Сегментация АСМ-изображений на основе волнового выращивания областей локальных максимумов с их выбором в порядке убывания значений

Рассматривается задача определения числа объектов на изображениях атомной силовой микроскопии (АСМ). Для автоматического (без участия оператора) решения данной задачи используется сегментация, разделяющая изображения на области, содержащие объекты интереса. Известны алгоритмы сегментации на основе морфологического водораздела, определяющие границы областей по локальным минимумам яркости пикселей, имеющие значительные ошибки сегментации АСМ-изображений и высокую вычислительную сложность. Менее вычислительно сложные алгоритмы сегментации, основанные на волновом выращивании областей, требуют предварительного определения начальных точек роста на АСМ-изображениях под контролем оператора. Алгоритмы выращивания областей без предварительного выбора начальных точек роста имеют наименьшую вычислительную сложность, но сегментируют АСМ-изображения с большой ошибкой. Для повышения точности автоматического определения числа объектов на АСМ-изображениях предложены модель и алгоритм волнового выращивания областей локальных максимумов с их выбором в порядке убывания значений, отличающиеся использованием изменяющегося от максимума к минимуму порога яркости для выбора пикселей роста областей или пикселей, присоединяемых к пикселям смежных существующих областей. Модель обеспечивает параллельное расширение границ областей и автоматическое определение начальных пикселей роста в процессе сегментации. Предложенные модель и алгоритм позволяют устранить ошибки сегментации, характерные для маркерного водораздела, выращивания областей и водораздела Винсента – Солли, и повысить за счет этого точность определения числа объектов на изображениях атомной силовой микроскопии.

1. Ulyanova T.M., Titova L.V., Medichenko S.V., Zonov Yu.G., Konstantinova T.E., Glazunova V.A., Doroshkevich A.S., Kuznetsova T.A. Investigation of the structure of nanocrystalline refractory oxides by X-ray difraction, electron microscopy and atomic force microscopy. Crystallography Reports. 2006;51:144–149. DOI:10.1134/S1063774506070212.

2. Kuznetsova T., Zubar T., Chizhik S., Gilewicz A., Lupicka O., Warcholinski B. Surface microstructure of Mo(C)N coatings investigated by AFM. Journal of Materials Engineering and Performance. 2016;25(12):5450-5459. DOI:10.1007/s11665-016-2390-z.

3. Geisse N.A. AFM and Combined Optical Techniques. Materials Today. 2011;12(7-8):40-45. DOI:10.1016/S1369-7021(09)70201-9.

4. Vincent L. Watershed in Digital Spaces: an efficient algorithm based on immersion simulation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1991;13(6):583-598. DOI:10.1109/34.87344.

5. Gonzalez R.C., Woods R.E. Digital Image Processing, Third Edition. 2008:798-800.

6. Beucher S., Lantuéjoul C. Use of watersheds in contour detection. International Workshop on Image Processing, Real-Time Edge and Motion Detection/Estimation.1979.

7. Adams R., Bischof L. Seeded region growing. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1994;16(6):641-647. DOI:10.1109/34.295913.

8. Fan M., Lee T. Variants of seeded region growing. Image Processing IET. 2015;9(6):478-485. DOI:10.1049/iet-ipr.2014.0490.

9. Fan J., Zeng G., Body M., Hacid M.S. Seeded region growing: an extensive and comparative study.Pattern Recognition Letters. 2005;26(8):1139-1156. DOI:10.1016/j.patrec.2004.10.010.

10. Van Herk M. A fast algorithm for local minimum and maximum filters on rectangular and octagonal kernels. Pattern Recognition Letters. 1992;13:517-521. DOI:10.1016/0167-8655(92)90069-C.

11. Gil J., Werman M. Computing 2-D min, median, and max. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1993;15:504-507.

12. Pratt W.K. Digital Image Processing, Third Edition. 2001:562-566.

13. 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.