CN101782526A - 一种钢材韧窝图像的自动复原、测量分类方法及装置 - Google Patents
一种钢材韧窝图像的自动复原、测量分类方法及装置 Download PDFInfo
- Publication number
- CN101782526A CN101782526A CN201010018211A CN201010018211A CN101782526A CN 101782526 A CN101782526 A CN 101782526A CN 201010018211 A CN201010018211 A CN 201010018211A CN 201010018211 A CN201010018211 A CN 201010018211A CN 101782526 A CN101782526 A CN 101782526A
- Authority
- CN
- China
- Prior art keywords
- dimple
- image
- pixel
- images
- delta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种钢材韧窝图像的自动复原、测量分类方法及装置。该装置由图像采集系统、图像预处理、图像复原和图像分析等部分组成。图像预处理对图像采集系统获得的原始图像进行中值滤波去噪、灰度修正;图像复原运用自适应模糊阈值法进行二值分割;对所得的二值图像中的边界缺失、孔洞分别采用极限腐蚀和逐层膨胀法以及改进扫描线种子填充法进行处理;图像分析对处理过的图像进行区域标定,将韧窝直径设定为该韧窝最小外接圆的直径;采用无规性韧窝区域面积算法测量韧窝面积,继而求得韧窝直径。测量完毕,将测量分类结果输出。本发明具有精确、高效、便捷的优点,可推广应用于材料领域一切背景复杂、形态复杂的断口测量分析分类工作。
Description
技术领域
本发明涉及钢铁材料的断裂失效分析领域,具体涉及一种钢材韧窝图像的自动复原、测量分类方法及装置。
背景技术
在各种钢铁材料的断裂失效分析中,通过对断口组织(韧窝)的分析研究可以了解断裂的机理及其形成原因,继而探明提高材料力学性能的途径,进而更好的指导生产实践。韧窝是韧窝断裂的最基本形貌特征和识别韧窝断裂机制的最本质依据。韧窝的尺寸、深度等与材料的延展性有关,而韧窝的形态则与破坏时的应力状态有关。对断口耦合面上相啮合部位的韧窝尺寸、形态等进行定量分析,就可以确定断裂的机理、形成原因以及对材料力学性能的影响。由此可见,韧窝的定量分析研究是材料科学与工程中重要的组成部分,具有重要的理论研究意义和工程应用价值,但该技术目前国内外还未见报道。
韧窝分析在材料科学与工程中得到了广泛的应用,然而,由于钢材韧窝的定量微观分析较难进行,加之韧窝分析时面临的诸多不确定因素,长期以来只能依靠专业人员以人工测量与统计的工作模式进行,且以定性分析为主。而此模式必然带来诸如效率低、劳动强度大,容易导致劳动者的视力疲劳、大量的重复性劳动及人力资源浪费。此外,这种分析效果主要取决于人的主观因素故难免产生主观误差。但如何获得即为理想的、又为非人工的分析分类模式是长期困扰广大材料科技工作者的难题,目前尚未找到一个令人满意且简便易行的方法。
发明内容
本发明的目的是针对目前靠人工测量与分类方法的低效率、低精度的问题,提出了一种基于自适应模糊阈值分割法以及无规性韧窝区域面积算法的韧窝图像自动复原、测量分类方法及装置,利用计算机实现对钢铁材料的韧窝图像的自动复原及其精确、高效地测量、分类工作。
本发明的技术方案是:一种钢材韧窝图像的自动复原、测量分类方法,是先用图像采集系统获取韧窝的原始图像,并将其导入计算机,进而对原始图像进行中值滤波去噪、灰度直方图修正;并运用自适应模糊阈值法进行二值分割;对所得的二值图像中的边界缺失、孔洞分别采用极限腐蚀和逐层膨胀法以及改进扫描线种子填充法进行处理;对处理过的图像进行区域标定,将韧窝直径设定为该韧窝最小外接圆的直径;采用无规性韧窝区域面积算法测量韧窝面积,继而求得韧窝直径。测量完毕,将测量分类结果以图表文件显示输出。
本发明方法的具体步骤为:
(1)应用图像采集系统获取韧窝的原始图像并导入计算机;
(2)将钢材韧窝图像进行中值滤波去噪、灰度直方图修正;
(3)对经过滤波、修正的目标图像采用自适应模糊阈值法进行二值分割,得到韧窝的二值图像;
(4)对二值图像采用淬熄函数法控制的极限腐蚀、逐层膨胀获取韧窝完整边界;
(5)采用改进的扫描线种子填充法填充韧窝孔洞;
(6)对经过上述处理的韧窝进行区域标定;
(7)采用基于形态特征的无规性韧窝形态特征区域面积算法测量韧窝面积,求取韧窝直径,自动得到韧窝的测量分类统计结果;
(8)将韧窝的自动测量分类统计结果以图表文件显示输出。
上述步骤(1)韧窝图像采集过程:是利用MD90显微镜摄像头和显微镜组成的图像采集系统,获取韧窝的原始图像并存入图像采集卡;
上述步骤(2)图像预处理过程是:采用中值滤波滤除图像的噪声后,进行灰度直方图均衡以使图像更为清晰;
上述步骤(3)自适应模糊阈值法为:首先,设预处理后的图像X的大小为M×N,其中M和N分别为图像的长和宽,单位为像素;有L级灰度,h(k)为图像X中灰度取k的像素个数,则原图像的直方图可表示为:
其中k=0,1,2,…,L-1,f(i,j)表示(i,j)处的灰度值,将直方图归一化为H(k),对直方图做两次变换,令第一次变换后直方图为hb1(k)归一化为Hb1(k),第二次变换后直方图为hb2(k)归一化为Hb2(k):
其中:g{e(i,j)}=[1+e(i,j)]-2,
令hb0(k)=Hb1(k)+Hb2(k),将hb0(k)归一化后从而得到新直方图,模糊阈值分割实质是对图像直方图进行加权平均,得到模糊率曲线,其极小值对应分割阈值,假设μ(x)是在L级灰度上的隶属函数,若像素(m,n)灰度为xmn,则隶属度为μ(xmn),其中m=0,1,2,…,M-1,n=0,1,2,…,N-1,表示像素(m,n)具有明亮性的程度,则定义图像的模糊率为:
隶属函数为:
由式(5)可知,μ(x)由窗宽c=2Δq及q决定,而q是在灰度区间上是遍历的,故只需确定c即可;鉴于钢材的韧窝图像的窗宽c均小于5,故c试取4时,由隶属函数计算得到模糊率曲线极小值点数n,将此n值作为判据,与λ-1(由于二值图像的像素类别数λ为2)相比较,若n=λ-1,则此时窗宽c为最佳窗宽,若n>λ-1,则令c=c+2重新计算模糊率曲线,直至n=λ-1为止,由此即可得到极小值对应的阈值从而实现图像的二值化。
上述步骤(4)所说的淬熄函数法控制的极限腐蚀,具体步骤如下:
1)计算准备:建立一个数据点栈存储腐蚀点,再建立一个数据点队存储临时处理点;分割图背景设定为0,目标标记为其像素灰度值bij;
2)对目标图进行一次整图扫描,用八邻域法判断像素点是否为目标边缘点,若是该点进队,同时将其灰度设置成255;
3)边缘点出队,搜索数据点队,判断此队点是否为最终连通成份,若是,则出队点不予腐蚀;否,则出队点腐蚀掉,存进数据点栈;
4)判断腐蚀层数是否达到给定极限腐蚀层数并且数据点队点数是否达到给定极限腐蚀点数,若是,则停止腐蚀;否,则转步骤2继续腐蚀;
5)求最终连通成份的集合,获得极限腐蚀。
上述步骤(4)逐层膨胀法为:对韧窝核进行膨胀处理,膨胀时各域保持同层位增长,各域生长到相遇时形成韧窝分界线。
上述步骤(5)所说的改进的扫描线种子填充法,是在原有扫描线种子填充法的基础上进行了优化改进,具体是:
1)栈顶像素出栈;
2)沿扫描线对栈像素的左右像素进行填充,直至遇到像素边界为止,即每出栈一个像素,就对包含像素的整个区间进行填充;
3)将上述区间内最左、最右两端点的像素分别记为left.X和right.X的两个变量中;
4)在区间[left.X,right.X]中检查与当前扫描线相邻的上下两条扫描线的有关像素是否全为边界像素或已填充的像素,若存在非边界、未填充的像素,则把未填充的每一个连续区段最右像素作为种子像素入栈。
上述步骤(6)对韧窝进行区域标定的方法为:
1)用递归标记算法对同一图像中各韧窝区域像素进行标识,取得各自的特征;
2)标定图像中每个像素的实际尺寸。
上述步骤(7)中对韧窝的面积测量和直径求取是依据像素构成韧窝,从而以像素实际面积累加得到韧窝面积,进而计算其直径。
上述步骤(8)中以图表方式输出韧窝直径分类统计结果。
本发明还公开了一种实现上述钢材韧窝图像的自动复原、测量分类方法的装置,该装置包括图像采集系统、韧窝图像预处理模块、韧窝图像复原模块、韧窝图像分析模块和输出模块;其中
图像采集系统:用于获取钢材韧窝的原始图像;
韧窝图像预处理模块:用于将原始图像进行中值滤波去噪、灰度直方图修正;
韧窝图像复原模块:用于对经过预处理的图像采用自适应模糊阈值法进行二值分割,得到韧窝的二值图像;对二值图像采用淬熄函数法控制的极限腐蚀、逐层膨胀获取韧窝完整边界;采用改进的扫描线种子填充法填充韧窝孔洞;
韧窝图像分析模块:对经过复原处理的韧窝图像进行区域标定;将韧窝直径设定为该韧窝最小外接圆的直径;采用无规性韧窝区域面积算法测量韧窝面积,继而求得韧窝直径;自动得到韧窝的测量分类统计结果;
输出模块:用于将韧窝的自动测量分类统计结果以图表文件显示输出。
上述所说的图像采集系统包括专业显微镜和摄像机(内附图像采集卡),采集到的原始图像存储到采集卡中并通过采集卡输入到图像预处理模块中进行处理。
所说的图像预处理模块、韧窝图像复原模块、韧窝图像分析模块和输出模块可置于同一计算机中。
本发明优点是:
1、通过自适应模糊阈值分割法很好地实现了韧窝与背景的分离,在消除噪声的同时保留了韧窝的边缘信息。通过极限腐蚀和逐层膨胀法以及改进扫描线种子填充算法对韧窝图像进行处理,很好的解决了韧窝边界缺失、韧窝孔洞等缺陷问题,这是迄今为止其它任何非人工韧窝分析模式都难以做到的。
2、本发明所提供的韧窝图像的自动复原、测量分类方法能够完整、清晰地检测和显示韧窝的边缘,采用基于形态特征的无规性韧窝形态特征区域面积算法测量韧窝,可精确、高效、便捷地进行韧窝的测量及其分类,无漏检、无重检。为钢铁材料的韧窝定量微观分析提供了可靠依据。
3、整个韧窝图像的复原及测量分类过程在标准配置的计算机上运行,完成一个视场的韧窝的复原及测量分类只需几分钟即可。
4、本发明具有优异的普适性,可以推广应用于材料领域一切背景复杂、形态复杂的断口测量分析分类工作。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1是本发明的流程图;
图2是图像采集系统硬件示意图;
图3是实施例1的原始图像;
图4是图2经中值滤波后的图像;
图5是实施例1中值滤波后并经灰度修正的图像;
图6是图5二值分割后的图像;
图7a是图6中的待分离韧窝图像,图7b是其分离后韧窝图像;
图8a是图6中的孔洞韧窝图像,图8b是其填充后的韧窝图像;
图9是实施例1原始图像经滤波、修正、二值分割及缺陷处理后的效果图;
图10是实施例1韧窝区域标定递归处理次序图;
图11是实施例1的韧窝测量分类结果;
图12是实施例2的原始图像;
图13是实施例2目标图像经中值滤波、灰度修正及二值分割后的图像;
图14是实施例2的目标图像自动复原后的图像;
图15是实施例2的韧窝测量分类结果。
具体实施方式
本发明涉及到的中值滤波去噪、灰度直方图修正,其具体内容参见:杨淑莹.VC++图像处理程序设计(2005年1月第二版).清华大学出版社,北京交通大学出版社.ISBN 7-81082-450-3/TP.162.PP98-105,76-80;自适应模糊阈值算法的具体内容可参见:陈果,左洪福.图像的自适应模糊阈值分割法[J].自动化学报,2003,29(5):PP791-796;淬熄函数法控制的极限腐蚀、逐层膨胀是本发明在李新城,王有鹏,朱伟兴,张炎.基于形态学的金相组织图像晶界复原方法[J].计算机工程与设计.2008.N014.PP3807-3809.一文基础上的创新工作;改进的扫描线种子填充算法是本发明在余腊生,沈德耀.扫描线种子填充算法的改进[J].计算机工程,2003,29(10):PP70-72一文基础上的创新工作;基于形态特征的无规性韧窝形态特征区域面积等算法则是本专利的原始创新工作。
如图1所示,本发明首先利用图像采集系统获取韧窝的原始图像并将其存入系统附带的图像采集卡。对原始图像的预处理,就是先进行中值滤波处理以消除噪声点,再采用直方图修正法对其进行灰度修正,使图像变得清晰而易识别,鉴于本发明的目的仅涉及韧窝的形态特征,而与颜色信息无关,故只需对其采用自适应模糊阈值法进行二值分割,得到目标物与背景完全分割的黑白模板,即韧窝的二值图像。由于韧窝二值图像中存在的韧窝边界缺失以及孔洞问题,还必需通过极限腐蚀和逐层膨胀法产生分界线以再现韧窝边界;用改进的扫描线种子填充法填充孔洞。至此,真实的韧窝形态特征被还原,方可进行后续的韧窝测量工作。在测量时,首先对同一图像中各韧窝进行区域标定,即对各韧窝区域像素进行标识,然后采用无规性韧窝区域面积算法测量韧窝面积,继而可方便地计算出韧窝的直径并以图表文件的形式将其测量分类结果输出。
下面通过2个实施例对本发明再详细说明:
实施例1
利用图像采集系统获得钢材韧窝的原始图像,图像采集系统的硬件如图2所示:1--钢材试样、2--专业显微镜、3--摄像头(内附图像采集卡)、4--计算机、5--打印机。图像采集的具体步骤是利用专业显微镜将图像调至合适的焦距,在图像最清晰时摄像并存储到图像采集卡中(如图3所示),继而可进行后续的图像预处理。
在预处理时先利用中值滤波对目标图像进行去噪处理,去除图像中的脉冲噪声、椒盐噪声等孤立的噪声点,并能防止边缘模糊,中值滤波效果如图4所示。为了将原始图像进一步处理成清晰且含有大量有用信息的图像,还需对目标图像进行图像增强处理——灰度直方图修正,灰度修正效果如图5所示。鉴于本发明仅涉及测定韧窝的形态特征,而与颜色信息无关,故可对其进行二值分割得到将韧窝与背景完全分割的黑白模板,即韧窝的二值图像。本发明采用自适应模糊阈值分割法对目标图像进行二值分割,具体实施过程如下。
设预处理后的图像X的大小为M×N(M和N分别为图像的长和宽,单位为像素),有L级灰度,h(k)为图像X中灰度取k的像素个数。则原图像的直方图可表示为:
其中k=0,1,2,…,L-1,f(i,j)表示(i,j)处的灰度值,将直方图归一化为H(k)。对直方图做两次变换,令第一次变换后直方图为hb1(k)归一化为Hb1(k),第二次变换后直方图为hb2(k)归一化为Hb2(k)。
第一次变换:
第二次变换:
其中:g{e(i,j)}=[1+e(i,j)]-2;
令hb0(k)=Hb1(k)+Hb2(k),将hb0(k)归一化后从而得到新直方图。模糊阈值分割实质是对图像直方图进行加权平均,得到模糊率曲线,其极小值对应分割阈值。假设μ(x)是在L级灰度上的隶属函数,若像素(m,n)灰度为xmn,则隶属度为μ(xmn),其中m=0,1,2,…,M-1,n=0,1,2,…,N-1,表示像素(m,n)具有明亮性的程度。则定义图像的模糊率为:
隶属函数则采用标准的S函数
由上式可知,μ(x)由窗宽c=2Δq及q决定,而q是在灰度区间上是遍历的,故只需确定c即可。而c的取值对于分割结果好坏起决定作用,c取值越小,μ(x)曲线越陡峭,当其作用于h(k)所得到的模糊率曲线在灰度直方图的谷点就可能出现振荡,从而产生假阈值;c取值越大,μ(x)曲线越平坦,在模糊率曲线上就可能会平滑掉直方图上的谷点,造成阈值丢失。窗宽c大于两峰间的距离时,则不能保证求出正确阈值。当窗宽c小于两峰间距离时,必定存在最小模糊率,因而可取得正确阈值。鉴于钢材的韧窝图像的窗宽c均小于5,c试取4时,由隶属函数计算得到模糊率曲线极小值点数n。将此n值作为判据,与λ-1(由于二值图像的像素类别数λ为2)相比较,若n=λ-1,则此时窗宽c为最佳窗宽,若n>λ-1,则令c=c+2重新计算模糊率曲线,直至n=λ-1为止。由此即可得到极小值对应的阈值从而实现图像的二值化,其二值分割效果如图6所示。
目标图像在经过上述处理后,虽然图像质量获得显著改善,但是尚未解决韧窝边界缺失、韧窝孔洞等问题,这将影响韧窝的精确测量与分类的可靠性。
本发明采取的韧窝边界修复算法即首先对采用淬熄函数法来控制目标图像的极限腐蚀,求得韧窝核心。具体算法如下:
(1)计算准备:建立一个数据点栈存储腐蚀点,再建立一个数据点队存储临时处理点;分割图背景设定为0,目标标记为其像素灰度值bij。
(2)对目标图进行一次整图扫描,用八邻域法判断像素点是否为目标边缘点,若是该点进队,同时将其灰度设置成255。
(3)边缘点出队,搜索数据点队,判断此队点是否为最终连通成份(即:若八临域像素点中出现至少一个灰度标记为非0时,当前出队点为非最终连通成份;若没有,则该点再次入队,并记录其入队次数,如此反复进行,超过设定入队次数仍没有标记为非0的八临域像素,即可判断为最终连通成份)。是,则出队点不予腐蚀;否,则出队点腐蚀掉,存进数据点栈。
(4)判断腐蚀层数是否达到给定极限腐蚀层数并且数据点队点数是否达到给定极限腐蚀点数。是,则停止腐蚀,否,则转步骤2继续腐蚀。
(5)求最终连通成份的集合,获得极限腐蚀。
之后再采用逐层膨胀法求得的完整韧窝边界,算法如下:
(1)要初始化一个大小等于图像长×宽的数组,用来将每个像素根据所属的韧窝编号。这是由于需要对膨胀的过程加以控制,若不加控制最后就膨胀为原来粘连的对象。
(2)从所有目标腐蚀后的第二层开始,忽略腐蚀掉的第一层,通过检测边缘的方法来识别腐蚀一层后的各目标,此时如果有粘连目标经过第一层腐蚀后分离,则将被识别为两个不同的目标。识别效果由上述数组纪录,每个像素对应的值表示这个像素所在目标的编号。
(3)将所有目标在原图像范围内膨胀,每个目标膨胀出的像素点标记成与目标相同的编号。此时刚刚分离的目标又粘连在一起,但是已经有了不同的编号,与不同编号的点相邻的点就可以认为是粘连目标的分界点,分界点的集合可以组成分界线。
(4)记录分界线的点,再分别从第三,四及更高层膨胀并计算出分界线,进而完成整幅图像的分割。
图7a是待分离韧窝图像,图7b是分离后韧窝图像;
对于孔洞韧窝,本发明采用改进的扫描线种子填充算法进行填充,该算法的基本思想是利用区域在扫描线上的连贯性,以给定的种子点开始填充种子点所在扫描线上的一个区间,然后利用相邻扫描线上填充区间的连贯性,在上下两条相邻扫描线上寻找新的填充区间。每个区间只取最右边的像素作为种子点入栈,从而使得堆栈空间大为减少,具有较高的效率。改进扫描线种子填充算法描述如下:
(1)栈顶像素出栈;
(2)沿扫描线对栈像素的左右像素进行填充,直至遇到像素边界为止,即每出栈一个像素,就对包含像素的整个区间进行填充;
(3)将上述区间内最左、最右两端点的像素分别记为left.X和right.X的两个变量中;
(4)在区间[left.X,right.X]中检查与当前扫描线相邻的上下两条扫描线的有关像素是否全为边界像素或已填充的像素,若存在非边界、未填充的像素,则把未填充的每一个连续区段最右像素作为种子像素入栈。
图8a是孔洞韧窝图像,图8b是填充后的韧窝图像。
综上所述,对目标图像进行以上各步骤处理后,即可得到整幅韧窝图像的自动复原效果,如图9所示。
图9中一个个彼此分离的黑块是原图像中韧窝大小的客观反映。为便于提取韧窝特征参数还需对各韧窝进行区域标定,即对各韧窝区域像素进行标识。区域标定算法为递归标记算法,其步骤为:
步骤1;按从左到右,从上到下以TV光栅的方式从图像的左上角开始扫描,直到发现一个没有标记的1像素点;
步骤2:对此1像素点赋予一个新的标记NewFlag;
步骤3:按图10所示的编号次序,对此像素(阴影)点的8个邻点进行扫描,如果遇到没有标记的1像素点就把它标记为NewFlag(它也就是步骤2中的NewFlag)。此时又要按图10次序扫描8个邻点中的1像素的8个邻点,如遇到没有标记的1像素,又将它标记为NewFlag。此过程是一个递归,在邻点中遇到没有标记的1像素点,递推一层,直到没有标记的1像素点被耗尽,才开始返回,返回也是层层返回;
步骤4:递归结束,继续扫描没有标记的1像素点,然后执行2、3两个步骤;
步骤5:反复执行上述过程直到光栅扫描到图像的右下脚。
对图像进行尺寸标定,即标定图像中每个像素的实际尺寸,其算法如下:
(1)在图像中对目标物,从上向下,从左向右逐行搜索,搜索到的第一个灰度值为1的像素点即为目标韧窝(尺寸标定参考物)的上切点,记其y坐标为y1;
(2)再从下向上,从左向右逐行搜索到的第一个灰度值为1的像素点即为该目标韧窝下切点,记其y坐标为y2。
(3)从左向右逐列找出最左边一个灰度值为1的像素即为该目标韧窝左切点,记其为x坐标为x1;
(4)从右向左逐列找出最右边一个灰度值为1的像素即为该目标韧窝右切点,记其为x坐标为x2。
采用显微镜专用标准刻度尺测量实际尺寸,若实际尺寸单位为nm,则可由下式计算出比例因子:
其中:X_SCALE为X方向的比例因子,Y_SCALE为Y方向的比例因子,它们的量纲均为纳米/像素。将比例因子计算出后,再提取图像的形态特征参数,即对二值图像模板数组进行扫描,计算出目标区域中灰值为1的像素点总数NA,得出目标区域面积A:
A=X_SCALEY_SCALE×NA nm2
韧窝直径为 通过对实施例1图像进行测量,其韧窝测量分类结果,如图11所不。
实施例2
如图12所示的原始图像,该图像为超细晶钢的韧窝图像,其韧窝特别密集且尺寸特别细小,若用手工模式对其进行韧窝的测量分析是十分困难,亦难以获得精确测量分类结果。现用本发明对其处理过程为:首先对目标图像进行中值滤波、灰度直方图修正及自适应模糊阈值二值分割,处理效果如图13所示;再对二值图像进行缺失边界复原、孔洞填充的处理,处理效果如图14所示;对各韧窝进行区域标定后,测量韧窝面积并求出其直径,输出韧窝测量分类结果,如图15所示。
Claims (7)
1.一种钢材韧窝图像的自动复原、测量分类方法,其特征是采用下列步骤:
1)通过图像采集系统获取钢材韧窝的原始图像;
2)将钢材韧窝图像进行中值滤波去噪、灰度直方图修正;
3)对经过滤波、修正的目标图像采用自适应模糊阈值法进行二值分割,得到韧窝的二值图像;
4)对二值图像采用淬熄函数法控制的极限腐蚀、逐层膨胀获取韧窝完整边界;
5)采用改进的扫描线种子填充法填充韧窝孔洞;
6)对经过上述处理的韧窝进行区域标定;
7)采用基于形态特征的无规性韧窝形态特征区域面积算法测量韧窝面积,求取韧窝直径,自动得到韧窝的测量分类统计结果;
8)将韧窝的自动测量分类统计结果以图表文件显示输出。
2.根据权利要求1所述的钢材韧窝图像的自动复原、测量分类方法,其特征是步骤(3)自适应模糊阈值法为:首先,设预处理后的图像X的大小为M×N,其中M和N分别为图像的长和宽,单位为像素;有L级灰度,h(k)为图像X中灰度取k的像素个数,则原图像的直方图可表示为:
其中k=0,1,2,…,L-1,f(i,j)表示(i,j)处的灰度值,将直方图归一化为H(k),对直方图做两次变换,令第一次变换后直方图为hb1(k)归一化为Hb1(k),第二次变换后直方图为hb2(k)归一化为Hb2(k):
其中:g{e(i,j)}=[1+e(i,j)]-2,
令hb0(k)=Hb1(k)+Hb2(k),将hb0(k)归一化后从而得到新直方图,模糊阈值分割实质是对图像直方图进行加权平均,得到模糊率曲线,其极小值对应分割阈值,假设μ(x)是在L级灰度上的隶属函数,若像素(m,n)灰度为xmn,则隶属度为μ(xmn),其中m=0,1,2,…,M-1,n=0,1,2,…,N-1,表示像素(m,n)具有明亮性的程度,则定义图像的模糊率为:
隶属函数为:
由(5)可知,μ(x)由窗宽c=2Δq及q决定,而q是在灰度区间上是遍历的,故只需确定c即可;鉴于钢材的韧窝图像的窗宽c均小于5,故c试取4时,由隶属函数计算得到模糊率曲线极小值点数n,将此n值作为判据,与λ-1(由于二值图像的像素类别数λ为2)相比较,若n=λ-1,则此时窗宽c为最佳窗宽,若n>λ-1,则令c=c+2重新计算模糊率曲线,直至n=λ-1为止,由此即可得到极小值对应的阈值从而实现图像的二值化。
3.根据权利要求1所述的钢材韧窝图像的自动复原、测量分类方法,其特征是步骤(4)采用淬熄函数法控制的极限腐蚀,步骤如下:
1)计算准备:建立一个数据点栈存储腐蚀点,再建立一个数据点队存储临时处理点;分割图背景设定为O,目标标记为其像素灰度值bij;
2)对目标图进行一次整图扫描,用八邻域法判断像素点是否为目标边缘点,若是该点进队,同时将其灰度设置成255;
3)边缘点出队,搜索数据点队,判断此队点是否为最终连通成份,若是,则出队点不予腐蚀;否,则出队点腐蚀掉,存进数据点栈;
4)判断腐蚀层数是否达到给定极限腐蚀层数并且数据点队点数是否达到给定极限腐蚀点数,若是,则停止腐蚀;否,则转步骤2继续腐蚀;
5)求最终连通成份的集合,获得极限腐蚀。
4.根据权利要求1所述的钢材韧窝图像的自动复原、测量分类方法,其特征是步骤(4)逐层膨胀法为:对韧窝核进行膨胀处理,膨胀时各域保持同层位增长,各域生长到相遇时形成韧窝分界线。
5.根据权利要求1所述的钢材韧窝图像的自动复原、测量分类方法,其特征是步骤(5)改进的扫描线种子填充法具体为:
1)栈顶像素出栈;
2)沿扫描线对栈像素的左右像素进行填充,直至遇到像素边界为止,即每出栈一个像素,就对包含像素的整个区间进行填充;
3)将上述区间内最左、最右两端点的像素分别记为left.X和right.X的两个变量中;
4)在区间[left.X,right.X]中检查与当前扫描线相邻的上下两条扫描线的有关像素是否全为边界像素或已填充的像素,若存在非边界、未填充的像素,则把未填充的每一个连续区段最右像素作为种子像素入栈。
6.根据权利要求1所述的钢材韧窝图像的自动复原、测量分类方法,其特征是步骤(6)对韧窝进行区域标定的方法为:
1)用递归标记算法对同一图像中各韧窝区域像素进行标识,取得各自的特征;
2)标定图像中每个像素的实际尺寸。
7.一种实现权利要求1所述钢材韧窝图像的自动复原、测量分类方法的装置,其特征在于图像采集系统、韧窝图像预处理模块、韧窝图像复原模块、韧窝图像分析模块和输出模块;其中
图像采集系统:用于获取钢材韧窝的原始图像;
韧窝图像预处理模块:用于将原始图像进行中值滤波去噪、灰度直方图修正;
韧窝图像复原模块:用于对经过预处理的图像采用自适应模糊阈值法进行二值分割,得到韧窝的二值图像;对二值图像采用淬熄函数法控制的极限腐蚀、逐层膨胀获取韧窝完整边界;采用改进的扫描线种子填充法填充韧窝孔洞;
韧窝图像分析模块:对经过复原处理的韧窝图像进行区域标定;将韧窝直径设定为该韧窝最小外接圆的直径;采用无规性韧窝区域面积算法测量韧窝面积,继而求得韧窝直径;自动得到韧窝的测量分类统计结果;
输出模块:用于将韧窝的自动测量分类统计结果以图表文件显示输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010018211XA CN101782526B (zh) | 2010-01-19 | 2010-01-19 | 一种钢材韧窝图像的自动复原、测量分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010018211XA CN101782526B (zh) | 2010-01-19 | 2010-01-19 | 一种钢材韧窝图像的自动复原、测量分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101782526A true CN101782526A (zh) | 2010-07-21 |
CN101782526B CN101782526B (zh) | 2012-08-15 |
Family
ID=42522607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010018211XA Expired - Fee Related CN101782526B (zh) | 2010-01-19 | 2010-01-19 | 一种钢材韧窝图像的自动复原、测量分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101782526B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519983A (zh) * | 2011-12-27 | 2012-06-27 | 江南大学 | 光伏铝型材压痕在线检测方法 |
CN103363910A (zh) * | 2012-03-30 | 2013-10-23 | 鞍钢股份有限公司 | 一种热轧盘条表面氧化铁皮平均厚度测量方法 |
CN103940708A (zh) * | 2014-04-10 | 2014-07-23 | 江苏大学 | 一种钢材全形态晶粒的快速测量、精细分类方法 |
CN104751137A (zh) * | 2015-03-19 | 2015-07-01 | 江苏大学 | 钢材韧窝图像深度均匀度的自动测量、分类方法及其系统 |
CN105579834A (zh) * | 2013-09-30 | 2016-05-11 | 株式会社Ihi | 图像分析装置和程序 |
CN105608682A (zh) * | 2015-12-29 | 2016-05-25 | 上海大学 | 提高原子力显微镜图像质量的方法 |
CN107314957A (zh) * | 2017-06-30 | 2017-11-03 | 长安大学 | 一种岩石块度尺寸分布的测量方法 |
CN107507137A (zh) * | 2017-07-14 | 2017-12-22 | 深圳前海城市宠儿网络科技有限公司 | 一种图像修复方法及系统 |
CN111189387A (zh) * | 2020-01-02 | 2020-05-22 | 西安工程大学 | 一种基于机器视觉的工业零件尺寸检测方法 |
CN113592948A (zh) * | 2019-12-31 | 2021-11-02 | 深圳硅基仿生科技有限公司 | 条栅视力的检测方法 |
CN114092397A (zh) * | 2021-10-14 | 2022-02-25 | 西安交通大学 | 一种基于图像处理的腐蚀铝箔孔洞面积和直径统计方法 |
CN116309948A (zh) * | 2023-05-24 | 2023-06-23 | 中海油田服务股份有限公司 | 基于电成像的地层背景图像计算方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1208892A (en) * | 1967-05-23 | 1970-10-14 | Oasis Technical Invest Ltd | Alarm actuator apparatus |
US6085414A (en) * | 1996-08-15 | 2000-07-11 | Packard Hughes Interconnect Company | Method of making a flexible circuit with raised features protruding from two surfaces and products therefrom |
CN101387493B (zh) * | 2008-07-10 | 2010-09-08 | 长春理工大学 | 铁塔构件孔的形位尺寸非接触光电检测方法 |
CN101424551B (zh) * | 2008-11-28 | 2010-08-04 | 北京航空航天大学 | 主动视觉非接触式伺服机构参数测量方法及其装置 |
-
2010
- 2010-01-19 CN CN201010018211XA patent/CN101782526B/zh not_active Expired - Fee Related
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519983A (zh) * | 2011-12-27 | 2012-06-27 | 江南大学 | 光伏铝型材压痕在线检测方法 |
CN103363910A (zh) * | 2012-03-30 | 2013-10-23 | 鞍钢股份有限公司 | 一种热轧盘条表面氧化铁皮平均厚度测量方法 |
CN105579834A (zh) * | 2013-09-30 | 2016-05-11 | 株式会社Ihi | 图像分析装置和程序 |
CN105579834B (zh) * | 2013-09-30 | 2019-02-19 | 株式会社Ihi | 图像分析装置和程序 |
CN103940708A (zh) * | 2014-04-10 | 2014-07-23 | 江苏大学 | 一种钢材全形态晶粒的快速测量、精细分类方法 |
CN103940708B (zh) * | 2014-04-10 | 2016-04-06 | 江苏大学 | 一种钢材全形态晶粒的快速测量、精细分类方法 |
CN104751137A (zh) * | 2015-03-19 | 2015-07-01 | 江苏大学 | 钢材韧窝图像深度均匀度的自动测量、分类方法及其系统 |
CN104751137B (zh) * | 2015-03-19 | 2018-08-21 | 江苏大学 | 钢材韧窝图像深度均匀度的自动测量、分类方法及其系统 |
CN105608682A (zh) * | 2015-12-29 | 2016-05-25 | 上海大学 | 提高原子力显微镜图像质量的方法 |
CN105608682B (zh) * | 2015-12-29 | 2019-06-04 | 上海大学 | 提高原子力显微镜图像质量的方法 |
CN107314957B (zh) * | 2017-06-30 | 2020-07-07 | 长安大学 | 一种岩石块度尺寸分布的测量方法 |
CN107314957A (zh) * | 2017-06-30 | 2017-11-03 | 长安大学 | 一种岩石块度尺寸分布的测量方法 |
CN107507137A (zh) * | 2017-07-14 | 2017-12-22 | 深圳前海城市宠儿网络科技有限公司 | 一种图像修复方法及系统 |
CN113592948A (zh) * | 2019-12-31 | 2021-11-02 | 深圳硅基仿生科技有限公司 | 条栅视力的检测方法 |
CN111189387A (zh) * | 2020-01-02 | 2020-05-22 | 西安工程大学 | 一种基于机器视觉的工业零件尺寸检测方法 |
CN114092397A (zh) * | 2021-10-14 | 2022-02-25 | 西安交通大学 | 一种基于图像处理的腐蚀铝箔孔洞面积和直径统计方法 |
CN114092397B (zh) * | 2021-10-14 | 2023-08-22 | 西安交通大学 | 一种基于图像处理的腐蚀铝箔孔洞面积和直径统计方法 |
CN116309948A (zh) * | 2023-05-24 | 2023-06-23 | 中海油田服务股份有限公司 | 基于电成像的地层背景图像计算方法及装置 |
CN116309948B (zh) * | 2023-05-24 | 2023-07-21 | 中海油田服务股份有限公司 | 基于电成像的地层背景图像计算方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101782526B (zh) | 2012-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101782526B (zh) | 一种钢材韧窝图像的自动复原、测量分类方法及装置 | |
CN106845372B (zh) | 一种星载遥感光学图像的船舶目标检测识别方法和系统 | |
Zhu et al. | Detection of large-scale concrete columns for automated bridge inspection | |
CN110378879A (zh) | 一种桥梁裂缝检测方法 | |
CN109977790A (zh) | 一种基于迁移学习的视频烟雾检测与识别方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN108460764A (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN104977313A (zh) | 一种焊缝x射线图像缺陷检测与识别方法和装置 | |
CN105512666A (zh) | 一种基于视频的河道垃圾识别方法 | |
CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
CN105893946A (zh) | 一种正面人脸图像的检测方法 | |
CN114170511B (zh) | 基于Cascade RCNN的路面裂缝病害识别方法 | |
CN108765402A (zh) | 无纺布缺陷检测与分类方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN110309808A (zh) | 一种大范围尺度空间下的自适应烟雾根节点检测方法 | |
CN109003275A (zh) | 焊缝缺陷图像的分割方法 | |
CN115797354A (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN110097537A (zh) | 一种基于三维纹理特征的肉质定量分析评价方法 | |
CN110378921A (zh) | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 | |
CN112991271A (zh) | 基于改进yolov3的铝型材表面缺陷视觉检测方法 | |
CN104484679B (zh) | 非制式枪射击弹头痕迹图像自动识别方法 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
CN112101440B (zh) | 一种基于改进U-Net网络的日冕物质抛射检测方法 | |
Laggoune et al. | Tree ring analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120815 Termination date: 20150119 |
|
EXPY | Termination of patent right or utility model |