bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИР10.35596/1729-7648-2022-20-6-61-69bsuir-3444Research ArticleЭЛЕКТРОНИКА, РАДИОФИЗИКА, РАДИОТЕХНИКА, ИНФОРМАТИКАELECTRONICS, RADIOPHYSICS, RADIOENGINEERING, INFORMATICSОценка эффективности алгоритмов сегментации АСМ-изображенийEfficiency Evaluation of Segmentation Algorithms for AFM ImagesРабцевичВ. В.RabtsevichV. V.

Рабцевич В.В., ассистент кафедры инфокоммуникационных технологий 

 

Rabtsevich V.V., Assistant at the Department of Infocommunication Technologies

ЦветковВ. Ю.TsviatkouV. Yu.

Цветков В.Ю., д.т.н., доцент, заведующий кафедрой инфокоммуникационных технологий

220013, г. Минск, ул. П. Бровки, 6, тел. + 375 017 293-84-08

Tsviatkou V.Yu., Dr. of Sci. (Tech.), Associate Professor, Head of the Department of Infocommunication Technologies

220013, Minsk, P. Brovka St., 6, tel. +375 017 293-84-08

vtsvet@bsuir.byБелорусский государственный университет информатики и радиоэлектроникиBelarusian State University of Informatics and Radioelectronics2022031020222066169Copyright © Рабцевич В.В., Цветков В.Ю., 20222022Рабцевич В.В., Цветков В.Ю.Rabtsevich V.V., Tsviatkou V.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.bsuir.by/jour/article/view/3444Приведены результаты оценки эффективности алгоритмов сегментации изображений поверхностей материалов с отсутствующей или слабо выраженной подложкой и выпуклой формой объектов, полученных с помощью атомного силового микроскопа (АСМ-изображения), а также синтезированных в программных пакетах Matlab и Gwyddion. Для сегментации использованы алгоритмы на основе волнового выращивания областей локальных максимумов с их выбором в порядке убывания значений (без остановки и с остановкой на заданном уровне), маркерного водораздела (с автоматической расстановкой маркеров, под контролем оператора), водораздела на основе расстояний, выращивания областей (без выбора начальных точек, с выбором начальных точек на основе экстремумов), водораздела Винсента – Солли (классического, с предварительным вычислением градиента в восьмисвязной области, с выделением контуров областей и последующим их заполнением), двухфазного водораздела. Рассмотрены реализации алгоритмов сегментации в Matlab и в специализированном программном пакете Gwyddion. Оценка эффективности алгоритмов проведена с использованием числа сегментов, однородности яркости внутри сегментов, контраста на границе соседних сегментов и комплексного критерия, учитывающего однородность яркости в сегментах, их количество и размер.The results of evaluating the efficiency of algorithms for segmentation of images of surfaces of materials with an absent or weakly expressed substrate and a convex shape of objects obtained using an atomic force microscope (AFM images), as well as synthesized in the Matlab and Gwyddion software are presented. For segmentation, algorithms were used based on wave growth of local maximum regions with their selection in decreasing order of values (without stopping and with stopping at a given level), marker watershed (with automatic placement of markers, under the control of the operator), watershed based on distances, growing areas (without selecting starting points, with the choice of starting points based on extrema), the Vincent – Sulli watershed (classical, with a preliminary calculation of the gradient in an eight-connected area, with the selection of the contours of the areas and their subsequent filling), a two-phase watershed. Segmentation algorithms realization in Matlab and in the specialized software package Gwyddion are considered. Algorithms efficiency was assessed using segments number, uniformity brightness within a segment, contrast at the border of adjacent segments, and a complex criterion that takes into account the uniformity of segments brightness, their number and size.сегментация изображенийатомная силовая микроскопияволновое выращивание областейводораздел Винсента – Соллилокальный максимумАСМ-изображениямаркерный водоразделimage segmentationatomic force microscopywave growing regionsVincent – Sulli watershedlocal maximumAFM imagesmarker watershedReferencesГоловин Ю.И. Основы нанотехнологий. М.: Машиностроение; 2012.Golovin Yu.I. [Fundamentals of nanotechnology]. Moscow: Mashinostroenie; 2012. (in Russ.)Zakharov A.V., Koltsov P.P., Osipov A.S., Kutsaev A.S., Kravchenko. [On the quantitative performance evaluation of image analysis algorithms]. Trudy NIISI RAN. 2012;2(2):87-99. DOI: 10.18287/0134- 2452- 2015-39-4-542-556.Zakharov A.V., Koltsov P.P., Osipov A.S., Kutsaev A.S., Kravchenko. [On the quantitative performance evaluation of image analysis algorithms]. Trudy NIISI RAN.2012;2(2):87-99. DOI:10.18287/0134- 2452- 2015-39-4-542-556.Рабцевич В.В., Цветков В.Ю. Сегментация АСМ-изображений на основе волнового выращивания областей локальных максимумов с их выбором в порядке убывания значений. Доклады БГУИР. 2022; 20(3): 26-35.Rabtsevich V.V., Tsviatkou V.Yu. AFM Image Segmentation Based on Wave Growth of Local Maximum Regions with their Selection in Order of Decreasing Values. Doklady BGUIR. 2022; 20(3): 26-35.Gonzalez R.C., Woods R.E. Digital Image Processing. Third Edition. 2008: 798-800.Gonzalez, R. C., Woods R. E. Digital Image Processing, Third Edition. 2008: 798-800.Pratt W.K. Digital Image Processing. Third Edition. 2001:562-566.Pratt, W. K. Digital Image Processing, Third Edition. 2001:562-566.Fan M., Lee T. Variants of seeded region growing. Image Processing IET. 2015;9(6):478-485. DOI: 10.1049/iet-ipr.2014.0490.Fan M., Lee T. Variants of seeded region growing. Image Processing IET. 2015;9(6):478-485. DOI:10.1049/iet-ipr.2014.0490Vincent L., Soille P. Watersheds in digital spaces: an efficient algorithm based on immersion simulations. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1991;13:583-598. DOI: 10.1109/34.87344.Vincent L., Soille P. Watersheds in digital spaces: an efficient algorithm based on immersion simulations. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1991;13:583–598. DOI:10.1109/34.87344.Levine M.D., Nazif A. Dynamic measurement of computer generated image segmentations. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1985;7(2):155-164. DOI: 10.1109/TPAMI.1985.4767640.Levine M.D., Nazif A. Dynamic measurement of computer generated image segmentations. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1985;7(2):155-164. DOI:10.1109/TPAMI.1985.4767640Remes V., Haindl M. Region of interest contrast measures. Kybernetika. 2018;54(5):978-990. DOI: 10.14736/kyb-2018-5-0978.Remes V., Haindl M. Region of interest contrast measures. Kybernetika. 2018;54 (5): 978-990. DOI:10.14736/kyb-2018-5-0978Borsotti M., Campadelli P., Schettini R. Quantitative evaluation of color image segmentation results. Pattern Recognition Letters. 1998;19(8):741-747. DOI: 10.1016/S0167-8655(98)00052-X.Borsotti M., Campadelli P., Schettini R. Quantitative evaluation of color image segmentation results. Pattern Recognition Letters. 1998;19(8):741-747. DOI: 10.1016/S0167-8655(98)00052-X.

The authors declare that there are no conflicts of interest present.