Применение преобразования Хафа для контроля дисперсности накладывающихся частиц и их агломератов

Контроль дисперсности микро- и наночастиц по изображениям имеет большое значение для обеспечения заданных свойств самих частиц и материалов на их основе. Целью данной работы являлось исследование возможностей применения преобразования Хафа для контроля дисперсности накладывающихся частиц и их агломератов. Анализ применения преобразования Хафа для накладывающихся частиц и их агломератов показал следующее. Особенности конвенциональной реализации приводят к предпочтительной регистрации больших частиц, смещению центров перекрывающихся частиц, искажению размеров. Для корректного использования преобразования Хафа требуется точная настройка всех его параметров. Для автоматизации такой настройки исследованы зависимости количества и размера регистрируемых на изображении частиц от параметров преобразования Хафа. Исследования проводились на тестовых изображениях с известным количеством и размерами частиц. Результаты показали, что при изменении пороговых параметров преобразования Хафа число регистрируемых частиц стабилизируется вблизи их оптимальных значений. При изменении диапазона размеров, регистрируемых преобразованием Хафа частиц изменяется гистограмма распределения частиц по размерам. При этом оптимальная ширина диапазона определяется по наиболее устойчивым экстремумам гистограммы. Максимальное межцентровое расстояние устанавливается не менее половины оптимального диапазона. Описан и реализован алгоритм настройки, подразумевающий многократный запуск преобразования Хафа с различными комбинациями параметров. Алгоритм включает этапы грубой и точной настройки, позволяющие точнее приблизится к оптимальным параметрам. Работоспособность алгоритма подтверждена на тестовых и реальных изображениях. При этом погрешности определения размеров и количества частиц многопроходового преобразования Хафа находятся на одном уровне или превосходят данные показатели у методов-аналогов.

1. ISO 13322-1:2014. Particle size analysis – Image analysis methods. Part 1: Static image analysis methods. 2nd ed.; Publisher: International Organization for standardization, Switzerland, 2014.

2. Chaki N, Shaikh SH, Saeed K. A Comprehensive Survey on Image Binarization Techniques. Exploring Image Binarization Techniques. Studies in Computational Intelligence. Springer, New Delhi. 2014;560:5-15. DOI: 10.1007/978-81-322-1907-1_2

3. Sezgin BS. A survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging. 2004;13(1):146-165. DOI: 10.1117/1.1631315

4. Ramadevi Y, Sridevi T, Poornima B, Kalyani B. Segmentation and Object Recognition Using Edge Detection Techniques. International Journal of Computer Science and Information Technology. 2010;2:153-161. DOI: 10.5121/IJCSIT.2010.2614

5. Navon E, Miller O, Averbuch A. Color image segmentation based on adaptive local thresholds. Image and Vision Computing. 2005;23(1):69-85. DOI: 10.1016/j.imavis.2004.05.011

6. Bui K, Fauman J, Kes D, et. al. Segmentation of scanning tunneling microscopy images using variational methods and empirical wavelets. Pattern Analysis and Applications. 2020;23:625-651. DOI: 10.1007/s10044-019-00824-0

7. Ronneberger O, Fischer Ph, Brox T. U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science. Springer, Cham. 2015;9351:234-241. DOI: 10.1007/978-3-319-24574-4_28

8. Pătrăucean V, Gurdjos P, von Gioi RG. A Parameterless Line Segment and Elliptical Arc Detector with Enhanced Ellipse Fitting. Computer Vision – ECCV 2012. Lecture Notes in Computer Science, Springer, Berlin. 2012:7573:572-585. DOI: 10.1007/978-3-642-33709-3_41

9. Gulyaev PV. Measurement of the length of objects on scanning probe microscope images using curvature detectors. Measurement Techniques. 2021;64(1):21-27. DOI: 10.1007/s11018-021-01890-9

10. Gulyaev PV, Shelkovnikov EYu, Tyurikov AV. Peculiarities of surface curvature detectors usage for nanoparticles size analysis. Chemical Physics and Mesoscopy. 2013;15(1):138-143. (In Russ.).

11. MountainsSPIP. [Electronic Resource]. Available at: https://www.digitalsurf.com/software-solutions/scanning-probe-microscopy/ [Accessed 07.05.2023].

12. OpenCV. [Electronic Resource]. Available at: https://opencv.org/ [Accessed 07.05.2023].

13. Zhelebovskiy AA, Sumin AA, Dmitrichenkov NV. Application of the Hough algorithm for sorting polydisperse microparticles. Proceedings of XVI International Scientific and Technical Conference, June 28–July 02, 2021. Moscow: Publishing House "Pero". 2021;80-85: 260 p.

14. Lebedev SA, Ososkov GA. Fast algorithms for ring recognition and electron identification in the CBM RICH detector. Physics of particles and nuclei letters. 2009;6(2):161-176. DOI: 10.1134/S1547477109020095

15. Atherton TJ, Kerbyson DJ. Size invariant circle detection. Image and Vision Computing. 1999;17(11): 795-803. DOI: 10.1016/S0262-8856(98)00160-7

16. Okunev AG, Mashukov MY, Nartova AV, Matveev AV. Nanoparticle Recognition on Scanning Probe Microscopy Images Using Computer Vision and Deep Learning. Nanomaterials. 2020;10(7)(1285). DOI: 10.3390/nano10071285