Regisztráció és bejelentkezés

Vékonycsiszolati képek szegmentálása RJMCMC-vel

A régészeti ásatások során előkerülő márvány leletekről gyakran fontos megállapítani azok származási helyét. Szintén felmerül a restaurációs munkálatok során, hogy a hiányzó homokköveket hogyan pótolják megfelelő minőségű anyagokkal, amik képesek az időjárás viszontagságainak ellenállni.

Az ilyen jellegű problémák megoldására a hagyományos módszer az, hogy vékonycsiszolati képeket készítenek a márvány, vagy a homokkő valamely mintájának keresztmetszetéről. A képen megkeresik és körbe rajzolják a szemcséket, majd meghatározzák annak méreteloszlását és szomszédossági jellemzőit. Mindezt persze kézzel és szabad szemmel.

A dolgozat a GrainAutLine projekt keretein belül született, amelynek a célja, hogy a fent vázolt eljárást automatizálja. A projekt több automatizálási eszközt is integrál, ezek közül az egyik a dolgozat tárgyát képező RJMCMC algoritmus, amely speciális kristályok, ikerkristályok, azonosítását teszi lehetővé. Az ikerkristályok megfelelő fizikai körülmények során keletkezett márványszemcsék, amelyek több kisebb kristály összenövésével jöttek létre. Az algoritmus célja, hogy megtalálja a valódi szemcsehatárokat , még az ikerkristályok jelenléte esetén is, amelyek egyébként a hagyományos, intenzitás gradienseken alapuló algoritmusok számára kezelhetetlenek. Ennek oka, hogy az ikerkristályokat alkotó összenőtt szemcsék határai is még látszanak, pedig azok nem részei az ikerkristályt szegélyező határvonalnak.

Dolgozatomban bemutatok egy monte carlo alapú eljárást (RJMCMC: reversible-jump markov chain monte carlo), ami meg tud küzdeni a szegmentálási feladattal, ikerkristályok jelenléte esetén is. A módszernek két alap pillére van. Az első, hogy definiálni kellett egy alkalmas energiafüggvényt, ami jellemezni képes az aktuális szemcsehatárok jóságát. Az energiafüggvény minimuma az a hely, ahol az algoritmus által javasolt szemcsehatár megegyezik a valódiakkal. Másodszor, a jól definiált energiafüggvényt az RJMCMC optimalizálja oly módon, hogy változtatja a javasolt szemcsehatárokat (konfigurációt) valószínűségi alapon. A változtatási lehetőségek közül annak a nagyobb a valószínűsége, amelyik esetén az energia értéke a legtöbbet csökken.

A kutatás során az algoritmust megvalósítottam és teszteltem mesterséges- és valós ábrákon egyaránt. A mesterséges ábrák kifejezetten az energiafüggvény kifejező erejét voltak hivatottak próbára tenni, míg a valós képek, főleg a konvergencia sebesség és a futás idő miatt mutattak érdekes eredményeket.

Összefoglalva, megvalósítottam az rjmcmc algoritmus család egy olyan tagját, ami minimalizálja a konfigurációsenergia-függvényt. A konfigurációs energia a szemcsehatárok helyességét írja le. Az energiafüggvényt megkonstruáltam és teszteltem mesterséges és valódi képeken is. A teljes algoritmus valós képeken is meggyőző eredményeket mutatott.

szerző

  • Budai Ádám
    Mérnök informatikus szak, mesterképzés
    mesterképzés (MA/MSc)

konzulens

  • Dr. Csorba Kristóf
    egyetemi docens, Automatizálási és Alkalmazott Informatikai Tanszék