выражению:

; (2)

- коэффициент подавления основных шумовых составляющих («белого» шума и шума типа ), определяемые по выражению:

; (3)

где и – коэффициенты подавления «белого» шума и шума типа соответственно;

– координаты пикселя;

и – размеры изображения (в пикселях) по горизонтали и по вертикали соответственно;

и – отсчеты соответствующей шумовой составляющей изображения до и после фильтрации.

С точки зрения пригодности подвергнутого фильтрации изображения для дальнейшего анализа и принятия диагностических решений, степень важности вышеперечисленных параметров не одинакова. Первым (наивысшим) уровнем приоритета обладают параметры, характеризующие искажение информативных элементов изображения – или (в зависимости от конкретной диагностической задачи), так как диагностические решения принимаются, в первую очередь, на основании анализа именно указанных элементов. Поэтому наиболее важным требованием к фильтру диагностического изображения является отсутствие искажений информативных элементов, превышающих некоторый уровень, определяемый требованиями к конкретной диагностической системе. Вторым уровнем приоритета характеризуется коэффициент подавления шума, так во многих практических случаях слабая или средняя зашумленность изображения не является препятствием для принятия корректного диагностического решения.

В свою очередь, основными применимыми в системах диагностики типами фильтров неинформативных составляющих изображений являются [2]:

- пространственные линейные фильтры нижних частот с конечной импульсной характеристикой (КИХ-ЛФНЧ) (основные элементы их профиля – тип весовой функции (ВФ) и размер маски, выражаемый в пикселях);

- пространственные медианные ФНЧ (МФНЧ) (основные элементы их профиля – форма и размер маски, также выражаемый в пикселях);

- пространственные ФНЧ Фурье (основные элементы их профиля – тип передаточной характеристики (ПХ) и частота среза, выражаемая в пикселях-1).

В таблице 1 представлены результаты экспериментального определения описываемых выражениями (1) – (3) параметров фильтров вышеперечисленных типов с распространенными на практике вариантами профилей [2]. При этом для обеспечения универсальности и сопоставимости результатов анализа, количественные параметры профилей фильтров (размер маски или частота среза) выражены в относительных величинах (см. таблицу 1). Описываемые выражениями (1) – (3) параметры фильтров определялись на основании множества тестовых изображений, представлявших собой набор не зашумленных (при определении или ) или с наложенным шумом соответствующего типа (при определении и ) базовых математических моделей информативных элементов диагностических изображений [1]. В качестве результата оценивания или при некотором профиле фильтра использовалось максимальное значение соответствующего параметра на множестве тестовых изображений, а результата оценивания или – его минимальное значение на данном множестве.

Таблица 1 – Базовые параметры средств фильтрации изображений с основными применимыми в системах диагностики профилями

Профиль фильтрации	, %	, %
Тип фильтра	Характеристики
Пространственный КИХ-ЛФНЧ	ВФ маски	, %
	ПР	3	3,00	1,11	7,07	3,37
	10	8,40	4,17	21,1	5,91
	30	24,0	11,5	61,0	11,0
	ТР	3	2,40	1,17	6,56	3,19
	10	5,80	2,77	18,3	5,33
	30	14,8	7,95	51,5	9,49
	ГС	3	1,80	0,77	6,17	3,08
	10	4,60	2,41	7,09	3,32
	30	12,6	7,24	7,09	3,32
Пространственный МФНЧ	Тип маски	, %
КВ	3	1,14	1,14	2,84	1,54
10	4,40	4,59	7,56	2,98
30	12,5	14,2	18,3	5,85
КР	3	0,60	0,20	1,88	1,25
10	0,60	0,20	3,12	2,02
30	0,80	1,39	5,18	3,41
Пространственный ФНЧ Фурье	Тип ПХ
	БТ2	33	2,40	1,14	2,16	1,52
	10	6,40	3,51	6,78	2,74
	3,3	18,4	10,9	20,5	4.89
	БТ6	33	2,40	1,14	2,51	1,58
	10	6,40	3,51	8,27	2,84
	3,3	18,4	10,4	25,0	5,13
	ГС	33	2,40	0,75	2,57	1,69
	10	6,00	3,55	8,47	3,07
	3,3	16,8	9,81	25,6	5,57
Примечания. ПР, ТР, ГС – прямоугольная, треугольная и Гауссова ВФ соответственно; КВ, КР – соответственно квадратная и крестообразная маски; БТ2, БТ6, ГС – ПХ Баттерворта 2-го и 6-го порядка и ПХ Гаусса соответственно; и – размер (в пикселях) соответственно маски фильтра и информативного элемента изображения / зашумленной области; – частота среза ФНЧ Фурье (в пикселях-1).

Для линейных фильтров (КИХ-ЛФНЧ и ФНЧ Фурье) и рассчитывались по следующему выражению:

; (4)

где , – пространственные частоты (в пикселях-1) соответственно по горизонтали и по вертикали;

– пространственная спектральная платность мощности (СПМ) соответствующей компоненты шума;

– АЧХ фильтра в пространственной области, определяемая как модуль его пространственного преобразования Фурье [2].

Для нелинейных (медианных) ФНЧ, ввиду принципиальной неприменимости к ним выражения (4), коэффициенты подавления шума оценивались как минимальное из значений или, соответственно, , определенных по выражению (3) на множестве из 150-и независимо сгенерированных выборок «белого» шума и шума типа соответственно.

На основании приведенных в таблице 1 основных параметров пространственных фильтров с распространенными профилями, выявлены представленные в таблице 2 степени предпочтительности указанных профилей по базовым критериям, важным с точки зрения обработки диагностических изображений. При этом профилям, незначительно различающимся по некоторому критерию, присвоена одинаковая степень предпочтительности по данному критерию.

Таблица 2 – Степени предпочтительности распространенных профилей пространственных ФНЧ, применимых для обработки диагностических изображений

Степень предпочтительности	Критерии предпочтительности
Параметры, характеризующие искажение информативных элементов	Коэффициенты подавления шума
1	МФНЧ-КР	КИХ-ЛФНЧ-ПР
2	МФНЧ-КВ	КИХ-ЛФНЧ-ГС	КИХ-ЛФНЧ-ТР
3	КИХ-ЛФНЧ-ГС	КИХ-ЛФНЧ-ТР	КИХ-ЛФНЧ-ГС при ~ 3%; 10%; МФНЧ-КВ при ~ 10%; 30%; ФНЧ Фурье при ~ 3,3; 10
4	КИХ-ЛФНЧ-ТР; ФНЧ Фурье	ФНЧ Фурье; КИХ-ЛФНЧ-ПР	ФНЧ Фурье при ~ 33
5	КИХ-ЛФНЧ-ПР	МФНЧ-КВ	МФНЧ-КР
Примечания. КИХ-ЛФНЧ-ПР, КИХ-ЛФНЧ-ТР, КИХ-ЛФНЧ-ГС – пространственный КИХ-ЛФНЧ с прямоугольной, треугольной и Гауссовой ВФ соответственно; МФНЧ-КВ, МФНЧ-КР – пространственный МФНЧ соответственно с квадратной и с крестообразной маской; БТ2, БТ6, ГС – пространственный ФНЧ Фурье с ПХ Баттерворта 2-го и 6-го порядка и с ПХ Гаусса соответственно.

Алгоритмы выбора профилей фильтров. Представленные в таблицах 1 и 2 данные являются основанием для выбора профилей фильтров диагностических изображений. В частности, из них нетрудно заметить, что, в общем, чем более предпочтителен некоторый профиль по критерию искажения информативных элементов, тем менее он предпочтителен с точки зрения шумоподавления, и наоборот. Таким образом, выбор профиля фильтра сводится к поиску наиболее приемлемого сочетания шумоподавления и качества представления информативных элементов при заданных исходных данных для выбора профиля (см. далее). Выбор, как указано ранее, целесообразно осуществлять в режиме интерактивного взаимодействия с пользователем.

При условии, что пользователю известны максимально допустимые значения и , и соответственно (что не всегда имеет место на практике [1]), рационально применение следующего алгоритма выбора профиля.

1. Пользователь, в зависимости от конкретной диагностической задачи, указывает исходные данные для выбора, в качестве которых выступают:

- параметр (параметры) фильтра первого уровня приоритета из множества , служащие базовыми критериями выбора профиля;

- максимально допустимые значения данных параметров;

- минимально возможные размеры информативных элементов изображения.

2. На основании вышеперечисленных исходных данных по базе профилей фильтров, являющейся электронным представлением таблицы, аналогичной таблице 1, осуществляется автоматический выбор профиля фильтра (его типа и значений или ), обеспечивающего максимальное шумоподавление при указанных пользователем и/или и минимальных размеров информативных элементов.

3. Подлежащее обработке изображение подвергается фильтрации с выбранным профилем, после чего предоставляется пользователю для визуальной оценки. Если им принимается решение, что фильтрованное изображение пригодно для анализа и принятия диагностического решения – выбранный профиль закрепляется за соответствующим изображением, и выбор профиля на этом заканчивается. В противном случае осуществляется переход к пункту 4.

4. При возможности коррекции исходных данных для выбора профиля фильтра (например, , или минимальных размеров информативных элементов) осуществляется их коррекция и переход к пункту 2. В противном случае – переход к пункту 5.

5. Делается вывод о непригодности исходного изображения для анализа и необходимости его повторного получения.

В свою очередь, при условии, что значения и не известны пользователю, рационально применение следующего алгоритма.

1. Пользователь в качестве исходных данных для выбора профиля фильтра указывает:

- параметр (параметры) из множества , служащие базовыми критериями выбора профиля;

- минимальные размеры информативных элементов изображения.

2. По базе профилей фильтров осуществляется выбор профиля, обеспечивающего минимальное значение и/или при заданных минимальных размерах информативных элементов.

3. Подлежащее обработке изображение подвергается фильтрации с выбранным профилем, после чего предоставляется пользователю для визуальной оценки. Если он им принимается решение, что фильтрованное изображение по уровню шумов пригодно для анализа и принятия диагностического решения – выбранный профиль закрепляется за соответствующим изображением, и выбор профиля на этом заканчивается. В противном случае осуществляется переход к пункту 4.

4. Если выбранный на предыдущем шаге профиль не является наиболее предпочтительным по шумоподавлению, осуществляется автоматический выбор профиля, следующего за ранее выбранным по степени предпочтительности с точки зрения подавления шумов (см. таблицу 2), и переход к пункту 3. В противном случае – переход к пункту 5.

5. Делается вывод о непригодности исходного изображения для анализа и необходимости его повторного получения.

Заключение. Предложенный подход обеспечивает выбор профиля фильтра, близкого к оптимальному с точки зрения пригодности обработанного изображения для его анализа пользователем, при одновременной минимизации субъективных ошибок выбора. Это, в свою очередь, позволяет свести к минимуму вероятность неверных решений при анализе изображений в системах технической диагностики.

Работа выполнена в рамках Государственного контракта №16.740.11.0041 "Разработка распределенных автоматически профилируемых средств обработки, архивирования и защиты диагностической информации" (заказчик – Министерство образования и науки РФ), в соответствии с Федеральной целевой программой "Научные и научно-педагогические кадры инновационной России" на 2009 – 2013 гг.

СПИСОК ЛИТЕРАТУРЫ

1. Неразрушающий контроль и диагностика: Справочник [Текст] / Под ред. . – М.: Машиностроение, 2005. – 656 с.

2. Цифровая обработка изображений [Текст]. – М.: Техносфера, 2005. – 1072 с.

3. Тютякин CAD-DAS автоматизированного выбора характеристик и параметров трактов ввода информации для систем сбора данных [Электронный ресурс] // Электронный журнал "Исследовано в России", 179, стр. 1848 – 1856, 2006 г. http://zhurnal. ape. *****/articles/2006/263.pdf.

ФГБОУ ВПО «Госуниверситет - УНПК», г. Орел

К. т.н., доцент кафедры «Электроника, вычислительная техника и информационная безопасность»

Тел.: +7(48

E-mail: *****@***ru

ФГБОУ ВПО «Госуниверситет - УНПК», г. Орел

Аспирант кафедры «Электроника, вычислительная техника и информационная безопасность»

Тел.: +7(48

E-mail: *****@***ru

ФГБОУ ВПО «Госуниверситет - УНПК», г. Орел

Аспирант кафедры «Электроника, вычислительная техника и информационная безопасность»

Тел.: +7(48

E-mail: *****@***ru