CN103903266B - 一种微纳米颗粒分散分布的分析评估方法 - Google Patents
一种微纳米颗粒分散分布的分析评估方法 Download PDFInfo
- Publication number
- CN103903266B CN103903266B CN201410138109.1A CN201410138109A CN103903266B CN 103903266 B CN103903266 B CN 103903266B CN 201410138109 A CN201410138109 A CN 201410138109A CN 103903266 B CN103903266 B CN 103903266B
- Authority
- CN
- China
- Prior art keywords
- micro
- connected domain
- nano granules
- area
- image
- 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.)
- Active
Links
Abstract
本发明提供的一种微纳米颗粒分散分布的分析评估方法,包括以下步骤:采集微纳米颗粒显微图像,并进行灰度化处理;采用OTSU大津法进行二值化处理,去除图像中的杂质点和无效连通域;利用形态学运算,分离相连的连通域,并填补连通域中的孔洞;添加虚拟颗粒,采用分水岭算法进行图像分割,获得分割后的特征连通域;计算特征连通域的相关数据;对微纳米颗粒分散分布进行评估。本发明提供的分析评估方法,能够获得更加精确的结果;可批量快速处理大量的微纳米颗粒分布显微图像;能够从均匀度、密度和团聚程度三个方面,全面地对微纳米颗粒分布的情况进行分析和评估。
Description
技术领域
本发明涉及微纳米颗粒的分布和操控及分析领域,以及电子封装领域,具体涉及一种微纳米颗粒分散分布的分析评估方法。
背景技术
微纳米颗粒的材料价值和应用前景,已经逐步被人们所认识,纳米科学与技术被认为是21世纪的三大科技之一。由于微纳米颗粒的尺度较小,其体积效应和表面效应在磁性、电性及催化性能、吸附性能等等方面都表现出特别的性能,受到极大关注,但与此同时,由于微纳米颗粒的比表面积大,比表面能高,在分散和分布的过程中,易发生团聚现象,这是我们所不期望看到的。
玻璃覆晶(Chip-On-Glass,COG)封装技术是微电子封装领域里的一项非常重要的封装技术,但因受到温度、清洁、成本等方面的限制,已经被各向异性导电胶(AnisotropicConductiveFilm,ACF)取代。在ACF导电胶中,对导电性能起决定性作用的,是导电颗粒在芯片上的凸点与对应的焊盘之间的分布情况。这些颗粒大多是微纳米尺度的颗粒。随着显示器等电子封装行业对高分辨率和大容量平板显示器的要求,芯片封装的密度和性能也不得不随之提高,由此带来的对ACF导电胶中颗粒分布的密度的要求也随之提升。当颗粒密度增加会使得相邻的凸点之间的颗粒间距变小,颗粒之间因团聚而发生短路的几率大大增加;同时由于凸点面积的减小,以及密度要求的提高,凸点又存在无法捕捉到颗粒的可能性。因此,获知凸点上颗粒分布的具体情况,尤其是分布的均匀度,密度和团聚情况,对了解和提升电子封装的密度和性能,起着十分重要的作用。
传统的颗粒分布分析评估的方法,是通过网格法,人工对显微图像进行统计分析。由于这种分析手段主要取决于人的主观因素,因此存在各种主观误差,准确度和效率都很低。此外,由于微纳米颗粒之间,易发生团聚现象,人工很难准确分离出大量的相邻颗粒与团聚颗粒,因此,急需一种有效的图像处理方法和分析评估手段,对微纳米颗粒分散分布的情况进行分析和评估。
发明内容
本发明提供一种微纳米颗粒分散分布的分析评估方法,该方法能够自动的对微纳米颗粒分散分布的显微图像进行处理并对其分布的均匀度、密度和团聚程度进行准确、高效的统计、分类、分析和评估。
本发明提供的一种微纳米颗粒分散分布的分析评估方法,包括以下步骤:
(1)采集微纳米颗粒显微图像,并进行灰度化处理,得到灰度图像;
(2)采用OTSU大津法对灰度图像进行处理,得到二值化图像,去除二值化图像中的杂质点和无效连通域;
(3)利用形态学运算处理二值化图像,分离相连的连通域,并填补连通域中的孔洞;
(4)添加虚拟颗粒,对添加虚拟颗粒后的图像采用分水岭算法进行图像分割,获得分割后的特征连通域;
(5)计算特征连通域的相关数据;
(6)对微纳米颗粒分散分布进行评估。
进一步地,步骤(3)中分离相连的连通域,包括以下步骤:
(31)在所有连通域中,寻找像素面积大于1.5A的连通域,其中A为单个微纳米颗粒的标准连通域像素面积范围,像素面积大于1.5A的连通域为两个或两个以上微纳米颗粒相连的连通域;
(32)选择像素值为1的结构元素,对像素面积大于1.5A的连通域进行腐蚀,并重新进行分析,如果像素面积大于1.5A的连通域被分割为两个或两个以上的连通域,像素面积大于1.5A的连通域为两个或两个以上微纳米颗粒相邻的连通域,相邻是指微纳米颗粒至少相隔一个像素形成的界线;如果像素面积大于1.5A的连通域没有被分割,像素面积大于1.5A的连通域为两个或两个以上微纳米颗粒团聚的连通域。
进一步地,步骤(3)中填补连通域中的孔洞,包括以下步骤:
(33)在所有连通域中,寻找背景像素被前景像素包围的连通域;
(34)在步骤(33)中找到的连通域中,用前景色替换被前景像素包围的背景像素的背景色。
进一步地,步骤(4)中添加虚拟颗粒,包括以下步骤:
(41)在步骤(3)中得到的图像的边界上或边界外侧添加相邻的虚拟颗粒,为采用分水岭算法进行图像分割处理边界处的连通域分割提供边界。
进一步地,步骤(4)中分水岭算法采用象素点的欧拉距离作为分割标准。
进一步地,步骤(5)中相关数据包括连通域数目、连通域像素面积以及颗粒数目。
进一步地,步骤(6)中对微纳米颗粒分散分布进行评估包括均匀度评估,密度评估以及团聚程度评估。
进一步地,均匀度评估包括以下步骤:
(61)计算所有微纳米颗粒所属的特征连通域的像素总面积,并计算特征连通域像素面积的平均值;
(62)计算特征连通域像素面积的标准差,并计算标准差与平均值的比值COV值,以表征微纳米颗粒之间分布的位置均匀度;
(63)计算每个特征连通域的质心,通过对所有所述特征连通域的质心求算术平均,获得总质心,计算所述总质心与图像中心之间的距离和角度,以表征微纳米颗粒整体分布的对称性和偏向性。
标准差与平均值的比值COV值为变异系数,变异系数越小,越接近0,说明微纳米颗粒之间的分布越均匀;质心和图像中心之间的距离和角度,是衡量图像中微纳米颗粒整体分布的偏向性和对称性的指标,距离越大,说明整体分布越偏离中心,角度可表征分布的位置。
进一步地,密度评估包括以下步骤:
(64)计算总体颗粒密度,总体颗粒密度为所有特征连通域的总颗粒数目与图像实际面积的比值;
(65)计算每个微纳米颗粒所属的特征连通域的面积,并计算面积的倒数;
(66)计算所有特征连通域的总面积与所有微纳米颗粒的总数目的比值,得到均匀分布时,每个微纳米颗粒所属的面积,并求面积的倒数;
(67)计算微纳米颗粒密度是当前密度2倍、0.5倍时面积的倒数;
(68)将步骤(65)得到的每个微纳米颗粒所属的特征连通域的面积的倒数值,与步骤(66)与步骤(67)得到的三个值进行比较,将每个微纳米颗粒所属的特征连通域划分到三个值划分出的四个密集等级的相应密集等级内;
(69)对每个密集等级,计算特征连通域的面积和与总面积的比。
总体颗粒密度越大,说明单位面积内分布的颗粒数目越多;定义有效密度为不同密度等级下颗粒所属的区域的面积,根据其实际颗粒所属区域面积与标准区域面积的对比进行分类,可将颗粒划分为密度不同的等级。颗粒所属区域面积越小,则说明其所归属的密度等级越大。
进一步地,团聚程度评估包括以下步骤:
(67)计算所有微纳米颗粒所属的特征连通域的像素总面积;
(68)根据单个微纳米颗粒的标准连通域像素面积范围,对所有特征连通域进行分类,分类包括;单分散颗粒、轻微团聚颗粒以及重度团聚颗粒;轻微团聚颗粒为2或3个微纳米颗粒团聚,重度团聚颗粒为4或4个以上微纳米颗粒团聚;
(69)计算单分散颗粒特征连通域的颗粒数目与总颗粒数目的比值,计算轻微团聚颗粒特征连通域的颗粒数目与总颗粒数目的比值,以及计算重度团聚颗粒特征连通域的颗粒数目与总颗粒数目的比值。
与现有技术相比,本发明提供的微纳米颗粒分散分布的分析评估方法具有以下有益效果:
(1)基于OTSU算法的二值化处理,以及对孔洞的填补和杂质点噪点的去除,以及形态学运算对团聚微纳米颗粒的分离,可以更好的处理微纳米颗粒分布的分析和评估,获得更加精确的结果;
(2)可批量快速处理大量的微纳米颗粒分布显微图像,单张图像分析处理只需要不到1秒钟;
(3)能够从均匀度、密度和团聚程度三个方面,全面地对微纳米颗粒分布的整体情况进行分析和评估,获得微纳米颗粒分布在位置上、密度上以及微纳米颗粒团聚程度上的全面信息。
附图说明
图1是本发明的一个实施例中的微纳米颗粒分散分布的分析评估方法的流程框图;
图2是采用图1所示的微纳米颗粒分散分布的分析评估方法分析的原始图像的灰度图;
图3是OTSU大津法处理后的二值化图像;
图4是删除噪点和边界杂质点后的二值化图像;
图5是单个颗粒的分散分布图;
图6是2个颗粒团聚的分散分布图;
图7是3个颗粒团聚的分散分布图;
图8是4个以及4个以上颗粒团聚的分散分布图;
图9是添加虚拟颗粒的图像;
图10是基于欧式距离变换的分水岭分割划分,将颗粒分布划分为不同大小的特征连通域;
图11是颗粒密度为4000、2000、1000下的有效密度图;
图12是另一原始图像的灰度图;
图13是图12所示的灰度图的分水岭分割图像。
具体实施方式
颗粒是指微纳米颗粒。
以下结合附图,对本发明进行详细描述。
1、对微纳米颗粒显微图像进行灰度处理,获得灰度图像,如图1所示,灰度处理的具体步骤为,将RGB图像的三个通道数值,按照公式
Gray=R*0.299+G*0.587+B*0.114,
进行计算,获得各个像素点的灰度值。
2、二值化处理,去除杂质和边界无效目标:
1)OTSU大津法利用了图像中目标和背景之间灰度值上的差异,将图像视为具有不同灰度等级的目标与背景的组合,通过选取一个合适的阈值,判断图像中某一个具体的像素点是属于目标还是背景,从而产生具有初步特征标记的二值化图像。
设定灰度图像为Img(x,y),目标和背景的分离阈值为T,属于目标的像素点占总像素点的比例为w0,平均灰度为Mean0,背景像素占总像素点的比例为w1,平均灰度为Mean1。图像的总平均灰度记为Mean,类间方差记为g。图像的大小为M×N,像素中灰度值小于阈值T的像素个数记为N0,像素中灰度值大于阈值T的像素个数记为N1,则有:
No+N1=MxN(3)
w0+w1=1(4)
Mean=w0×Mean0+w1×w1×Mean1(5)
g=w0(Mean0-Mean)2+w1(Mean1-Mean)2(6)
将式(5)代入式(6),得到
9WOW1(MeonoMean1)2
遍历所有类间方差,即可得最大的阈值T。
设B={b0,b1}代表一个二值化灰度级,于是有处理后的图像Img′(x,y)在阈值T上的处理结果为:
Img′(x,y)即为处理后的二值化图像,如图3所示。
2)去除杂质点和无效连通域:
统计二值化图像中所有连通域的像素面积,通过对这些像素面积进行排序和比较,可以获知单个颗粒的特征连通域像素面积的范围,设定该范围为A。将明显小于A的噪点或者杂质点的连通域删除,并以图像中像素点的坐标为索引,分析图像周边上那些小于A的连通域,并将其删除,如图4所示。
3、形态学方法分离相连目标区域或连通域,填补孔洞:
3.1)遍历所有连通域,基于二值化图像,寻找背景像素被前景像素包围的连通域,并将其填补起来;
3.2)统计所有连通域的像素面积,并区分出像素面积大于1.5A的连通域,这些连通域为2个甚至更多个颗粒相连时在图像中表征出来的连通域;
3.3)对这些较大的连通域,选择结构元素为1的圆形结构对其进行腐蚀,重新对该连通域进行分析,如果该连通域被分割为两个或者多个单独的连通域,说明这些颗粒之前是相邻的,相邻是指微纳米颗粒至少相隔一个像素形成的界线,如果没有被分割成多个连通域,说明这些颗粒是团聚紧靠的;
3.4)遍历所有较大的连通域,并最终重新统计形态学腐蚀后的新的连通域集合的数目和像素总面积情况。
图5是单个颗粒的分散分布图;图6是2个颗粒团聚的分散分布图;图7是3个颗粒团聚的分散分布图;图8是4个以及更多个颗粒团聚的分散分布图;由图5-图8可见,本发明的方法可将颗粒不同程度团聚的分布划分出来。
4、添加虚拟颗粒,基于欧式距离变换对图像进行分水岭分割,如图9所示:
4.1)在图像的四周,边界外围,添加相邻的虚拟颗粒,以虚拟颗粒的质心坐标为圆心,以真实颗粒像素半径为半径构建基本元素,为下一步分水岭分割处理边界处的颗粒区域分割提供边界;
在图像的边缘,即图像的边界上或图像外围增加一层虚拟颗粒,即在图像的边界上人为增加密集的单个颗粒大小的二值化颗粒连通域。增加虚拟颗粒的目的是为了在分割算法对处于图像边界处的颗粒划分时,能够对应到比他们更加外围的颗粒,使得划分出的区域将真正的颗粒包裹在内。如果不添加虚拟颗粒,边界颗粒被分割时是开放的,他们就没有被包裹的区域,因此也无法计算他们的相关属性。
4.2)对添加了虚拟颗粒的图像进行分水岭分割,其中分水岭算法,请参照文献:VincentL,SoilleP.watershedsindigitalspaces:Anefficientalgorithmbasedonimmersionsimulations[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1991,13(6),583-598,即文森特L,索雷P,空间数字化分水岭算法:一种有效的基于浸入仿真的算法,IEEE模式分析与机器智能期刊,第13期第6章583-598页,分水岭算法分割颗粒分布图像后获得不同大小的区域划分,如图10所示。
4.3)分水岭算法分割之后,获得显微图像中每个颗粒或颗粒团聚体的特征区域,并计算该特征区域的数目,面积大小,连通域像素总面积,质心等相关信息;
5、从均匀度、密度和团聚程度三个方面对颗粒分布进行分析评估:
5.1)计算分割后每个颗粒或连通域所属的区域的像素面积,按照颗粒数目(连通域数目)计算平均区域像素面积,并计算其面积的标准差,使用标准差与平均像素面积的比值,即变异系数,表征颗粒之间分布的位置均匀度,根据图2所示的原始图像,可计算得出总体COV值为0.4176,单分散COV值为0.4170。COV值越靠近1,说明颗粒所属的目标区域之间的像素面积相差很大,COV值越接近0,说明颗粒之间的分布很均匀;
5.2)设定背景像素的质量为0,颗粒像素的质量为1,计算每个颗粒连通域的质心,通过对所有特征连通域的质心求算术平均,获得总质心,并计算总质心与图像中心之间的距离和角度,表征颗粒整体分布的对称性和偏向性,计算得出偏心距为6.82mm,角度为66度,通过与其他图像分析结果比较,可以判断哪一个颗粒分布的对称性更好,偏向性如何;
5.3)计算颗粒总数目和总面积的比值,表征颗粒整体密度;单独的颗粒数值密度无法整体表征同样数目的颗粒在同样大小的图像中分布的位置,因此引入有效密度的概念。
5.3.1)计算每个颗粒所属的特征连通域的面积,并计算面积的倒数;
由前可知,颗粒越密集,颗粒本身越小,则其所属面积越小,因此倒数越大;由此获得规律:倒数值越大的颗粒区域,其颗粒分布越密集;倒数值越小,则颗粒分布越稀疏。
5.3.2)计算图像中所有颗粒的数目,得到均匀分布时,每个颗粒所属的面积(总面积/总数目),并求倒数;
5.3.3)计算颗粒密度是当前密度2倍,0.5倍时面积的倒数;
5.3.4)将步骤5.3.1)得到的每个颗粒所属的特征连通域的倒数值,与步骤5.3.2)与步骤5.3.3)得到的三个值进行比较,将每个颗粒所属的特征连通域划分到上述三个值划分出的四个密集等级的相应密集等级内;
5.3.5)对每个密集等级,计算特征连通域的面积和与总面积的比。
通过以上步骤,获得不同密度等级的颗粒所属区域面积占总图像面积的比例。通过有效密度的占比,可以和数值密度互相补充了解颗粒分布的密度。根据计算,总体颗粒密度为3914个/mm2,单分散颗粒密度为2247个/mm2,有效密度如图11所示。
5.4)根据单个颗粒的连通域平均面积和遍历所得全部的单分散和团聚颗粒的全部连通域,区分单个颗粒的连通域,与团聚颗粒的连通域,并按照单分散、轻微团聚(2~3个颗粒团聚)和重度团聚(4~5以及更多颗粒团聚)不同等级,计算不同团聚程度下颗粒连通域占图像总面积的比率,三种团聚情况下的比率分别为Rmono,Rsli,Rsev分别为0.588,0.37,0.117。由此可见,单分散的颗粒占总体颗粒分布的一半以上,说明团聚情况不是非常严重。
6、本发明的评估方法,除了可对单张图像进行分析评估,也可适用于不同颗粒分布显微图像之间的比较。图9为另一个颗粒分布的显微图像,图13为图12所示的图像基于欧式距离变换的分水岭分割图像。表1为两张颗粒分布图像在本发明的方法下进行分析计算得到的结果。
根据表1,可知图2中颗粒的密度大于图9,且根据团聚程度的分析可知,图9中颗粒大部分都是团聚情况较严重的问题,且从COV的值也可以看出,图2的颗粒分布均匀性要好于图9,且分布的偏向性也更靠近中心地带。
表1分析评估两张颗粒分布显微图像
Dw(/mm2) | RmonoRsli | Rsev | COV | 偏心距 | θ | |
图2 | 4004 | 0.58780.37 | 0.117 | 0.419 | 2.196 | 66 |
图9 | 2491 | 0.060.28 | 0.65 | 0.59 | 17.8 | 77 |
本发明提供的微纳米颗粒分散分布的分析评估方法,基于OTSU算法的二值化处理,以及对孔洞的填补和杂质点噪点的去除,以及形态学运算对粘附颗粒的分离,可以更好的处理微纳米颗粒分布的分析和评估,获得更加精确的结果;可批量快速处理大量的颗粒分布显微图像,单张图像分析处理只需要不到1秒钟;能够从均匀度、密度和团聚程度三个方面,全面地对颗粒分布的整体情况进行分析和评估,获得颗粒分布在位置上、密度上以及颗粒聚集程度上的全面信息。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种微纳米颗粒分散分布的分析评估方法,其特征在于,包括以下步骤:
(1)采集微纳米颗粒显微图像,并进行灰度化处理,得到灰度图像;
(2)采用OTSU大津法对所述灰度图像进行处理,得到二值化图像,去除所述二值化图像中的杂质点和无效连通域;
(3)利用形态学运算处理所述二值化图像,分离相连的连通域,并填补连通域中的孔洞;
(4)添加虚拟颗粒,对添加虚拟颗粒后的图像采用分水岭算法进行图像分割,获得分割后的特征连通域;
(5)计算所述特征连通域的相关数据;
(6)对所述微纳米颗粒分散分布进行评估;
步骤(3)中分离相连的连通域,包括以下步骤:
(31)在所有连通域中,寻找像素面积大于1.5A的连通域,其中A为单个微纳米颗粒的标准连通域像素面积范围,所述像素面积大于1.5A的连通域为两个或两个以上所述微纳米颗粒相连的连通域;
(32)选择像素值为1的结构元素,对所述像素面积大于1.5A的连通域进行腐蚀,并重新进行分析,如果所述像素面积大于1.5A的连通域被分割为两个或两个以上的连通域,所述像素面积大于1.5A的连通域为两个或两个以上所述微纳米颗粒相邻的连通域,所述相邻是指所述微纳米颗粒至少相隔一个像素形成的界线;如果所述像素面积大于1.5A的连通域没有被分割,所述像素面积大于1.5A的连通域为两个或两个以上所述微纳米颗粒团聚的连通域。
2.根据权利要求1所述的微纳米颗粒分散分布的分析评估方法,其特征在于,步骤(3)中填补连通域中的孔洞,包括以下步骤:
(33)在所有连通域中,寻找背景像素被前景像素包围的连通域;
(34)在步骤(33)中找到的连通域中,用前景色替换被前景像素包围的背景像素的背景色。
3.根据权利要求1所述的微纳米颗粒分散分布的分析评估方法,其特征在于,步骤(4)中添加虚拟颗粒,包括以下步骤:
(41)在步骤(3)中得到的图像的边界上或边界外侧添加相邻的虚拟颗粒,为采用分水岭算法进行图像分割处理边界处的连通域分割提供边界。
4.根据权利要求1所述的微纳米颗粒分散分布的分析评估方法,其特征在于,步骤(4)中所述分水岭算法采用象素点的欧拉距离作为分割标准。
5.根据权利要求1所述的微纳米颗粒分散分布的分析评估方法,其特征在于,步骤(5)中所述相关数据包括连通域数目、连通域像素面积以及颗粒数目。
6.根据权利要求1所述的微纳米颗粒分散分布的分析评估方法,其特征在于,步骤(6)中对微纳米颗粒分散分布进行评估包括均匀度评估,密度评估以及团聚程度评估。
7.根据权利要求6所述的微纳米颗粒分散分布的分析评估方法,其特征在于,所述均匀度评估包括以下步骤:
(61)计算所有微纳米颗粒所属的所述特征连通域的像素总面积,并计算所述特征连通域像素面积的平均值;
(62)计算所述特征连通域像素面积的标准差,并计算所述标准差与所述平均值的比值COV值,以表征所述微纳米颗粒之间分布的位置均匀度;
(63)计算每个所述特征连通域的质心,通过对所有所述特征连通域的质心求算术平均,获得总质心,并计算所述总质心与图像中心之间的距离和角度,以表征所述微纳米颗粒整体分布的对称性和偏向性。
8.根据权利要求6所述的微纳米颗粒分散分布的分析评估方法,其特征在于,所述密度评估包括以下步骤:
(64)计算总体颗粒密度,所述总体颗粒密度为所有特征连通域的总微纳米颗粒数目与图像实际面积的比值;
(65)计算每个微纳米颗粒所属的特征连通域的面积,并计算所述面积的倒数;
(66)计算所有特征连通域的总面积与所有微纳米颗粒的总数目的比值,得到均匀分布时,每个微纳米颗粒所属的面积,并求所述面积的倒数;
(67)计算微纳米颗粒密度是当前密度2倍、0.5倍时面积的倒数;
(68)将步骤(65)得到的每个所述微纳米颗粒所属的特征连通域的面积的倒数值,与步骤(66)与步骤(67)得到的三个值进行比较,将每个微纳米颗粒所属的特征连通域划分到所述三个值划分出的四个密集等级的相应密集等级内;
(69)对每个所述密集等级,计算所述特征连通域的面积和与总面积的比。
9.根据权利要求6所述的微纳米颗粒分散分布的分析评估方法,其特征在于,所述团聚程度评估包括以下步骤:
(70)计算所有所述微纳米颗粒所属的特征连通域的像素总面积;
(71)根据单个所述微纳米颗粒的标准连通域像素面积范围,对所有所述特征连通域进行分类,分类包括:单分散颗粒、轻微团聚颗粒以及重度团聚颗粒;所述轻微团聚颗粒为2或3个微纳米颗粒团聚,所述重度团聚颗粒为4或4个以上微纳米颗粒团聚;
(72)计算单分散颗粒特征连通域的颗粒数目与总颗粒数目的比值,计算所述轻微团聚颗粒特征连通域的颗粒数目与总颗粒数目的比值,以及计算所述重度团聚颗粒特征连通域的颗粒数目与总颗粒数目的比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410138109.1A CN103903266B (zh) | 2014-04-08 | 2014-04-08 | 一种微纳米颗粒分散分布的分析评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410138109.1A CN103903266B (zh) | 2014-04-08 | 2014-04-08 | 一种微纳米颗粒分散分布的分析评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103903266A CN103903266A (zh) | 2014-07-02 |
CN103903266B true CN103903266B (zh) | 2016-07-06 |
Family
ID=50994573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410138109.1A Active CN103903266B (zh) | 2014-04-08 | 2014-04-08 | 一种微纳米颗粒分散分布的分析评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103903266B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104282026B (zh) * | 2014-10-24 | 2017-06-13 | 上海交通大学 | 基于分水岭算法和最小生成树的分布均匀性评估方法 |
CN104376329A (zh) * | 2014-11-17 | 2015-02-25 | 上海交通大学 | 基于空间自相关性和分水岭算法的聚类评估方法 |
CN104729961B (zh) * | 2015-03-27 | 2017-06-13 | 电子科技大学 | 一种各向异性导电膜中粒子的检测方法 |
CN108827181B (zh) * | 2018-03-14 | 2021-04-09 | 浙江大学山东工业技术研究院 | 一种基于视觉的板材表面检测方法 |
CN109030579B (zh) * | 2018-08-06 | 2021-03-02 | 山东建筑大学 | 基于聚类的ert污染检测数据处理方法及系统 |
CN110660043A (zh) * | 2019-08-26 | 2020-01-07 | 苏州感知线智能科技有限公司 | 异方性导电膜绑定后导电粒子数目的快速检测方法及装置 |
CN110702705B (zh) * | 2019-11-20 | 2022-04-29 | 大连交通大学 | 一种基于原子分辨电镜的负载金属催化剂分散度测算方法 |
CN112906461A (zh) * | 2021-01-14 | 2021-06-04 | 河北省农林科学院昌黎果树研究所 | 一种基于图像分析评价葡萄果实整齐度的方法 |
CN115294106B (zh) * | 2022-09-28 | 2022-12-20 | 加乐新材料(南通)有限公司 | 一种乳胶溶液中颗粒的均匀度检测方法 |
CN116330516B (zh) * | 2023-05-29 | 2023-08-29 | 乳山市东方硅胶有限公司 | 一种硅胶颗粒生产设备颗粒大小控制系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004099773A1 (en) * | 2003-04-30 | 2004-11-18 | Pfizer Products Inc. | Automated in vitro cellular imaging assays for micronuclei and other target objects |
CN102494976A (zh) * | 2011-11-18 | 2012-06-13 | 江苏大学 | 一种超细晶粒钢晶粒的自动测量及其形态分类统计方法 |
-
2014
- 2014-04-08 CN CN201410138109.1A patent/CN103903266B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004099773A1 (en) * | 2003-04-30 | 2004-11-18 | Pfizer Products Inc. | Automated in vitro cellular imaging assays for micronuclei and other target objects |
CN102494976A (zh) * | 2011-11-18 | 2012-06-13 | 江苏大学 | 一种超细晶粒钢晶粒的自动测量及其形态分类统计方法 |
Non-Patent Citations (3)
Title |
---|
基于改进分水岭算法的粘连颗粒图像分割;戴丹;《计算机技术与发展》;20130310;第23卷(第3期);19-22 * |
形态分水岭算法在重叠米粒图像分割中的应用;肖助明 等;《计算机工程与应用》;20070821;196-199 * |
计算机图像处理技术在矿物颗粒粒度检测中的应用;王大海;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111215;1-49 * |
Also Published As
Publication number | Publication date |
---|---|
CN103903266A (zh) | 2014-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103903266B (zh) | 一种微纳米颗粒分散分布的分析评估方法 | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
Ouma et al. | Pothole detection on asphalt pavements from 2D-colour pothole images using fuzzy c-means clustering and morphological reconstruction | |
CN103559500B (zh) | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 | |
CN105138970B (zh) | 基于空间信息的极化sar图像分类方法 | |
CN105510195A (zh) | 一种堆叠骨料的粒度粒形在线检测方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN103279957A (zh) | 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法 | |
CN103778636B (zh) | 一种用于无参考图像质量评价的特征构建方法 | |
CN103473739A (zh) | 一种基于支持向量机的白细胞图像精确分割方法与系统 | |
CN102663431B (zh) | 一种基于区域加权的图像匹配计算方法 | |
CN116934748B (zh) | 一种基于乳化高黏沥青的路面裂纹检测系统 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN104361343A (zh) | 车辆类型识别方法及其装置 | |
CN102073867B (zh) | 一种遥感图像分类方法及装置 | |
KR20120125900A (ko) | 이중편파 레이더를 이용한 기상 및 비기상 에코 분류 방법 | |
CN106803245B (zh) | 基于探地雷达周期性检测的铁路路基状态评估方法 | |
CN104282008B (zh) | 对图像进行纹理分割的方法和装置 | |
CN103425986A (zh) | 基于边缘邻域加权的乳腺肿块图像特征提取方法 | |
CN102999761A (zh) | 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 | |
CN105404868A (zh) | 一种基于交互平台的复杂背景中文本的快速检测方法 | |
CN102999762A (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN104102928A (zh) | 一种基于纹理基元的遥感图像分类方法 | |
CN102938069A (zh) | 一种基于信息熵的纯净和混合像元自动划分方法 | |
CN103871066A (zh) | 超声图像Ncut分割中相似度矩阵的构造方法 |
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 |