• 1990 (Том 4)
  • 1989 (Том 3)
  • 1988 (Том 2)
  • 1987 (Том 1)

Том 34 №2

Содержание

  1. ОЦЕНКА ИЗМЕНЕНИЙ ЦВЕТА ЗРИТЕЛЬНЫХ ОЩУЩЕНИЙ ПРИ ХРОНИЧЕСКОЙ БОЛИ В ПРОЦЕССЕ СЕАНСОВ ЭМПАТОТЕХНИКИ
  2. Контактная линза с имплантированным окклюдером как средство для оценки дальнего периферического зрения в естественных условиях
  3. ПСИХОАКУСТИЧЕСКИЕ И ЭЛЕКТРОФИЗИОЛОГИЧЕСКИЕ ПОКАЗАТЕЛИ У ПАЦИЕНТОВ ПОСЛЕ КОХЛЕАРНОЙ ИМПЛАНТАЦИИ
  4. ИЗМЕНЕНИЯ ПОРОГОВОЙ ГРОМКОСТИ ПЕРВОГО ИЛИ ПОСЛЕДНЕГО ИМПУЛЬСА ПОСЛЕДОВАТЕЛЬНОСТИ У СЛУШАТЕЛЕЙ С НОРМАЛЬНЫМ СЛУХОМ И СЛУХОВЫМИ ПОТЕРЯМИ
  5. МАКСИМАЛЬНАЯ НЕВЯЗКА НАПРАВЛЕНИЙ КАК КРИТЕРИЙ ТОЧНОСТИ ПРОЕКТИВНОЙ НОРМАЛИЗАЦИИ ИЗОБРАЖЕНИЯ ПРИ ОПТИЧЕСКОМ РАСПОЗНАВАНИИ ТЕКСТА
  6. МЕТОД КОРРЕКЦИИ КТ-ИЗОБРАЖЕНИЙ ПОРИСТЫХ СТРУКТУР ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА БИНАРИЗАЦИИ
  7. ИССЛЕДОВАНИЕ ВЛИЯНИЯ ПРИРОДЫ РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ НА КАЧЕСТВО ДЕТЕКЦИИ И ДЕСКРИПЦИИ ОСОБЫХ ТОЧЕК

МЕТОД КОРРЕКЦИИ КТ-ИЗОБРАЖЕНИЙ ПОРИСТЫХ СТРУКТУР ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА БИНАРИЗАЦИИ

© 2020 г. В. В. Кохан1,2, М. В. Григорьев3, А. В. Бузмаков4, В. И. Уваров5, А. С. Ингачева1,2, М. В. Чукалина2,4

1Институт проблем передачи информации им. А.А. Харкевича РАН 127051 Москва, Большой Каретный переулок, д. 19, Россия
v.kokhan@smartengines.com
2Smart Engines Service LLC 117312 Москва, проспект 60-летия Октября, д. 9, Россия
3Институт проблем технологии микроэлектроники и особочистых материалов РАН 142432 Черноголовка, улица Академика Осипьяна, д. 6, Московская область, Россия
4Федеральный научно-исследовательский центр “Кристаллография и фотоника” РАН 119333 Москва, Ленинский проспект, д. 59, Россия
5Институт структурной макрокинетики и проблем материаловедения им. А.Г. Мержанова РАН 142432 Черноголовка, улица Академика Осипьяна, д. 8, Московская область, Россия

Поступила в редакцию 09.10.2019 г.

Свойства и области применения изделий из пористых структур зависят от их морфологии. Для ее описания традиционно используют такие параметры, как пористость, удельная поверхность пор и другие. Оценивать параметры можно традиционными аппаратными методами или воспользоваться результатами компьютерной томографии пористой структуры. Восстановленное томографическим методом изображение представлено в градациях серого. Для расчета параметров изучаемой пористой структуры изображение необходимо бинаризовать. Из-за широкого диапазона яркостей пикселей восстановленных изображений и наличия шума на изображениях процесс бинаризации не является тривиальной процедурой. Для уменьшения шума перед операцией бинаризации восстановленные изображения фильтруют. В работах других авторов встречаются ссылки на использование фильтров разных типов при работе с томографическими изображениями пористых структур, но не приводится обоснований выбора типа фильтра. В данной работе предлагается подход к выбору оптимального типа фильтра, который построен на двух оценках: оценке искажения изображения после шага фильтрации и количестве “висячих камней” (объектов, не имеющих сцепления с окружающим материалом) в порах после шага бинаризации. Построен алгоритм обработки случаев оставшихся на изображении “висячих камней”. Новый метод коррекции изображений пористых структур трехступенчатый: оптимальная фильтрация восстановленного изображения, пороговая бинаризация, обработка ситуаций с оставшимися камнями.

Ключевые слова: пористые структуры, бинаризация, фильтрация, компьютерная томография

DOI: 10.31857/S0235009220020067

Цитирование для раздела "Список литературы": Кохан В. В., Григорьев М. В., Бузмаков А. В., Уваров В. И., Ингачева А. С., Чукалина М. В. Метод коррекции кт-изображений пористых структур для повышения качества бинаризации. Сенсорные системы. 2020. Т. 34. № 2. С. 147–155. doi: 10.31857/S0235009220020067
Цитирование для раздела "References": Kokhan V. V., Grigoriev M. V., Buzmakov A. V., Uvarov V. I., Ingacheva A. S., Chukalina M. V. Metod korrektsii kt-izobrazhenii poristykh struktur dlya povysheniya kachestva binarizatsii [Ct-images correction method for binarization quality improvement]. Sensornye sistemy [Sensory systems]. 2020. V. 34(2). P. 147–155 (in Russian). doi: 10.31857/S0235009220020067

Список литературы:

  • Ершов Е.И. Алгоритм быстрой бинарной линейной кластеризации маломерных гистограмм. Сенсорные системы. 2017. Т. 31. № 3. С. 261–269.
  • Сережникова Т.И. Устойчивые методы восстановления зашумленных изображений. Вестник ЮжноУральского государственного университета. Серия: Математическое моделирование и программирование. 2011. №. 25 (242). С. 32–42.
  • Усанов М.С., Кульберг Н.С., Морозов С.П. Опыт применения адаптивных гомоморфных фильтров для обработки компьютерных томограмм. Информационные технологии и вычислительные системы. 2017. Т. 33.
  • Boas F.E., Fleischmann D. CT artifacts: causes and reduction techniques. Imaging in Medicine. 2012. V. 4.2. P. 229–240.
  • Cai X., Malcolm A.A., Wong B.S., Fan Z. Measurement and characterization of porosity in aluminium selective laser melting parts using X-ray CT. Virtual and Physical Prototyping. 2015. V 10. № 4. P. 195–206.
  • Chaki S., Routray A., Mohanty W. A diffusion filter based scheme to denoise seismic attributes and improve predicted porosity volume. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2017. V. 10.12. P. 5265–5274.
  • Chukalina M., Ingacheva A. Polychromatic CT data improvement with one-parameter power correction. Mathematical Problems in Engineering. 2019. Article ID 1405365(2019).
  • Chukalina M.V., Ingacheva A.S., Buzmakov A.V., Krivonosov Y.S., Asadchikov V.E., Nikolaev D.P. A Hardware and Software System for Tomographic Research: Reconstruction via Regularization. Bulletin of the Russian Academy of Sciences: Physics. 2019. V. 83. № 2. P. 150–154.
  • Chukalina M., Nikolaev D., Ingacheva A., Buzmakov A., Yakimchuk I., Asadchikov V. To image analysis in computed tomography. Ninth International Conference on Machine Vision. 2017. V. 10341. P. 103411B.
  • Demirkaya O. Reduction of noise and image artifacts in computed tomography by nonlinear filtration of projection images. Medical Imaging : Image Processing. 2001. V. 4322.
  • He K., Sun J.,Tang X. Guided image filtering. European conference on computer vision. 2010. P. 1–14.
  • Kulkarni R., Tuller M., Fink W., Wildenschild D. Three-dimensional multiphase segmentation of X-ray CT data of porous materials using a Bayesian Markov random field framework. Vadose Zone Journal. 2012. V. 11. N 1. P. 1539–1663.
  • Kurita T., Otsu N., Abdelmalek N. Maximum likelihood thresholding based on population mixture models. Pattern recognition. 1992. V. 25.10. P. 1231–1240.
  • Manduca A., Yu L., Trzasko J.D., Khaylova N., Kofler J.M., McCollough C.M., Fletcher J.G. Projection space denoising with bilateral filtering and CT noise modeling for dose reduction in CT. Medical physics. 2009. V. 36.11. P. 4911–4919.
  • Müter D., Pedersen S., Sørensen H.O., Feidenhans R., Stipp S.L.S. Improved segmentation of X-ray tomography data from porous rocks using a dual filtering approach. Computers & geosciences. 2012. V. 49. P. 131–139.
  • Nadernejad E., Hassanpour H., Salarian M. Improving quality of fractal compressed images. International Conference on Machine Vision. 2007. P. 56–61.
  • Nickerson S., Shu Yu., Zhong D., Conke K., Tandia A. Permeability of porous ceramics by X-ray CT image analysis. Acta Materialia. 2019. V. 172. P. 121–130.
  • Perona P., Malik J. Scale-space and edge detection using anisotropic diffusion. IEEE Transactions on pattern analysis and machine intelligence. 1990. V. 12.7. P. 629–639.
  • Primak A.N., McCollough C.H., Bruesewitz M.R., Zhang J., Fletcher J.G. Relationship between noise, dose, and pitch in cardiac multi–detector row CT. Radiographics. 2006. V. 26.6. P. 1785–1794.
  • Queisser S., Wittmann M., Bading H., Wittum G. Filtering, reconstruction, and measurement of the geometry of nuclei from hippocampal neurons based on confocal microscopy data. Journal of Biomedical Optics. 2008. V. 13.1. P. 014009.
  • Sheppard A.P., Sok R., and Averdunk H. Techniques for image enhancement and segmentation of tomographic images of porous materials. Physica A: Statistical mechanics and its applications. 2004. V. 339. № 1–2. P. 145–151.
  • Tomasi C., Manduchi R. Bilateral filtering for gray and color images. Iccv. 1998. V. 98. № 1.
  • Tuller M., Kulkarni R., Fink W. Segmentation of X-ray CT data of porous materials: A review of global and locally adaptive algorithms. Soil–Water–Root Processes: Advances in Tomography and Imaging soilwaterrootpr. 2013. P. 157–182.
  • Ushizima D., Morozov D., Weber G.H., Bianchi A.G., Sethian J.A., Bethel E.W. Augmented topological descriptors of pore networks for material science. IEEE transactions on visualization and computer graphics. 2012. V. 18.12. P. 2041–2050.
  • Van De Walle W., Janssen H. Validation of a 3D pore scale prediction model for the thermal conductivity of porous building materials. Energy Procedia. 2017. V. 132. P. 225–230.
  • Van Eyndhoven G., Kurttepeli M., Van Oers C.J., Cool P., Bals S., Batenburg K.J., Sijbers J. Pore REconstruction and Segmentation (PORES) method for improved porosity quantification of nanoporous materials. Ultramicroscopy. 2004. V. 148. P. 10–19.
  • Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image quality assessment: from error visibility to structural similarity. IEEE transactions on image processing. 2004. V. 13 (4). P. 600–612.
  • Witten I.H., Frank E., Hall M.A., Pal C.J. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann. 2016.
  • Wu Y.S., van Vliet L.J., Frijlink H.W., Stokroos I., van der Voort Maarschalk K. Pore direction in relation to anisotropy of mechanical strength in a cubic starch compact. AAPS PharmSciTech. 2008. V. 9. № 2. P. 528–535.
  • Zambrano M., Tondi E., Mancini L., Arzilli F., Lanzafame G., Materazzi M., Torrieri S. 3D Pore-network quantitative analysis in deformed carbonate grainstones. Marine and Petroleum Geology. 2017. V. 82. P. 251–264.
  • Zhao J., Luo S., He S. Research of pore structure with large area using improved octree algorithm. Fifth International Conference on Machine Vision (ICMV 2012): Algorithms, Pattern Recognition, and Basic Technologies. 2013. V. 8784. P. 87841A.