Використання результатів фрактального аналізу поверхні та алгоритмів детекції відростків у тривимірних моделях зразків бурштину
DOI:
https://doi.org/10.26642/ten-2026-1(97)-256-263Ключові слова:
тривимірна модель, зразок бурштину, фрактальний аналіз, видалення відростків, воксель, секвенція зображень, якість поверхніАнотація
У статті запропоновано переносити інформацію про поверхню зразка бурштину з сформованих зображень на реконструйовану тривимірну модель (меш) цього зразка, а також виключати різкі просторові викиди на відтвореній моделі, які не відповідають особливостям зразка, а є похибками тривимірної реконструкції. Перенесення результатів фрактального аналізу поверхні на реконструйовану тривимірну модель зразка бурштину є важливим та комплексним етапом для детального дослідження та оцінки якості зразків бурштину. Для вирішення вказаної задачі застосовано алгоритми дискретизація поверхні зразка шляхом формування репрезентативних центрів вокселів (елементарних одиниць тривимірної сцени, що являють кубик або точку в просторі) з усередненими нормалями. Також визначаються чотири основні характеристики вокселів, що притаманні точкам, які утворюють відросток на поверхні. Згідно цих характеристик відростком є різкий просторовий викид на відтвореній моделі, який не відповідає особливостям поверхні зразка, а обумовлений похибками тривимірної реконструкції. До вокселів, характеристики яких можна класифікувати як частини відростка, застосовуються алгоритми дилатації та ерозії, щоб отримати саму форму відростків. Отримана форма перевіряється за геометричними метриками на предмет того, чи схожа вона на шуканий артефакт. Визначені дані про відростки переносяться від воксельних центрів на реконструйовану тривимірну модель (меш) цього зразка та місця дефектних зон видаляються з наступним закриттям однорідною текстурою. Шляхом знаходження найкращого ракурса на зображеннях, що містять фрактальну інформацію, дані фрактального аналізу переносяться на тривимірну модель. Після виконання усіх кроків алгоритму отримуємо тривимірну модель з перенесеними даними фрактального аналізу з двомірних зображень. При цьому на тривимірній моделі визначено ділянки поверхні, що містять тріщини/вкраплення/інклюзії, які можуть вплинути на якість промислових виробів з бурштину. обробки та більш точно розраховувати наступні кроки для обробки бурштину. Все це є основою для оцінки якості та підвищення конкурентоспроможності промислових виробів з бурштину.
Посилання
Bittner, K. et al. (2015), «Consistent Multi-View Texturing of Detailed 3D Surface Models», Photogrammetric Image Analysis, [Online], available at: https://www.researchgate.net/publication/312172330_Consistent_Multi-View_Texturing_of_Detailed_3D_Surface_Models
Chen, Z. et al., «3D Texture Mapping in Multi-view Reconstruction», Lecture Notes in Computer Science.
Chahat, D.S., «Structure from Motion», CMSC426: Computer Vision, [Online], available at: https://cmsc426.github.io/sfm/
Podchashynskyi, Yu., Ryzhuk, A., Luhovykh, O. and Chepiuk, L. (2025), «Research of Methods for Determining Key Points for 3D Modeling of Amber Samples», Journal of Information Systems Engineering and Management, Vol. 10, No. 16s, рр. 784–801, doi: 10.52783/jisem.v10i16s.2665.
Kholil, M., Ismanto, I. and Fu’ad, M. (2021), «3D reconstruction using Structure From Motion (SFM) algorithm and Multi View Stereo (MVS) based on computer vision», IOP Conference Series: Materials Science and Engineering, Vol. 1073, doi: 10.1088/1757-899X/1073/1/012066.
Podchashynskyi, Yu.O. et al. (2024), «Fraktalni metody analizu ta klasyfikatsii burshtynu na osnovi yoho videozobrazhen», Synerhetyka, fraktaly i novi tekhnolohii, 3–5 chervnia, Poliskyi natsionalnyi universytet, Zhytomyr, рр. 57–64.
«Why is Numpy faster in Python?» (2021), Geeksforgeeks, [Online], available at: https://www.geeksforgeeks.org/python/why-numpy-is-faster-in-python/
Xiong, Z. (2008), Computer Vision, INTECH, 538 р.
Solem, J.E. (2012), Programming computer vision with Python, O/'Reilly: Internet Archive, Beijing, Sebastopol, CA, 300 р.
«Thresholding, Roberts, Prewitt, Sobel, and Edge Detection», Digital Image Processing in C, Chapter 9, [Online], available at: https://medium.com/@wilson.linzhe/digital-image-processing-in-c-chapter-9-thresholding-roberts-prewitt-sobel-and-edge-e7428405ede3
Список використаної літератури:
Consistent Multi-View Texturing of Detailed 3D Surface Models / K.Bittner and other // Photogrammetric Image Analysis. – 2015 [Electronic resource]. – Access mode : https://www.researchgate.net/publication/312172330_Consistent_Multi-View_Texturing_of_Detailed_3D_Surface_Models.
D Texture Mapping in Multi-view Reconstruction / Z.Chen and other // Lecture Notes in Computer Science.
Chahat D.S. Structure from Motion / D.S. Chahat // CMSC426: Computer Vision [Electronic resource]. – Access mode : https://cmsc426.github.io/sfm/.
Research of Methods for Determining Key Points for 3D Modeling of Amber Samples / Yu.Podchashynskyi, A.Ryzhuk, O.Luhovykh, L.Chepiuk // Journal of Information Systems Engineering and Management. – 2025. – Vol. 10, № 16s. – P. 784–801. DOI: 10.52783/jisem.v10i16s.2665.
Kholil M. 3D reconstruction using Structure From Motion (SFM) algorithm and Multi View Stereo (MVS) based on computer vision / M.Kholil, I.Ismanto, M.Fu’ad // IOP Conference Series: Materials Science and Engineering. – 2021. – Vol. 1073. DOI: 10.1088/1757-899X/1073/1/012066.
Фрактальні методи аналізу та класифікації бурштину на основі його відеозображень / Ю.О. Подчашинський та ін. // Синергетика, фрактали і нові технології, 3–5 червня. – Житомир : Поліський національний університет, 2024. – С. 57–64.
Why is Numpy faster in Python? / Geeksforgeeks. – 2021 [Electronic resource]. – Access mode : https://www.geeksforgeeks.org/python/why-numpy-is-faster-in-python/.
Xiong Z. Computer Vision / Z.Xiong. – INTECH, 2008. – 538 р.
Solem J.E. Programming computer vision with Python / J.E. Solem. – Beijing ; Sebastopol ; CA : O/'Reilly: Internet Archive, 2012. – 300 р.
Thresholding, Roberts, Prewitt, Sobel, and Edge Detection / Digital Image Processing in C. – Chapter 9 [Electronic resource]. – Access mode : https://medium.com/@wilson.linzhe/digital-image-processing-in-c-chapter-9-thresholding-roberts-prewitt-sobel-and-edge-e7428405ede3.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Юрій Олександрович Подчашинський, Андрій Вікторович Рижук
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автор, який подає матеріали до друку, зберігає за собою всі авторські права та надає відповідному виданню право першої публікації, дозволяючи розповсюджувати даний матеріал із зазначенням авторства та джерела первинної публікації, а також погоджується на розміщення її електронної версії на сайті Національної бібліотеки ім. В.І. Вернадського.
