Оценка эффективности алгоритмов сегментации АСМ-изображений
https://doi.org/10.35596/1729-7648-2022-20-6-61-69
Аннотация
Приведены 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.
Об авторах
В. В. Рабцевич
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Рабцевич В.В., ассистент кафедры инфокоммуникационных технологий
В. Ю. Цветков
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Цветков В.Ю., д.т.н., доцент, заведующий кафедрой инфокоммуникационных технологий
220013, г. Минск, ул. П. Бровки, 6, тел. + 375 017 293-84-08
Список литературы
1. Головин Ю.И. Основы нанотехнологий. М.: Машиностроение; 2012.
2. 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.
3. 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.
4. Gonzalez R.C., Woods R.E. Digital Image Processing. Third Edition. 2008: 798-800.
5. Pratt W.K. Digital Image Processing. Third Edition. 2001:562-566.
6. Fan M., Lee T. Variants of seeded region growing. Image Processing IET. 2015;9(6):478-485. DOI: 10.1049/iet-ipr.2014.0490.
7. 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.
8. 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.
9. Remes V., Haindl M. Region of interest contrast measures. Kybernetika. 2018;54(5):978-990. DOI: 10.14736/kyb-2018-5-0978.
10. 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.
Рецензия
Для цитирования:
Рабцевич В.В., Цветков В.Ю. Оценка эффективности алгоритмов сегментации АСМ-изображений. Доклады БГУИР. 2022;20(6):61-69. https://doi.org/10.35596/1729-7648-2022-20-6-61-69
For citation:
Rabtsevich V.V., Tsviatkou V.Yu. Efficiency Evaluation of Segmentation Algorithms for AFM Images. Doklady BGUIR. 2022;20(6):61-69. (In Russ.) https://doi.org/10.35596/1729-7648-2022-20-6-61-69
Просмотров: 324
Послать статью по эл. почте 