Методы получения и анализа изображений хаотично расположенных однотипных объектов тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Екимов, Дмитрий Анатольевич

  • Екимов, Дмитрий Анатольевич
  • кандидат науккандидат наук
  • 2017, Петрозаводск
  • Специальность ВАК РФ05.13.18
  • Количество страниц 102
Екимов, Дмитрий Анатольевич. Методы получения и анализа изображений хаотично расположенных однотипных объектов: дис. кандидат наук: 05.13.18 - Математическое моделирование, численные методы и комплексы программ. Петрозаводск. 2017. 102 с.

Оглавление диссертации кандидат наук Екимов, Дмитрий Анатольевич

Оглавление

Введение

Глава 1 Методы регистрации изображений макро- и микрообъектов

1.1 Особенности голографического метода регистрации

1.2 Моделирование оптического поля

1.3 Алгоритм детектирования объектов и автофокусировки

1.4 Экспериментальная проверка алгоритма автофокусировки

1.5 Описание программы для реконструкции цифровых голограмм

1.6 Примеры изображений, полученных на голографическом приборе

Глава 2 Моделирование и анализ изображений хаотично расположенных однотипных

объектов

2.1 Обзор методов получения классифицирующих признаков

2.2 Модельные допущения

2.3 Датчики случайных чисел

2.4 Алгоритм имитационного моделирования

2.5 Эталонные изображения

2.6 Нормирование признаков и выбор показателя их информативности

2.7 Классификация с использованием функции автокорреляции

2.8 Классификация с использованием фрактального анализа

2.9 Метод и алгоритм расчёта классифицирующего признака РИФ

2.10 Анализ эталонных изображений с применением признака РИФ

2.11 Влияние длины и толщины модельных волокон на значение классифицирующего признака РИФ

2.12 Рекуррентный алгоритм вычисления классифицирующего признака РИФ

2.13 Некоторые свойства алгоритма вычисления классифицирующего признака РИФ

Глава 3 Практическое применение классифицирующего признака РИФ

3.1 Классификация образцов натурной древесной массы

3.2 Классификация изображений волокон древесной массы, полученных на голографическом приборе

3.3 Классификация изображений щебня и песчано-гравийной смеси

3.4 Классификация изображений щепы

3.5 Краткое описание разработанного программного комплекса

Заключение

Список использованных источников

Приложение А Схема лазерного голографического анализатора

Приложение Б Дополнительные блок-схемы алгоритма детектирования объектов и

измерения их положения по глубине

Приложение В Исходный текст функций NormRaspr и LogNorm

Приложение Г Экспериментальная проверка генератора NormRaspr по критерию согласия

Пирсона

Приложение Д Исходный текст процедур Circle и FibresGenerator

Приложение Е Блок-диаграмма программы на LabVIEW для вычисления

автокорреляционных функций

Приложение Ж Исходный текст процедуры расчёта классифицирующих признаков РИФ

Приложение И Свидетельство о государственной регистрации программы для ЭВМ

Приложение К Акт о внедрении научных и практических результатов диссертации

Приложение Л Благодарственное письмо от ОАО "НПО ЦКТИ"

Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы получения и анализа изображений хаотично расположенных однотипных объектов»

Введение

Актуальность темы

Производство некоторых видов продукции предполагает измерение гранулометрического состава. При производстве щебня размеры зерен измеряют с применением специального набора сит, а оценку количества зерен пластинчатой и игловатой форм проводят вручную [1]. Фракционный состав при производстве щепы [2] измеряют с помощью ситового механического анализатора и весов. В целлюлозно-бумажной промышленности от размеров волокон древесной массы зависят её механические свойства, такие как степень помола, разрывная длина, сопротивление раздиранию [3].

Для управления качеством в процессах дробления, рубки, дефибрирования и измельчения необходимы методы оперативного измерения геометрических размеров элементов, например, с помощью системы машинного зрения. Распознавание объектов на изображении и определение их геометрических размеров не представляют сложности в случае, когда все они расположены отдельно друг от друга на контрастном фоне. Этого добиваются путем физического разделения объектов друг от друга, например, медленно пересыпая (просеивая) щебень перед видеокамерой и измеряя каждый элемент в отдельности.

Однако существуют приложения, когда физическое разделение элементов, составляющих изображение, осложнено или требует значительного времени. Эта проблема особенно актуальна для волокон, которые, переплетаясь друг с другом, образуют сложные по форме устойчивые сплетения. Такая проблема возникает при анализе фракционного состава древесной массы и целлюлозы в процессе их производства на предприятиях целлюлозно-бумажной промышленности.

При расположении объектов группами или слоями часть из них перекрывают друг друга в плоскости изображения, что не позволяет однозначно определить их границы, а, следовательно, выполнить подсчёт количества и измерения размеров. Аналогичная проблема возникает при анализе фракционного состава порошков, гравия [4], щебня [5], щепы (рисунок 1), целлюлозы и древесной массы, отходов строительства и сноса при их утилизации [6].

Рисунок 1 - Примеры изображений а - древесная щепа; б - колония бактерий; в - гравий; г - волокна древесной массы; д - целлюлозные волокна Изображения перечисленных выше объектов являются однотипными, а их расположение хаотично. Под однотипностью объектов будем понимать схожесть их геометрических размеров и формы. Однотипность объектов не означает их полную идентичность, а определяет только близость основных свойств [7].

Развитие методов анализа изображений, на которых представлены частично перекрывающие друг друга однотипные объекты, имеющие различный фракционный состав, позволит оперативно контролировать процессы размола, дробления, рубки, дефибрирования, измельчения, а также решить задачу оперативного мониторинга фракционного состава.

Степень разработанности. Результат классификации зависит как от качества исходных данных, так и от выбранных классифицирующих признаков. В системах машинного зрения исходными данными являются изображения, информативность которых зависит от способа регистрации. Например, при измерении зерен гравия Д. Рубин, Д. Баскомбе, И. Босник и другие предлагают использовать как двумерные [817], так и трёхмерные изображения, полученные с помощью лазерных сканеров и

цветных сканеров (flatbed), а Ф. Ланаро, П. Толппанен и О. Стефанссон предложили применить измерения в нескольких проекциях [18-20].

При автоматизированном измерении микрообъектов, таких как волокна, малая глубина резкости делает различные части объектов на изображении несфокусированными (размытыми), что существенно снижает информативность полученных изображений.

Для определения фракционного состава зерен гравия на изображениях осадочных пород Д. Рубин [8] в 2004 году впервые предложил выразить значения функции автокорреляции исследуемой пробы через линейную комбинацию значений автокорреляционных функций, полученных в результате анализа гравия известных фракций. Исследования Д. Рубина, Д. Баскомбе и И. Босника с соавторами [9-13] показали высокую достоверность оценок, получаемых данным методом, при соблюдении следующих условий: калибровка должна выполняться на песчано-гравийной смеси из той же местности, что и анализируемая; условия съёмки должны быть одинаковы; количество объектов каждого класса на изображении не менее 1000 и они должны быть равномерно распределены в плоскости изображения. Влияние формы объектов на точность метода никем не исследовалось. Данный метод ранее не применялся для измерения фракционного состава щепы или волокон древесной массы.

Несмотря на большой объем исследований в области получения и анализа изображений хаотично расположенных однотипных объектов не существует универсальных быстрых методов пригодных для автоматизации процесса определения фракционного состава исследуемых объектов.

Цель диссертационной работы заключается в разработке методов получения и классификации изображений совокупности хаотично расположенных однотипных объектов. Изображения должны быть отнесены к одному из классов в зависимости от фракционного состава объектов.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести анализ существующих методов получения изображений в цифровой форме объекта исследования (древесной массы, щебня, щепы).

2. Выбрать показатель информативности признаков для классификации изображений хаотично расположенных однотипных объектов различного фракционного состава.

3. Разработать имитационную модель для генерации изображений хаотично расположенных однотипных объектов на примере изображений волокон древесной массы. Создать комплекс программ, реализующий предложенную имитационную модель.

4. Проверить на модельных изображениях известные методы вычисления классифицирующих признаков и сравнить показатели их информативности.

5. Разработать свой метод вычисления классифицирующих признаков, обладающий достаточным уровнем показателя информативности. Написать его программную реализацию.

6. Используя разработанный комплекс программ, проверить работу выбранного метода классификации фракционного состава на изображениях древесной массы, щебня, песчано-гравийной смеси, щепы.

Научной новизной в работе обладают:

- метод автоматического определения координат объектов, использованный при реконструкции объема по цифровой голограмме;

- имитационная модель, позволяющая моделировать структуру древесной массы;

- предложенный классифицирующий признак РИФ (разность функций распределения интенсивностей проекций фрагментов), характеризующий фракционный состав объектов, представленных на изображении;

- обнаруженная стохастическая связь между механическими свойствами древесной массы и значениями признака РИФ;

- предложенный алгоритм вычисления классифицирующего признака РИФ и способ ускорения его работы, основанный на рекуррентных соотношениях между элементами матрицы.

Теоретическая значимость работы. Предложен комплексный подход к решению задачи получения (регистрации) и классификации хаотично расположенных однотипных объектов различного фракционного состава.

Практическая значимость работы. Метод автоматического определения координат объектов использован при создании лазерного голографического анализатора - прибора для реконструкции объема по цифровой голограмме. Разработанные имитационная модель и программа, позволяющие генерировать изображения случайной

совокупности волокон древесной массы, характеризуемых длиной, толщиной и гибкостью, с известным фракционным составом, могут использоваться для дальнейшего развития методов классификации и моделей влияния фракционного состава древесной массы на её механические свойства. Кроме того, разработанный и реализованный в виде программы метод вычисления классифицирующего признака РИФ может быть использован для дальнейшей разработки прибора, измеряющего фракционный состав различных продуктов на предприятиях ЦБП, лесопереработки, камнедробильных заводах.

Методы исследований. В диссертационной работе применяются методы математического и имитационного моделирования, прикладной статистики, цифровой обработки изображений, автокорреляционного, мультифрактального, кластерного и компонентного анализа.

Положения, выносимые на защиту:

1. Имитационная модель, позволяющая генерировать изображения совокупности хаотично расположенных однотипных объектов (п.8).

2. Численный метод и его реализация в комплексе программ для реконструкции цифровых голограмм и автоматического определения координат объектов в измерительном объеме (п.4).

3. Численный метод расчета значения признака РИФ, предназначенного для классификации изображений совокупности хаотично расположенных однотипных объектов по фракционному составу (п.3).

4. Настроечные характеристики численного метода расчета значения признака РИФ, полученные на изображениях древесной массы, щебня, песчано-гравийной смеси, щепы (п.6).

5. Комплекс программ, реализующий имитационную модель и численный метод расчета значения классифицирующего признака РИФ (п.8).

Степень достоверности и апробация результатов

Достоверность результатов проведённых исследований обусловлена их апробацией. Работоспособность и эффективность разработанных в диссертации моделей и реализующих их алгоритмов подтверждается успешным внедрением результатов исследования при выполнении договорных работ, о чём имеется акт внедрения (приложение К) и благодарственное письмо (приложение Л).

Основные результаты диссертационного исследования были представлены и обсуждены на следующих семинарах и конференциях:

1. Advanced laser technologies conference, Анталия, Турция, 29 сентября - 1 октября, 2009 г.;

2. The XII International Conference on Laser Applications in Life Sciences, Оулу, Финляндия, 9-11 июня, 2010 г.;

3. IEEE International Instrumentation and Measurement Technology Conference (I2MTC), Ханчжоу, Китай, 10-12 мая, 2011 г.;

4. The 8th Pacific Symposium on Flow Visualization and Image Processing, Москва, Россия, 21-25 августа, 2011 г.;

5. IEEE International Instrumentation and Measurement Technology Conference (I2MTC), Миннеаполис, США, 6-9 мая, 2013 г.;

6. Международная конференция «Современные методы прикладной математики, теории управления и компьютерных технологий» (ПМТУКТ-2016), Воронеж, Россия, 20-26 сентября, 2016 г.;

7. X Всероссийская научно-практическая конференция «Научно-образовательная среда XXI века», Петрозаводск, Россия, 20-23 сентября, 2016 г.;

а также на семинарах Института лесных, инженерных и строительных наук ПетрГУ, Института прикладных математических исследований КарНЦ РАН, кафедры Информационно-измерительных систем и физической электроники ПетрГУ.

По материалам диссертации опубликовано 13 работ, из которых две - в журналах из Перечня российских рецензируемых научных журналов [21, 22], пять статей - в изданиях, индексируемых в библиографических базах данных Scopus, Web of Science [23-27] и шесть статей - в нерецензируемых изданиях и материалов конференций [2833].

Структура и объем работы. Диссертационная работа состоит из введения, трех глав, заключения, списка литературы и 10 приложений. Общий объем диссертации составляет 102 страницы с 38 рисунками и 29 таблицами. Список литературы включает 88 наименований.

Во введении отражена актуальность темы исследования, определены цель и задачи исследования, обоснованы научная новизна, теоретическая и практическая значимость работы, сформулированы положения, выносимые на защиту.

В первой главе диссертации выполнен обзор методов измерения гранулометрического и фракционного состава макрообъектов с применением систем машинного зрения, результаты которых сопоставляются с данными механического ситового анализа. Рассматриваются особенности регистрации микрообъектов при измерении их геометрических размеров, достоинства и недостатки, способы подготовки проб. Описывается метод цифровой голографической микроскопии и особенности его использования, анализируются факторы, влияющие на разрешающую способность и глубину регистрируемой сцены.

Глава содержит обзор методов моделирования оптического поля на произвольном расстоянии от голограммы, их достоинства и недостатки, а также разработанный автором алгоритм детектирования объектов на голограмме и измерения их положения по глубине. Приводятся результаты экспериментальной проверки и примеры изображений, полученных с помощью разработанного голографического прибора и использованного метода реконструкции.

Во второй главе диссертации содержится обзор методов получения классифицирующих признаков, характеризующих размеры присутствующих на изображении объектов. Рассматриваются достоинства и недостатки геометрического подхода, а также признаки, получаемые с применением статистического, структурного, спектрального, фрактального и других методов. Приведена имитационная модель, позволяющая моделировать изображения совокупности хаотично расположенных однотипных объектов заданного фракционного состава. Однотипные объекты исследуются на примере геометрических объектов в виде модельных волокон. Обосновываются параметры и модельные допущения, приведён алгоритм имитационного моделирования, описана методика генерирования эталонных изображений.

Выбран показатель информативности признаков для классификации изображений хаотично расположенных однотипных объектов. На его основе анализируются классифицирующие признаки, полученные с использованием функции автокорреляции и спектра обобщенных фрактальных размерностей Реньи.

Предложен новый метод вычисления классифицирующего признака РИФ, который применён для обработки модельных (эталонных) изображений. Анализируется влияние длины и толщины модельных волокон на значение признака РИФ. Приводится

рекуррентный алгоритм вычисления данного признака, выполнен анализ его вычислительной сложности и требований к объему оперативной памяти.

В третьей главе признак РИФ применяется для классификации натурных образцов древесной массы, различающихся фракционным составом и имеющих известные механические свойства. Излагается методика подготовки образцов. Показано, что минимальное межклассовое различие в пространстве информативных признаков превышает максимальное различие между объектами одного класса древесной массы. Анализируется наличие стохастической связи механических свойств образцов древесной массы и полученных информативных признаков.

Аналогичная методика используется для анализа изображений древесной массы, полученных с применением цифрового голографического микроскопа, изображений щебня и щепы.

12

Глава 1

Методы регистрации изображений макро- и микрообъектов

Способ регистрации изображений макро- и микрообъектов зависит от задачи. Традиционно задача измерения грануломерического состава гравия или щебня решается с применением механического ситового анализа. Известно, что при механическом ситовом анализе размеры зерен щебня или гравия характеризуются одним линейным размером, соответствующим минимальному размеру ячейки, через которое проходит зерно [9], а его результаты зависят от формы частиц [15-17]. Ситовой анализ требует значительного времени, поэтому ряд исследователей используют системы машинного зрения для оценки гранулометрического состава по изображению.

Несмотря на то, что зерна щебня или гравия являются трехмерными объектами, большинство методик рассматривают их как двумерные объекты. Для получения трехмерных изображений некоторые исследователи используют лазерные сканеры, (flatbed) цветные сканеры и измерения в нескольких проекциях [18-20]. Во всех этих методах зерна анализируются по одному, что существенно усложняет процедуру измерений.

Особенностью систем машинного зрения является то, что результаты измерений показывают процент зерен определенных размеров, а не их массу как при ситовом анализе. Сопоставление рядом авторов [34, 35] результатов измерений, полученных системой машинного зрения, с данными механического ситового анализа показало:

• форма зерен влияет несущественно на результаты вычисления веса, но сильно влияет на распределение зёрен по размерам;

• размер зерен влияет несущественно на распределение зёрен по размерам;

• при измерении распределения зерен по размерам анализ двумерных изображений дает более точные оценки по сравнению с анализом объема или массы. Перечисленные выводы говорят о возможности измерения распределения зерен

по размерам на основе двумерных изображений, а добавление возможности анализа зерен при их расположении группами или слоями позволит существенно упростить процедуру измерения.

На предприятиях целлюлозно-бумажной промышленности при производстве целлюлозы и древесной массы контролируют их физико-механические свойства.

Традиционно измерение физико-механических свойств выполняется в лаборатории и требует не менее 2 часов на подготовку и кондиционирование отливок [36, 37]. Столь длительное время измерения не позволяет оперативно управлять процессом размола, что сказывается на энергопотреблении при производстве древесной массы и качестве конечного продукта. Результаты литературного исследования [3, 38-41] показали, что существует стохастическая связь между фракционным составом и механическими свойствами древесной массы и целлюлозы. Причём влияние оказывают как длина, так и толщина волокон.

Содержание длинного, среднего и мелкого волокна измеряют согласно ГОСТ 13425-93 [42] с помощью аппарата для определения фракционного состава. Аппарат имеет три сетки, на которых задерживаются волокна соответствующих фракций. Данный метод измерения требует от 30 до 45 минут, которые необходимы для высушивания и последующего взвешивания образцов. Следует заметить, что данный метод не позволяет измерять отдельно длины и толщины волокон, а даёт интегральную оценку средних размеров. Применение системы машинного зрения потенциально позволяет измерить геометрические размеры и фракционный состав волокон во влажном состоянии (без предварительного высушивания образцов).

Диаметр самых малых структурных элементов древесной массы (фибриллплазмы), составляет около 0.75 мкм, а средняя длина длинных волокон -2650 мкм [38]. Следовательно, разрешающая способность оптической системы г должна быть около 0.75 мкм. Известно [43], что разрешающая способность оптической системы г и глубина резкости обратно пропорциональны числовой апертуре объектива ИЛ:

1.221

Г = х-221, (1)

2 ИЛ

где 1 - длина волны источника, ИЛ = п ■ зт а, п - показатель преломления среды, а - максимальный угол, под которым рассеянный на объекте свет попадает в объектив.

Для обычного микроскопа глубина резкости с обеих сторон ограниченна и может быть вычислена по формуле [43]

' а

12у

Например, при числовой апертуре объектива ИЛ=0.5, 1=550 нм и п=1 (для воздуха) разрешающая способность оптической системы будет г=0.67 мкм, а глубина

к =±—• (2)

4п ■ зт

резкости 2.0 мкм [43]. Столь малая глубина резкости делает невозможным автоматическое измерение размеров микрообъектов сложной формы (таких как волокна) в потоке, так как несфокусированные объекты на изображении имеют размеры больше, чем в действительности (размыты).

На рисунке 2 представлено изображение, полученное путем прокачки образца древесной массы через проточную кювету под микроскопом. Использование проточной кюветы позволяет автоматизировать измерения.

Рисунок 2 - Изображение волокон древесной массы под микроскопом,

образец в жидкой среде

Можно заметить, что из-за малой глубины резкости часть волокон сфокусирована, а часть размыта.

Для сравнения на рисунке 3 представлено изображение специально подготовленного образца, полученного путём нанесения древесной массы на поверхность предметного стекла и последующей сушки. Видно, что волокна находятся в фокусе и имеют резкие очертания. Сложность подготовки образцов затрудняет использование такого способа регистрации в системах автоматического контроля древесной массы.

Рисунок 3 - Изображение волокон древесной массы под микроскопом, образец высушен на предметном стекле

Для достижения большой глубины регистрируемой сцены будем использовать цифровые голографические методы.

1.1 Особенности голографического метода регистрации

Цифровая голография - это численный анализ и синтез волновых полей при помощи компьютера. Одно из главных преимуществ цифровой голографии заключается в возможности численного расчета амплитуды и фазы (или комплексной амплитуды) объектной волны в произвольном сечении объема измерения без необходимости какого-либо сканирования. За счет этого достигается большая глубина резкости, на порядок превышающая соответствующие значения характерные для обычного микроскопа при той же разрешающей способности, отпадает необходимость в использовании методов увеличения контраста (окрашивания и т.д.) и оказывается возможным автоматизировать процесс получения изображений микрочастиц и волокон древесной массы путем их регистрации в проточной кювете.

Различают осевую и внеосевую схемы регистрации голограмм. Достоинства и недостатки каждой из схем приведены в таблице 1.

Таблица 1 - Достоинства и недостатки схем регистрации цифровых голограмм

Осевая схема регистрации Внеосевая схема регистрации

Достоинства простота схемы и минимальное количество оптических компонент, простота настройки, высокая разрешающая способность; высокая стабильность, необходимая для промышленных приложений; высокая точность реконструкции фазы объектной волны, так как нулевой, первый и минус первый порядки дифракции разнесены в пространстве (нет проблемы изображения-двойника)

Недостатки низкая точность реконструкции фазы объектной волны, обусловленная наложением нулевого, первого и минус первого порядков дифракции (проблема изображения-двойника); размер рабочего поля ограничен разрешением сенсора изображения и расстоянием до объекта; более высокие требования к точности настройки оптической системы.

Рассмотрим подробнее особенности, возникающие при регистрации и реконструкции цифровых голограмм. 1. Суперпозиция различных порядков дифракции.

Суперпозиция действительного и мнимого изображения (изображения двойника) в процессе реконструкции голограммы - одна из основных причин использования внеосевой схемы регистрации. Наличие небольшого угла между опорным и предметным пучком позволяет разнести в плоскости изображения различные порядки дифракции (нулевой, первый и минус первый). Однако поскольку максимально допустимый угол между ними ограничивается разрешающей способностью сенсора изображения и размером кадра, то это приводит к тому, что разрешающая способность при использовании внеосевой схемы ниже, чем у осевой. Разработано множество подходов, позволяющих подавить нулевой порядок дифракции [44-47]. В то же время существуют методы подавления мнимого изображения при использовании осевой схемы регистрации голограмм [48-51]. Все эти методы имеют некоторые ограничения:

например, для осуществления метода сдвига фаз [49] необходимо не менее двух пучков (опорный и предметный). Реализация данного метода для регистрации движущихся объектов существенно усложняет схему установки и её настройку, так как четыре голограммы с различным сдвигом фазы должны регистрироваться одновременно.

Поскольку в нашем случае не требуется знать распределение фазы в плоскости микрообъектов, а их изображения получаются в результате реконструкции амплитуды объектной волны, то высокая точность реконструкции фазы не требуется. Следовательно, можно применить осевую схему регистрации голограмм.

2. Низкая разрешающая способность вдоль оптической оси.

Разрешающая способность вдоль оптической оси на порядок хуже, чем в перпендикулярной плоскости. Амплитуда светового поля изменяется гораздо медленнее, чем его фаза. Существуют исследования [52], которые показывают, что для непрозрачных частиц анализ фазы вблизи локального максимума амплитуды даёт четырёхкратное увеличение разрешающей способности по сравнению с результатами анализа амплитуды.

Сопоставление дифракционной картины рассеяния света на частице с предсказанной теорией рассеяния Ми [53] позволяет измерить координаты частиц с точностью до 10 нм вдоль оптической оси и 1 нм в перпендикулярной плоскости [54]. Однако данный подход может быть использован лишь для частиц, форма которых близка к сферической, а концентрация настолько низкая, что их дифракционные картины не накладываются друг на друга.

3. Низкая концентрация частиц в измерительном объеме.

При использовании осевой схемы регистрации голограмм часть света, рассеянная на объектах (частицах), интерферирует с невозмущенной частью пучка, что ограничивает максимальную концентрацию и размеры объектов [55]. Увеличение концентрации приводит к снижению БМЯ (отношение уровня сигнала к уровню шума) и глубины регистрируемой сцены, поэтому для измерения крупных объектов и высоких концентраций используют дополнительный пучок, параллельный оптической оси, а невозмущенную часть предметного пучка блокируют. Такое решение усложняет настройку оптической системы, повышает требования к когерентности источника излучения и стоимость системы.

4. Спекл.

Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Список литературы диссертационного исследования кандидат наук Екимов, Дмитрий Анатольевич, 2017 год

Список использованных источников

1. ГОСТ 8269.0-97. Щебень и гравий из плотных горных пород и отходов промышленного производства для строительных работ. Методы физико-механических испытаний. - Взамен ГОСТ 3344-83, ГОСТ 7392-85, ГОСТ 8269-87 ; введ. 1998-07-01. - Москва : Госстрой России, cop. 1998. - 98 с. -(Межгосударственный стандарт).

2. ГОСТ 15815-83. Щепа технологическая. Технические условия. - Взамен ГОСТ 15815-70 ; введ. 1985-01-01. - Москва : Госстандарт России, cop. 1992. - 13 с. -(Государственный стандарт Союза ССР). - Переизд. с измен.

3. Комаров, В. И. Деформация и разрушение волокнистых целлюлозно-бумажных материалов / В. И. Комаров. - Киров, 2002.

4. Buscombe, D. A universal approximation of grain size from images of noncohesive sediment / D. Buscombe, D. M. Rubin, J. A. Warrick // Journal of geophysical research. -2010. - Vol. 115, F0201.

5. Рябчиков, М. Ю. Способ оценки геометрических параметров зерен щебня и использование результатов оценки для управления процессом дробления в дробилках центробежно-ударного типа действия / М. Ю. Рябчиков, Р. Э. Бурнашев, Н. В. Богданов // Приволжский научный вестник. - 2015. - № 6-1 (46). - С. 44-47.

6. Di Maria, F. Quality assessment for recycling aggregates from construction and demolition waste: An image-based approach for particle size estimation / F. Di Maria, F. Bianconi, C. Micale, S. Baglioni, M. Marionni // Waste Management. - 2016. - № 48. - P. 344-352.

7. Буторин, В. К. Введение в системный анализ : курс лекций / В. К. Буторин. - Изд. 2-е, перераб. и доп. - Новокузнецк : НФИ КемГУ. - 2005. - 72 с.

8. Rubin, D. M. A simple autocorrelation algorithm for determining grain size from digital images of sediment / D. M. Rubin // Journal of Sedimentary Research. - 2004. - Vol. 74, № 1. - P. 160-165.

9. Barnard, P. L. Field test comparison of an autocorrelation technique for determining grain size using a digital 'beachball' camera versus traditional methods / P. L. Barnard, D. M. Rubin, J. Harney, N. Mustain // Sedimentary Geology. - 2007. - № 201. - P. 180-195.

10. Buscombe, D. Estimation of grain size distributions and associated parameters from digital images of sediment / D. Buscombe // Sedimentary Geology. - 2008. - № 210. - P. 1-10.

11. Buscombe, D. Transferable wavelet method for grain-size distribution from images of sediment surfaces and thin sections, and other natural granular patterns / D. Buscombe // Sedimentology. - 2013. - Vol. 60, № 7. - P. 1709-1732.

12. Bosnic, I. New insights into image analysis applied to beach grain-size variability / I. Bosnic, H. Sousa, J. P. Cascalho, R. Taborda, M. Ribeiro, C. Lira // Actas das 2. as Jornadas de Engenharia Hidrografica extended abstract book. - 2012. - P. 275-278.

13. Bosnic, I. Textural Characterization of the Beach Active Layer / I. Bosnic, J. Cascalho, R. Taborda, M. Ribeiro, A. Oliveira, A. Rodrigues, C. Lira // Journal of Coastal Research. - 2011. SI 64, - P. 40-44.

14. Ghalib, A. M. Soil particle size distribution by mosaic imaging and watershed analysis / A. M. Ghalib, R. D. Hryciw // Journal of Computing in Civil Engineering. -1999. - Vol. 2, № 13. - P. 80-87.

15. Mora, C. F. Particle Size Distribution Analysis Of Coarse Aggregate Using Digital Image Processing / C.F. Mora, A. K. H. Kwan, H. C. Chan // Cement and Concrete Research. -1998. - Vol. 28, № 6. - P. 921-932.

16. Kwan, A. K. H. Particle shape analysis of coarse aggregate using digital image processing / A. K. H. Kwan, C. F. Mora, H. C. Chan // Cement and Concrete Research. - 1999. -№ 29. - P. 1403-1410.

17. Mora, C. F. Sphericity, Shape Factor, and Convexity Measurement of Coarse Aggregate for Concrete Using Digital Image Processing / C. F. Mora, A. K. H. Kwan // Cement and Concrete Research. - 2000. - Vol. 30, № 3. - P. 351-358.

18. Lanaro, F. 3D characterization of coarse aggregates / F. Lanaro, P. Tolppanen // Engineering Geology. - 2002. - № 65. - P. 17-30.

19. Tolppanen, P. 3-D degradation analysis of railroad ballast / P. Tolppanen, O. Stephansson, L. Stenlid // Bulletin of Engineering Geology and the Environment. - 2002. - № 61. -P. 35-42.

20. Lee, J. R. A new approach to the three- dimensional quantification of angularity using image analysis of the size and form of coarse aggregates / J. R. Lee, M. L. Smith, L. N. Smith // Engineering Geology. - 2007. - № 91. - P. 254-264.

21. Екимов, Д. А. Информативные признаки изображений хаотично расположенных однотипных упорядоченных структур различного фракционного состава / Д. А. Екимов // Фундаментальные исследования. - 2016. -№ 9(2). - С. 258-262.

22. Екимов, Д. А. Параметризация изображений волокон древесной массы с целью экспресс анализа её фракционного состава / Д. А. Екимов // Системы управления и информационные технологии. - 2009. - Т. 1.1(35). - С. 150-154.

23. Ekimov, D. A. A Holographic In-Line Imaging System for Meteorological Applications [Текст] / V. A. Kaikkonen, D. A. Ekimov, A. J. Makynen // 2013 IEEE International Instrumentation and Measurement Technology Conference (I2MTC) Proceedings. - 2013. - P. 1630-1635.

24. Ekimov, D. A. Web service for digital holographic video processing [Текст] / D. A. Ekimov, A. J. Makynen // Proc. SPIE 8776, Holography: Advances and Modern Trends III, 87760F (May 3, 2013). - 2013.

25. Ekimov, D. In-line Digital Holography for High Speed 4D Tracking of Particles / D. Ekimov, A. Makynen // 2011 IEEE International Instrumentation and Measurement Technology Conference (I2MTC) Proceedings. - 2011. - Р. 1434-1437.

26. Ekimov, D. Using digital holographic microscopy for 4D tracking of colloid particles / D. Ekimov, V. Kaikkonen, A. Makynen // The XII International Conference on Laser Applications in Life Sciences, LALS, June 9-11, 2010, Oulu, Finland, in Proc. SPIE 7376, 737615 (2010).

27. Kaikkonen, V. A. A Holographic In-Line Imaging System for Meteorological Applications [Текст] / V. A. Kaikkonen, D. Ekimov, A. J. Makynen // 2014 IEEE Transactions on Instrumentation and Measurement. - 2014. - Vol. 63, Issue 5. - P. 1137-1144.

28. Екимов, Д. А. Анализ изображений щебня и песчано-гравийных смесей для классификации их фракционного состава / Д. А. Екимов, А. А. Рогов // Научно-образовательная среда XXI века : материалы X Всероссийской науч.-практ. конф., 20-23 сентября 2016 года. - Петрозаводск, - 2016. - С. 63-66.

29. Екимов, Д. А. Метод анализа изображений хаотично расположенных однотипных упорядоченных структур различного фракционного состава / Д. А. Екимов, А. А. Рогов // Сборник трудов IX международной научной конференции «Современные методы прикладной математики, теории управления и компьютерных технологий» (ПМТУКТ-2016), 20-26 сентября 2016. - Воронеж : Изд-во «Научная книга». - С. 133-135.

30. Ekimov, D. A. Flow Dynamics Measurements Using Digital Holographic PIV / D. A. Ekimov, A. Makynen // The 8th Pacific Symposium on Flow Visualization and Image

Processing, PSFVIP-8, Moscow, Russia, August 21st-25th. - 2011. - ISBN 978-5-82790092-4.

31. Ekimov, D. Application of digital in-line holographic microscopy for 4D tracking of the colloid particles / D. Ekimov // Advanced laser technologies conference ALT09, Antalya, Turkey, 26.9-1.10.2009. - 2009.

32. Екимов, Д. А. Разработка методов параметризации изображений для системы классификации древесной массы / Д. А. Екимов // Информационные технологии моделирования и управления. - 2008. - Т. 9(52). - С. 1044-1051.

33. Разработка системы для оперативного анализа качественных показателей древесной массы [Текст] : отчет о НИР (заключительный) : ВНТИЦ. - Петрозаводск, 2007. - 37 с. - Исполн.: Екимов Д.А. - Библиогр.: с. 26-27. - № ГР 0120.0807966. - Инв. № 0220.0804699.

34. Arasan, S. Effect of particle size and shape on the grain-size distribution using Image analysis / S. Arasan, S. Akbulut, A. S. Hasiloglu // International journal of civil and structural engineering. - 2011. - Vol. 1, № 4. - P. 968 - 985.

35. Janaka, G. H. A. Image Analysis Techniques on Evaluation of Particle Size Distribution of Gravel / G. H. A. Janaka, J. Kumara, К. Hayano, К. Ogiwara // Int. J. of GEOMATE. -2012. - Vol. 3, № 1 (Sl. No. 5). - P. 290 - 297.

36. ГОСТ 16296-79. Масса древесная. Метод подготовки проб к физико-механическим испытаниям. - Взамен ГОСТ 16296-70 ; введ. 1981-01-01. - М. : Изд-во стандартов, 1999. - 6 с.

37. ГОСТ 14363.4-89. Целлюлоза. Метод подготовки проб к физико-механическим испытаниям. - Взамен ГОСТ 14363.4-79 ; введ. 1993-01-01. - М. : Изд-во стандартов, 1993. - 14 с.

38. Ласкеев, П. Х. Производство древесной массы / П. Х. Ласкеев. - М., 1967.

39. Барбье, М. К. Производство механической и химико-механической массы / М. К. Барбье, С. Дессюро // Бумажная промышленность. - 1991. - № 11.

40. Непенин, В. Н. Метод оценки механических свойств волокнистых полуфабрикатов по их структурно-физическим параметрам // Лесной журнал. - 1987. - № 3.

41. Пузырев, С. С. Еще раз о классификации различных видов механической (древесной) массы // Бумажная промышленность. - 1989. - № 11.

42. ГОСТ 13425-93. Масса древесная. Метод определения фракционного состава. -Взамен ГОСТ 13425-68 ; введ. 1995-01-01. - М. : Изд-во стандартов, 1995. - 9 с.

43. Кларк, Эшли Р. Микроскопические методы исследования материалов / Эшли Р. Кларк, Колин Н. Эберхарт. - М. : Техносфера, 2007. - 376 с.

44. Pavillon, N. Suppression of the zero-order term in off-axis digital holography through nonlinear filtering / N. Pavillon, C. Seelamantula, J. Kühn, M. Unser, C. Depeursinge // Appl. Opt. - 2009. - Vol. 48, Issue 34. - P. 186-195.

45. Kreis, T. Suppression of the dc term in digital holography / T. Kreis, W. P. O. Jüptner // Opt. Eng. - 1997. - Vol. 36, Issue 8. - P. 2357-2360.

46. Chen, G. L. Numerical suppression of zero-order image in digital holography / G. L. Chen, C. Y. Lin, M. K. Kuo, C. C. Chang // Opt. Express. - 2007. - Vol. 15, Issue 14. - P. 88518856.

47. Pavillon, N. Artifact-free reconstruction from off-axis digital holograms through nonlinear filtering / N. Pavillon, C. S. Seelamantula, M. Unser, C. Depeursinge // Proc. SPIE. -2010. - Vol. 7723.

48. Yamaguchi, I. Phase-shifting digital holography / I. Yamaguchi, T. Zhang // Opt. Lett. -1997. - Vol. 22, Issue 16.

49. Awatsuji, Y. Scheme to improve the reconstructed image in parallel quasi- phase-shifting digital holography / Y. Awatsuji, M. Sasada, A. Fujii, T. Kubota // Appl. Opt. - 2006. -Vol. 45, Issue 5. - P. 968-974.

50. Denis, L. Twin-image noise reduction by phase retrieval in in-line digital holography / L. Denis, C. Fournier, T. Fournel, C. Ducottet // Proc. SPIE 5914. - 2007. Vol. 59140J-1.

51. McElhinney, C. Removing the twin image in digital holography by segmented filtering of in-focus twin image / C. McElhinney, B. M. Hennelly, L. Ahrenberg, T. J. Naughton // Proc. SPIE. - 2008. - Vol. 7072. - P. 707208-707208-6.

52. Pan, G. Digital holography of particle fields: reconstruction by the use of complex amplitude / G. Pan, H. Meng // Appl. Opt. - 2003. - Vol. 42. - P. 827-833.

53. Mie, G. Beiträge zur Optik trüber Medien, speziell kolloidaler Metallösungen / G. Mie // Leipzig, Ann. Phys. - 1908. Vol. 330. - P. 377—445.

54. Cheong, F. C. Flow visualization and flow cytometry with holographic video microscopy / F. C. Cheong, B. Sun, R. Dreyfus, J. Amato-Grill, K. Xiao, L. Dixon, D. G. Grier // Optics Express. - 2009. - Vol. 17, Issue 15. - P. 13071-13079.

55. Kim, S. Effect of particle number density in in-line digital holographic particle velocimetry / S. Kim, S. J. Lee// Exp. Fluids. - 2008. - Vol. 44. - P. 623-631.

56. Ландсберг, Г. С. Оптика : учеб. пособие для вузов / Г. С. Ландсберг. - 6-е изд., стереот. - М. : ФИЗМАТЛИТ, 2003. - 848 с.

57. Виноградова, М. Б. Теория волн / М. Б. Виноградова, О. В. Руденко, А. П. Сухоруков. - М. : Наука : Главная редакция физико-математической литературы, 1979. - 384 с.

58. Устинов, А. В. Быстрый способ вычисления интеграла Релея-Зоммерфельда первого типа // Компьютерная оптика. - 2009. - Т. 33. - № 4. - С. 412-419.

59. Kim, S. Principles and techniques of digital holographic microscopy / S. Kim, K. Myung // SPIE Reviews. - 2010. - Vol. 1, 018005.

60. Katz, J. Applications of holography in fluid mechanics and particle dynamics / J. Katz, J. Sheng // Annu Rev. Fluid Mech. - 2010. - Vol. 42. - P. 531-555.

61. Ekimov, D. Using digital holographic microscopy for 4D tracking of colloid particles / D. Ekimov, V. Kaikkonen and A. Makynen // The XII International Conference on Laser Applications in Life Sciences, LALS, June 9-11, 2010, Oulu, Finland, in Proc. SPIE 7376, 737615 (2010); doi:10.1117/12.871449.

62. Екимов, Д. А. Программа для реконструкции цифровых голограмм и автоматического определения координат объектов в измерительном объеме [Текст] / Д. А. Екимов, Н. А. Кулдин. - Свидетельство о государственной регистрации программы для ЭВМ № 2014662712 ; заявл. 09.10.2014 ; опубл. 05.12.2014. - 1 с.

63. Zhang, J. G. Brief review of invariant texture analysis methods / J. G. Zhang, T. N. Tan // Pattern Recognition. - 2002. - Vol. 35, № 3. - P. 735-747.

64. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. - М. : Техносфера, 2005.

65. Haralick, R. M. Textural features for image classification / R. M. Haralick and oth. // IEEE Trans. - 1973. - Vol. 3. - P. 610.

66. Фу, К. Структурные методы в распознавании образов / К. Фу. - М. : Мир, 1977.

67. Фисенко, В. Т. Компьютерная обработка и распознавание изображений : учебное пособие / В. Т. Фисенко, Т. Ю. Фисенко / ИТМО. - СПб, 2008.

68. Kashyap, R. L. A model-based method for rotation invariant texture classification / R. L. Kashyap, A. Khotanzed // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1986. - Vol. 8 (4). - P. 472-481.

69. Mao, J. Texture classification and segmentation using multiresolution simultaneous autoregressive models / J. Mao, A. K. Jain // Pattern Recognition. - 1992. - Vol. 25 (2). -P. 173-188.

70. Chen, J. L. Rotation and gray scale transform invariant texture identification using wavelet decomposition and hidden Markov model / J. L. Chen, A. Kundu // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1994. - Vol. 16 (2). - P. 208-214.

71. Wu, W.R. Rotation and gray-scale transform-invariant texture classification using spiral resampling, subband decomposition, and hidden Markov model / W. R. Wu, S. C. Wei // IEEE Transactions on Image Processing. - 1996. - Vol. 5 (10). - P. 1423-1434.

72. Deng, H. Gaussian MRF rotation-invariant features for image classification / H. Deng, D. A. Clausi // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2004. -Vol. 26 (7). - P. 951-955.

73. Campisi, P. Robust rotation-invariant texture classification using a model based approach / P. Campisi, A. Neri, C. Panci, G. Scarano // IEEE Transactions on Image Processing. -2004. - Vol. 13 (6). - P. 782-791.

74. Kim, N. Texture classification using rotated wavelet filters / N. Kim, S. Udpa // IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans. - 2006. -Vol. 30 (6). - P. 847-852.

75. Kokare, M. Rotation-invariant texture image retrieval using rotated complex wavelet filters / M. Kokare, P. K. Biswas, B. N. Chatterji // IEEE Transactions on Systems, Man and Cybernetics, Part B: Cybernetics. - 2006. - Vol. 36 (6). - P. 1273-1282.

76. Ojala, T. Multiresolution gray-scale and rotation invariant texture classification with local binary pattern / T. Ojala, M. Pietikainen, T. T. Maenpaa // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2002. - Vol. 24 (7). - P. 971-987.

77. Колмогоров, А. Н. О логарифмически-нормальном законе распределения размеров частиц при дроблении / А. Н. Колмогоров // Докл. АН СССР. - 1941. - Т. 31, вып. 2. - С. 99—101.

78. Гмурман, В. Е. Теория вероятностей и математическая статистика: учеб. пособие для вузов / В. Е. Гмурман. - 9-е изд., стереот. - М. : Высш. шк., 2003. - 479 с.

79. Гнеденко, Б. В. Курс теории вероятностей : учебник / Б. В. Гнеденко. - Изд. 8-е, испр. и доп. - М., 2005.

80. Кнут, Д. Э. Искусство программирования. Т. 2. Получисленные алгоритмы : уч. пособие / Д. Э. Кнут. - 3-е изд. [пер. с англ.]. - М. : Издательский дом «Вильямс», 2001. - 832 с.

81. Айвазян, С. А. Прикладная статистика: основы моделирования и первичная обработка данных / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин. - М., 1983. -471 с.

82. Мандель, И. Д. Кластерный анализ / И. Д. Мандель. - М. : Финансы и статистика, 1988. - 176 с.

83. Айфичер, Эммануил С. Цифровая обработка сигналов: практический подход / Барри У. Джервис. - 2-е издание [пер. с англ.] - М. : Издательский дом «Вильямс», 2004. -992 с.

84. Рыдзевский, В. Л. Фрактальное сжатие изображений / В. Л. Рыдзевский // Труды Петрозаводского университета. Сер. Прикладная математика и кибернетика. - 1996. - № 5.

85. Рыдзевский, В. Л. Об одном методе увеличения скорости фрактального сжатия изображений / В. Л. Рыдзевский // Труды Петрозаводского университета. Сер. Прикладная математика и информатика. - 1998. - № 7.

86. Встовский, Г. В. Введение в мультифрактальную параметризацию структур материалов / Г. В. Встовский, А. Г. Колмаков, И. Ж. Бунин. - М., 2001. - 150 с.

87. Встовский, Г. В. Методология мультифрактальной параметризации структур материалов / Г. В. Встовский, А. Г. Колмаков, В. Ф. Терентьев // Вестник ВГТУ, серия «Материаловедение». - 1999. - Вып. 6. - С. 46-52.

88. Божокин, С. В. Фракталы и мультифракталы / С. В. Божокин, Д. А. Паршин. -Ижевск, 2001.

85

Приложение А Схема лазерного голографического анализатора

Рисунок А.1 - Схема лазерного голографического анализатора

86

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.