CN104657989B - 基于图像对目标对象进行测量的方法和装置 - Google Patents
基于图像对目标对象进行测量的方法和装置 Download PDFInfo
- Publication number
- CN104657989B CN104657989B CN201510063351.1A CN201510063351A CN104657989B CN 104657989 B CN104657989 B CN 104657989B CN 201510063351 A CN201510063351 A CN 201510063351A CN 104657989 B CN104657989 B CN 104657989B
- Authority
- CN
- China
- Prior art keywords
- image
- conversion treatment
- measurement
- binary
- binary conversion
- 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
Landscapes
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于图像对第一目标对象进行测量的方法和装置。在一个方法中，该方法包括：获取至少包含所述第一目标对象的图像；对所述至少包含所述第一目标对象的图像进行局域二值化处理，以获得二值化图像；以及基于所述第一目标对象的特征，对所述二值化图像中的所述第一目标对象进行测量。本发明的方法和装置实现的技术效果是，人工和/或设备成本都较低；基本上没有人为误差；测量结果的准确度更高，尤其是在图像背景复杂或图像质量较差的情况下；效率更高。
Description
技术领域
本公开的实施例涉及图像处理领域，更具体地涉及基于图像对目标对象进行测量的方法和装置。
背景技术
随着电子技术和图像处理技术的飞速发展，数字相机、显微镜等各种成像设备普及率的提高，图像的数量和种类正以惊人的速度增长，使用图像处理技术的各种应用已经越来越多地应用于各种行业和领域。
例如，磷灰石裂变径迹分析方法(其是一种放射性年龄测定技术)一般需要基于包含裂变径迹的图像对裂变径迹进行测量，获取矿物中由铀元素形成的断裂或者径迹的测量结果(例如，数量、费雷特最大直径、费雷特最小直径等)，进而分析矿物的地质年代。裂变径迹由很多长度从几微米到几百微米不等的径迹组成，由于生长方向不同，垂直于观察面生成的形成点状径迹，以一定角度生成的形成纤维状径迹。作为一种相对简单而有效的年龄测定技术，裂变径迹分析法在过去的30多年里已经在地质学界被广泛地应用在对火成岩、变质岩、沉积岩低温热年代研究上。该方法分析矿物或岩石中，由铀-238自发衰减形成的裂变径迹的数量、密度、长度等数据，计算出该矿物的形成年代。
此外，许多其它应用也需要借助于图像处理技术对图像中的感兴趣的目标对象进行各种测量，例如计数测量，诸如药片计数、野生动物计数、人员计数等，直径测量，重心测量，面积测量，长度测量以及甚至三维测量等。
然而目前基于图像对目标对象进行测量的现有技术往往导致一些问题。例如，目前裂变径迹分析通常存在以下问题：(1)成本较高，例如采用人工测量或人工处理较多的一些方法导致人工成本较高，采用高级或复杂设备的一些方法导致设备成本较高，因此得到有效、足够的数据所需花费的设备和时间成本较高，尤其是在对大量图像进行处理的情况下；(2)引入人为误差，例如在R.A.Donelick等人的名称为“Reviews in Mineralogy&Geochemistry”，卷.58,pp.45-94,2005的文献中指出在测量过程中引入的人为误差很大；(3)准确度较低，例如在于2007年7月25日提交，名称为“A method of automaticallycounting fission tracks”，专利申请号为PCT/AU2007/001033的专利申请所提出的方法中，二值化(Threshold)是采用传统的全局二值化的方法(Global Threshold)，基于直方图(Histogram)的统计分析做的，整个图像采用一个阈值。这一方法在图像背景复杂或图像质量较差的情况下，测量结果的准确度较低，无法将特征分离出来；(4)效率较低，例如在上述专利申请号为PCT/AU2007/001033的专利申请所提出的方法中，该方法需要获取反射观察模式和透射观察模式的两种图像，并对这两种图像进行处理，效率较低；以及(5)其它方面的问题。通过引用将上述文档整体地并入本申请。
可见本领域需要一种改进的基于图像对目标对象进行测量的技术。
发明内容
本公开的实施例旨在解决上述问题中的一个或多个问题。
根据本公开的一个方面，公开了一种基于图像对第一目标对象进行测量的方法，包括以下步骤：获取至少包含所述第一目标对象的图像；对所述至少包含所述第一目标对象的图像进行局域二值化处理，以获得二值化图像；以及基于所述第一目标对象的特征，对所述二值化图像中的所述第一目标对象进行测量。
根据本公开的另一个方面，公开了一种基于图像对第一目标对象进行测量的方法，包括以下步骤：获取至少包含所述第一目标对象的图像；对所述至少包含第一目标对象的图像进行全局二值化处理，以获得全局二值化处理后的图像；对所述至少包含第一目标对象的图像进行局域二值化处理，以获得局域二值化处理后的图像；将所述全局二值化处理后的图像与所述局域二值化处理后的图像进行图像逻辑运算，以获得二值化图像；以及基于所述第一目标对象的特征，对所述二值化图像中的所述第一目标对象进行测量。
根据本公开的实施例，其中在所述第一目标对象是矿物的裂变径迹的情况下，所述获取步骤通过显微镜获取透射光或反射光下的至少包含所述裂变径迹的显微图像。
根据本公开的实施例，其中在所获取的图像是彩色图像的情况下，所述方法还包括：将所获取的图像转换为灰度图像。
根据本公开的实施例，其中所述转换步骤还包括：通过色调分离将所获取的图像转换为灰度图像。
根据本公开的实施例，所述方法还包括：基于所述二值化图像中的第二目标对象的特征，对所述二值化图像进行去碎屑处理以去除所述第二目标对象。
根据本公开的实施例，其中所述测量步骤还包括：基于所述第一目标对象的特征，通过图像模式识别对所述二值化图像中的所述第一目标对象进行识别；以及对所识别的所述第一目标对象进行测量。
根据本公开的实施例，其中所述测量包括以下中的一项或多项：计数测量、直径测量、重心测量、面积测量、以及长度测量。
根据本公开的实施例，其中在通过图像获取设备获取至少包含所述第一目标对象的图像并且能够控制所述图像获取设备的情况下，所述方法还包括：根据第一目标对象的测量结果，进一步控制所述图像获取设备以获取至少包含一部分所述第一目标对象的新的图像。
根据本公开的实施例，所述方法还包括：存储测量结果和与测量结果相关的信息。
根据本公开的实施例，其中所述第一目标对象包括裂变径迹。
根据本公开的实施例，其中所述图像逻辑运算包含与运算。
根据本公开的另一个方面，公开了一种基于图像对第一目标对象进行测量的装置，该装置包括：获取单元，其被配置为获取至少包含所述第一目标对象的图像；局域二值化处理单元，其被配置为对所述至少包含所述第一目标对象的图像进行局域二值化处理，以获得二值化图像；以及测量单元，其被配置为基于所述第一目标对象的特征，对所述二值化图像中的所述第一目标对象进行测量。
根据本公开的另一个方面，公开了一种基于图像对第一目标对象进行测量的装置，该装置包括：获取单元，其被配置为获取至少包含所述第一目标对象的图像；全局二值化处理单元，其被配置为对所述至少包含第一目标对象的图像进行全局二值化处理，以获得全局二值化处理后的图像；局域二值化处理单元，其被配置为对所述至少包含第一目标对象的图像进行局域二值化处理，以获得局域二值化处理后的图像；图像逻辑运算单元，其被配置为将所述全局二值化处理后的图像与所述局域二值化处理后的图像进行图像逻辑运算，以获得二值化图像；以及测量单元，其被配置为基于所述第一目标对象的特征，对所述二值化图像中的所述第一目标对象进行测量。
根据本公开的实施例，其中在所述第一目标对象是矿物的裂变径迹的情况下，所述获取单元通过显微镜获取透射光或反射光下的至少包含所述裂变径迹的显微图像。
根据本公开的实施例，其中在所获取的图像是彩色图像的情况下，所述装置还包括：转换单元，其被配置为将所获取的图像转换为灰度图像。
根据本公开的实施例，其中所述转换单元还被配置为通过色调分离将所获取的图像转换为灰度图像。
根据本公开的实施例，所述装置还包括：去碎屑单元，其被配置为基于所述二值化图像中的第二目标对象的特征，对所述二值化图像进行去碎屑处理以去除所述第二目标对象。
根据本公开的实施例，其中所述测量单元还包括：识别单元，其被配置为基于所述第一目标对象的特征，通过图像模式识别对所述二值化图像中的所述第一目标对象进行识别；以及第一测量单元，其被配置为对所识别的所述第一目标对象进行测量。
根据本公开的实施例，其中所述测量包括以下中的一项或多项：计数测量、直径测量、重心测量、面积测量以及长度测量。
根据本公开的实施例，其中在通过图像获取设备获取至少包含所述第一目标对象的图像并且能够控制所述图像获取设备的情况下，所述装置还包括：控制单元，其被配置为根据第一目标对象的测量结果，进一步控制所述图像获取设备以获取至少包含一部分所述第一目标对象的新的图像。
根据本公开的实施例，所述装置还包括：存储单元，其被配置为存储测量结果和与测量结果相关的信息。
根据本公开的实施例，其中所述第一目标对象包括裂变径迹。
根据本公开的实施例，其中所述图像逻辑运算包含与运算。
上述实施例，可以完全由计算机或计算设备来实现，并且可以使用常规的成像设备，不需要人工操作或需要人工操作较少，从而人工和/或设备成本都较低，此外由于测量中基本上不需要人工操作，因此基本上没有人为误差，与现有技术中专利申请号为PCT/AU2007/001033的专利申请所提出的方法相比，本公开的实施例在图像背景复杂或图像质量较差的情况下，测量结果的准确度更高，此外，本公开的实施例仅需要处理一种图像，而现有技术中专利申请PCT/AU2007/001033所记载的技术需要获取反射观察模式和透射观察模式的两种图像并对其进行处理，因此本公开的实施例的效率更高。
附图说明
图1示出了可以使用本公开的实施例的一种示例操作环境的示意图。
图2a示出了根据本公开的一个实施例的基于图像对第一目标对象进行测量的方法的示意流程图。
图2b示出了根据本公开的另一个实施例的基于图像对第一目标对象进行测量的方法的示意流程图。
图3a示出了根据本公开的一个实施例的基于图像对第一目标对象进行测量的装置的示意框图。
图3b示出了根据本公开的另一个实施例的基于图像对第一目标对象进行测量的装置的示意框图。
图4示出了在本公开的实施例中可以使用的两种类型的裂变径迹显微图像。
图5示出了根据本公开的实施例的经过色度分离处理后的不同通道的灰度图像。
图6示出了根据本公开的实施例的分别经过全局和局域二值化处理得到的二值化图像。
图7示出了图6中的二值化图像的局部放大的二值化图像。
图8示出了根据本公开的实施例的对全局和局域二值化图像进行与运算后得到的二值化图像。
图9示出了根据本公开的实施例的基于图像对裂变径迹进行计数测量的结果与手工计数的结果的对比图。
图10示出了根据本公开的实施例的基于图像对裂变径迹进行计数测量的结果与测试次数的关系图。
在附图中，为便于理解，已经使用相似或相同的标记指代基本上具有相同或类似结构和/或相同或类似功能的元素。
具体实施方式
下面参照附图描述本公开的实施例。在下面的描述中，阐述了许多具体细节以便使所属技术领域的技术人员更全面地了解和实现本公开。但是，对所属技术领域的技术人员明显的是，本公开的实现可不具有这些具体细节中的一些。此外，应当理解的是，本公开并不局限于所介绍的特定实施例。相反，可以考虑用下面所述的特征和要素的任意组合来实施本公开，而无论它们是否涉及不同的实施例。因此，下面的方面、特征、实施例和优点仅作说明之用，而不应看作是权利要求的要素或限定，除非在权利要求中明确提出。
下面就结合附图对本公开的各个实施例进行详细地说明，以下描述仅是示例性的，而不是将本公开局限于此。
需要注意的是，在本公开的一些实施例中，将结合对诸如裂变径迹的第一目标对象进行计数测量来描述本公开的实施例，但是本公开的实施例并不是仅限于裂变径迹计数，而是可以适用于基于图像对任何其它合适的第一目标对象进行任何测量。
本公开实施例的操作环境
图1示出了可以使用本公开的实施例的一种示例操作环境100的示意图。
如图1所示，操作环境100可以包括：根据本公开的实施例的目标对象测量装置102，其能够通过一种或多种网络与图像获取装置104进行通信，以获取至少包含第一目标对象的图像。例如，目标对象测量装置102可以通过有线网络和/或无线网络与图像获取装置104进行通信。
目标对象测量装置102可以包含但不限于：台式计算机、膝上型计算机、计算设备、移动计算机、移动计算设备、平板计算设备、服务器、云计算计算机、虚拟机、个人数字助理(PDA)、移动电话、智能电话等。
操作环境100还可以包括一个或多个图像获取装置，诸如图像获取装置104。图像获取装置可以包括但不限于：显微镜、照相机、摄像机、摄像头以及能够捕获图像的任何其它设备。图像获取装置104可以捕获至少包含第一目标对象的彩色图像和/或灰度图像。
操作环境100还可以包括网络108，网络108可以包括任何有线网络和/或无线网络的任何组合。无线网络可以包括但不限于：无线蜂窝电话网络，诸如全球移动通信系统(GSM)网络，第三代(3G)网络，第3.5代(3.5G)网络，第四代(4G)网络，通用移动通信系统(UMTS)，码分多址接入(CDMA)网络等，无线局域网(WLAN)，诸如由电子电气工程师协会(IEEE)802.x标准中的任何标准定义的WLAN，微波接入全球性互通(WiMAX)，卫星网络，专用无线网络等。有线网络可以包含但不限于：以太网局域网，令牌环局域网，广域网，以及互联网等。
需要注意的是，网络108可以包含一个或多个通信设备以对各种通信数据进行中转(或中继)或路由，也可以没有任何通信设备而直接使用有线或无线通信介质进行通信。
目标对象测量装置102可以使用任何合适的通信协议与图像获取装置104进行通信，例如TCP协议、UDP协议、HTTP协议或私有协议等。
应当注意本公开中使用的术语“通信”意味着在两个或者更多元素之间的任何直接或者间接通信，并且可以涵盖在“通信”的两个元素之间存在一个或者多个中间元素。此外“通信”可以是连续通信，例如，一直建立通信连接，也可以是间断性的通信，例如每隔一段时间建立通信等，在本公开的各种实施例中，可以采用任何合适形式的通信，对此没有任何限制。
此外，操作环境100还可以包含另外的设备/装置，例如输入/输出(I/O)装置等，诸如显示器、键盘、扬声器等。
此外，操作环境100也可以仅包含目标对象测量装置102。在这种情况下，可以通过可移动存储设备将目标对象测量装置102需要处理的至少包含第一目标对象的图像传送给目标对象测量装置102。
此外，目标对象测量装置102与图像获取装置104也可以集成在一起。
一种基于图像对第一目标对象进行测量的方法
下面参照图2a并且结合图1和图4-6对根据本公开的实施例的基于图像对第一目标对象进行测量的方法的示意流程图进行详细说明。
如图2a所示，图2a示出了根据本公开的实施例的基于图像对第一目标对象进行测量的方法200a的示意流程图。方法200a包括：步骤S202，获取至少包含第一目标对象的图像；步骤S204，对所述至少包含所述第一目标对象的图像进行局域二值化处理，以获得二值化图像；以及步骤S206，基于第一目标对象的特征，对二值化图像中的第一目标对象进行测量。
在一个实施例中，可以在目标对象测量装置102中执行方法200a。
根据一个实施例，在步骤S202中，目标对象测量装置102可以通过多种方式来获取至少包含第一目标对象的图像。例如，在步骤S202中，如果至少包含第一目标对象的图像被存储在本地的可移动存储设备中或目标对象测量装置102与图像获取装置104集成在一起，则目标对象测量装置102可以本地地获取位于本地的至少包含第一目标对象的图像；或如果至少包含第一目标对象的图像被存储在网络上或通过网络可以获取，则目标对象测量装置102可以通过网络来获取位于远程的至少包含第一目标对象的图像。
第一目标对象可以包括任何潜在的需要测量的对象，包含宏观对象和微观对象，例如，宏观对象可以包括矿石对象、药片对象、人员对象等，微观对象可以包括矿石对象的裂变径迹等。本公开对第一目标对象的类型、大小和数量等没有任何限制。
所获取的图像可以包括彩色图像或灰度图像。彩色图像可以包括任何颜色模型的图像，例如，RGB颜色模型、HSL颜色模型、CMYK颜色模型等。本公开对彩色图像的类型没有任何限制。此外，一般而言，颜色模型可以相互转换。
所获取的图像的格式包括但不限于:bmp，jpg，tiff，gif，pcx，tga，exif，fpx，svg，psd，cdr，pcd，dxf，ufo，eps，ai，raw或其它合适的格式。
在一个实施例中，在第一目标对象是矿物的裂变径迹的情况下，步骤S202通过显微镜获取透射光或反射光下的至少包含裂变径迹的显微图像。显微镜可以包括能够获取透射光或反射光图像的任何类型的显微镜。在这种情况下，在显微镜获取了透射光或反射光下的至少包含裂变径迹的显微图像后，可以通过与目标对象测量装置102的连接(诸如有线连续和/或无线连接)将所获取的图像传送给目标对象测量装置102。图4示出了在本公开的实施例中可以使用的两种类型的裂变径迹显微图像，该显微图像属于RGB颜色模型。在图4中，左侧图像4-(a)表示石英样本，右侧图像4-(b)表示云母样本，图像4-(a)和4-(b)的背景颜色都是偏绿色。如上所述，裂变径迹由很多长度从几微米到几百微米不等的径迹组成，由于生长方向不同，垂直于观察面生成的形成点状径迹，以一定角度生成的形成纤维状径迹。在图4中，裂变径迹在显微图像中呈现为黑色点状径迹或纤维状径迹。从图4中可以看出，石英样本的显微图像4-(a)的背景比较复杂(例如，背景颜色不均匀)，云母样本的显微图像4-(b)的背景比较简单(例如，背景颜色均匀)。
需要注意的是，根据本公开的实施例，所获取的图像可以包括仅一种类型的图像，例如在第一目标对象是矿物的裂变径迹的情况下，在获取步骤202中，目标对象测量装置102可以通过显微镜仅获取透射光和反射光其中之一下的至少包含裂变径迹的显微图像。现有技术中专利申请PCT/AU2007/001033需要获取反射观察模式和透射观察模式的两种图像并对其进行处理，相比之下由于本公开仅需要获取并处理透射光和反射光其中之一的显微图像，因此本公开的实施例的效率更高。
在一个实施例中，在所获取的图像是彩色图像的情况下，方法200a还可以包括：转换步骤，在转换步骤中，将步骤S202所获取的图像转换为灰度图像。将所获取的图像转换为灰度图像的方式可以包含但不限于：色度分离、直方图均衡化、Gamma值调整以及其它现有的或未来开发的任何合适的技术。将图像转换为灰度图像可以降低图像处理的复杂度。
在一个实施例中，转换步骤还包括：通过色调分离将所获取的图像转换为灰度图像。一般而言，色调分离是指适当选取某一个通道的图像或者采用通道混合的方法，得到灰度图像，以增强对比度。例如，图5示出了根据本公开的实施例的对图4中的石英显微图像4-(a)进行色度分离处理后的不同通道的灰度图像。在图5中，左侧的图像5-(a)是红色通道的灰度图像，5-(b)是绿色通道的灰度图像，5-(c)是蓝色通道的灰度图像。由于石英样本整体偏绿色，所以对比红、绿、蓝三通道的灰度图像可以发现，绿色通道5-(b)的对比度最佳。因此可以选择绿色通道来进行色度分离处理，将所获取的图像转换为灰度图像。此外，可以以使得能够最大化灰度图像的对比度的任何合适方式，来选择颜色通道。例如，如果步骤S202所获取的彩色图像整体是其他混合色的图像，则转换步骤可以通过混合不同比例的通道，达到增强灰度图像对比度的目的。
上述实施例通过色调分离将所获取的图像转换为灰度图像，可以提高灰度图像的对比度，使得第一目标对象的像素与其它对象或背景像素之间的区分度更高，有利于对该灰度图像的进一步处理，提高准确度等。
根据实施例，在步骤S204中，对所述至少包含所述第一目标对象的图像进行局域二值化处理，以获得二值化图像。二值化处理可以指将灰度图像中的每个像素转换为由0或1值表示，“0”表示黑色，“1”表示白色。图像的二值化有利于图像的进一步处理，使图像变得简单，降低数据处理量，凸显出感兴趣的第一目标对象的轮廓等。
局域二值化是基于局域像素平均值的方法。局域二值化可以指将图像分割成多个部分，在每个部分中独立地执行二值化处理，也就是说在不同的部分中可以采用不同的二值化处理方法。作为对比，全局二值化处理将整幅图像作为整体进行处理，也就是说使用相同的二值化处理方法(例如使用相同的二值化公式等)来处理图像中的所有像素。在局域二值化中，图像的分割方法可以采用现有的或将来开发的任何合适的图像分割方法，本公开对此没有任何限制。下面详细描述本公开中可以使用的局域二值化方法。
在一个实施例中，在图像的每个分割部分中，局域二值化处理后的图像中的对应像素的值由下式给出：
其中，其中，x,y表示图像像素的坐标，f(x,y)表示对应像素的灰度值，g(x,y)表示经过局域二值化处理后的对应像素的值，“0”表示黑色，“1”表示白色,mxy表示以f(x,y)像素为中心的M×M局域图像的灰度平均值,Offset表示可以调节的偏移值。Offset越大，对背景的不均匀性敏感程度降低，噪声越少，遗漏第一目标对象的概率越大；反之，offset越小，噪声越多，但遗漏第一目标对象的概率越小。M越小，二值图像边界越细，但容易断裂；反之，M越大，二值图像边界越粗，完整性越好，但会丢失细节。
取决于各种因素，例如第一目标对象的特点(诸如大小、长度、面积等)、图像背景的特点(背景复杂或简单等)、准确性要求、计算复杂度或其它因素等，可以通过各种合适的方法(诸如机器学习等)来确定offset和M值。
注意的是，在其它实施例中，可以使用任何合适的方法来进行局域二值化。
图6给出了在不同的背景复杂度的情况下，全局二值化和局域二值化处理的结果。图6-(a)是图4-(b)的云母样本图像在色调分离后的灰度图像。图6-(d)是图4-(a)的石英样本图像在色调分离后的灰度图像。对比图6-(a)和图6-(d)可以看出，图6-(a)的背景比较简单，图6-(d)的背景相对复杂。在背景简单的情况下，例如图6-(a)，对图6-(a)的图像进行局域二值化处理得到的二值图像图6-(b)，以及对图6-(a)的图像进行全局二值化处理得到的二值图像图6-(c)都准确地找到了裂变径迹的位置。
但是，在背景复杂的情况下，例如，图6-(d)，图6-(d)的局域二值化的结果图6-(e)明显优于图6-(d)的全局二值化的结果图6-(f)。在图6-(f)中，标记(4)的位置由于背景亮度变低，裂变径迹和背景的对比度下降，裂变径迹之间发生了粘连。在图6-(f)中，标记(5)的位置，由于石英中的缺陷，背景亮度进一步降低，导致裂变径迹识别完全错误。由于局域二值化基于M×M的局域信息来计算阈值，所以在图6-(e)中的对应的图像位置中，能够准确找到裂变径迹。
作为对比，如上所述的专利申请号为PCT/AU2007/001033的专利申请所提出的方法仅使用传统的全局二值化的方法，在复杂背景和光照不均匀的情况下，上述专利申请号为PCT/AU2007/001033的专利申请的准确性较差，而使用根据本公开的方法，可以准确找到裂变径迹。
注意的是，在步骤S204中，第一目标对象的图像可以是灰度图像(例如经过本公开的转换步骤处理得到的灰度图像等)或是彩色图像。然而，对灰度图像进行局域二值化处理，可以降低计算复杂度。此外，通过本公开的转换步骤处理得到的图像，可以提高灰度图像的对比度，使得第一目标对象的像素与其它对象或背景像素之间的区分度更高，有利于对该灰度图像的进一步处理，提高准确度等。
上述实施例通过使用局域二值化处理方式，可以使得在处理背景复杂或图像质量不佳的图像的情况下，根据本公开的实施例的方法可以提供质量更好的二值化图像，进而可以提高测量结果的准确度。
根据本公开的实施例，方法200a还包括：去碎屑步骤，在去碎屑步骤中，基于二值化图像中的第二目标对象的特征，对二值化图像进行去碎屑处理以去除第二目标对象。第二目标对象可以包括除了第一目标对象之外的任何合适的对象，例如极小的颗粒、与第一对象差异较大的对象等。第二目标对象的特征可以包括能够用于识别第二对象的任何合适的特征，例如第二对象的面积、长度、形状等。本公开对第二对象的特征没有任何限制。去碎屑处理可以基于二值化图像中的第二目标对象的特征，通过例如图像模式识别来识别二值化图像中的第二目标对象，并将该第二目标对象去除，例如，将该第二目标对象对应的像素的值置为“0”。
上述实施例，通过对二值化图像进行去碎屑处理，可以去除噪声，进一步提高二值化图像的质量，进而可以提高测量结果的准确度。
根据本发明的实施例，在步骤S206中，基于第一目标对象的特征，对二值化图像中的第一目标对象进行测量。第一目标对象的特征可以包括能够用于识别第一对象的任何合适的特征，例如第一对象的面积、长度、形状或与其它对象具有明显区别的特征等。此外，特征可以包括单个特征或多个特征的组合等。本公开对第一对象的特征的类型和数量没有任何限制。在本公开的各种实施例中，可以基于第一目标对象的特征(例如，长度、形状特征等)，使用本领域已知的或将来开发的任何合适的模式识别和/或机器视觉技术和/或机器学习技术等对二值化图像中的第一目标对象进行测量。
在一个实施例中，步骤S206还包括：基于第一目标对象的特征，通过图像模式识别对二值化图像中的第一目标对象进行识别；以及对识别的第一目标对象进行测量。图像模式识别可以包括任何现有的以及将来开发的任何合适的图像模式识别技术，本公开对此没有任何限制。
根据本公开的实施例，测量包括以下中的一项或多项：计数测量、直径测量、重心测量、面积测量以及长度测量。例如在第一目标对象是矿物的裂变径迹的情况下，测量可以包含：裂变径迹数量测量、费雷特最大直径、费雷特最小直径和重心等。
根据本公开的实施例，在通过图像获取设备(诸如，显微镜)获取至少包含第一目标对象的图像并且能够控制该图像获取设备的情况下，方法200a还包括：控制步骤，在控制步骤中，根据第一目标对象的测量结果，进一步控制图像获取设备以获取至少包含一部分第一目标对象的新的图像。
作为示例，在通过显微镜获取裂变径迹显微图像，并且控制步骤可以控制该显微镜的情况下，由于很多裂变径迹并不平行于观察面，因此裂变径迹的二维尺寸只是裂变径迹真实长度在观察面的投影长度，为了测量某个裂变径迹的真实尺寸等，则控制步骤可以向该显微镜发送控制命令，例如控制显微镜的电动器件和成像系统，以在不同焦平面成像，进而可以利用方法200a的上述步骤对新的图像进行处理，获得该裂变径迹的另外的测量数据，例如三维数据等。例如，控制步骤可以基于该裂变径迹的重心坐标，向显微镜发送控制命令以控制显微镜的载物台，将该裂变径迹移动到视场中心，然后分别聚焦径迹两端焦平面，并记录下径迹端点三维坐标(X1,Y1,Z1)(X2,Y2,Z2)，利用以下公式计算出裂变径迹三维长度L：
根据本公开的实施例，方法200a还包括：存储步骤，在存储步骤中，存储测量结果和与测量结果相关的信息。与测量结果相关的信息可以包括在测量中使用或计算出的各种参数值等。
根据本公开的实施例，其中所述第一目标对象包括裂变径迹。
上述实施例，可以完全由计算机或计算设备来实现，并且可以使用常规的成像设备，不需要人工操作或需要人工操作较少，从而人工和/或设备成本都较低，此外由于测量中基本上不需要人工操作，因此基本上没有人为误差，与现有技术中专利申请号为PCT/AU2007/001033的专利申请所提出的方法相比，本公开的实施例在图像背景复杂或图像质量较差的情况下，测量结果的准确度更高，此外，本公开的实施例仅需要处理一种图像，而现有技术中专利申请PCT/AU2007/001033需要获取反射观察模式和透射观察模式的两种图像并对其进行处理，因此本公开的实施例的效率更高。
一种基于图像对第一目标对象进行测量的装置
与方法200a同一发明构思，图3a是根据本公开的实施例的基于图像对第一目标对象进行测量的装置的框图。下面就结合图3a并参照图1和图4-6，对实施例进行描述。对于那些与前面实施例相同的部分，适当省略其说明。
如图3a所示，图3a示出了根据本公开的实施例的基于图像对第一目标对象进行测量的装置300a的框图。装置300a包括：获取单元302，获取至少包含第一目标对象的图像；局域二值化处理单元304，其被配置为对所述至少包含所述第一目标对象的图像进行局域二值化处理，以获得二值化图像；以及测量单元306，基于第一目标对象的特征，对二值化图像中的第一目标对象进行测量。
在实施例中，装置300a可以由图1中的目标对象测量装置102来实现。
根据实施例，获取单元302，可以通过多种方式来获取至少包含第一目标对象的图像。例如，如果至少包含第一目标对象的图像被存储在装置300a本地的可移动存储设备中或装置300a与图像获取装置104集成在一起，则获取单元302可以本地地获取位于本地的至少包含第一目标对象的图像；或如果至少包含第一目标对象的图像被存储在网络上或通过网络可以获取，则获取单元302可以通过网络来获取位于远程的至少包含第一目标对象的图像。
第一目标对象可以包括任何潜在的需要测量的对象，包含宏观对象和微观对象，例如，宏观对象可以包括矿石对象、药片对象、人员对象等，微观对象可以包括矿石对象的裂变径迹等。本公开对第一目标对象的类型、大小和数量等没有任何限制。
所获取的图像可以包括彩色图像或灰度图像。彩色图像可以包括任何颜色模型的图像，例如，RGB颜色模型、HSL颜色模型、CMYK颜色模型等。本公开对彩色图像的类型没有任何限制。此外，一般而言，颜色模型可以相互转换。
所获取的图像的格式包括但不限于:bmp，jpg，tiff，gif，pcx，tga，exif，fpx，svg，psd，cdr，pcd，dxf，ufo，eps，ai，raw或其它合适的格式。
在一个实施例中，在第一目标对象是矿物的裂变径迹的情况下，获取单元302通过显微镜获取透射光或反射光下的至少包含裂变径迹的显微图像。显微镜可以包括能够获取透射光或反射光图像的任何类型的显微镜。在这种情况下，在显微镜获取了透射光或反射光下的至少包含裂变径迹的显微图像后，可以通过与装置300a(例如，目标对象测量装置102)的连接(诸如有线连续和/或无线连接)将所获取的图像传送给装置300a(例如，目标对象测量装置102)。图4示出了在本公开的实施例中可以使用的两种类型的裂变径迹显微图像，该显微图像属于RGB颜色模型。在图4中，左侧图像4-(a)表示石英样本，右侧图像4-(b)表示云母样本，图像4-(a)和4-(b)的背景颜色都是偏绿色。如上所述，裂变径迹由很多长度从几微米到几百微米不等的径迹组成，由于生长方向不同，垂直于观察面生成的形成点状径迹，以一定角度生成的形成纤维状径迹。在图4中，裂变径迹在显微图像中呈现为黑色点状径迹或纤维状径迹。从图4中可以看出，石英样本的显微图像4-(a)的背景比较复杂(例如，背景颜色不均匀)，云母样本的显微图像4-(b)的背景比较简单(例如，背景颜色均匀)。
需要注意的是，根据本公开的实施例，所获取的图像可以是仅一种类型的图像，例如在第一目标对象是矿物的裂变径迹的情况下，获取单元302可以通过显微镜仅获取透射光和反射光其中之一下的至少包含裂变径迹的显微图像。现有技术中专利申请PCT/AU2007/001033需要获取反射观察模式和透射观察模式的两种图像并对其进行处理，相比之下由于本公开仅需要获取并处理透射光和反射光其中之一下的显微图像，因此本公开的实施例的效率更高。
在一个实施例中，在所获取的图像是彩色图像的情况下，装置300a还可以包括：转换单元(未示出)，转换单元(未示出)可以将获取单元302所获取的图像转换为灰度图像。将所获取的图像转换为灰度图像的方式可以包含但不限于：色度分离、直方图均衡化、Gamma值调整以及其它现有的或未来开发的任何合适的技术。将图像转换为灰度图像可以降低图像处理的复杂度。
在一个实施例中，转换单元(未示出)还可以通过色调分离将所获取的图像转换为灰度图像。一般而言，色调分离是指适当选取某一个通道的图像或者采用通道混合的方法，得到灰度图像，以增强对比度。例如，图5示出了根据本公开的实施例的对图4中的石英显微图像4-(a)进行色度分离处理后的不同通道的灰度图像。在图5中，左侧的图像5-(a)是红色通道的灰度图像，5-(b)是绿色通道的灰度图像，5-(c)是蓝色通道的灰度图像。由于石英样本整体偏绿色，所以对比红、绿、蓝三通道的灰度图像可以发现，绿色通道5-(b)的对比度最佳。因此可以选择绿色通道来进行色度分离处理，将所获取的图像转换为灰度图像。此外，可以以使得能够最大化灰度图像的对比度的任何合适方式，来选择颜色通道。例如，如果获取单元302所获取的彩色图像整体是其他混合色的图像，则转换单元(未示出)可以通过混合不同比例的通道，达到增强灰度图像对比度的目的。
上述实施例通过色调分离将所获取的图像转换为灰度图像，可以提高灰度图像的对比度，使得第一目标对象的像素与其它对象或背景像素之间的区分度更高，有利于对该灰度图像的进一步处理，提高准确度等。
如上所述的专利申请号为PCT/AU2007/001033的专利申请所提出的方法仅使用传统的全局二值化的方法，因此在复杂背景和光照不均匀的情况下，上述专利申请号为PCT/AU2007/001033的专利申请的准确性很差，而使用根据本公开的局域二值化的方法，可以准确找到裂变径迹。
根据实施例，局域二值化处理单元304，对所述至少包含所述第一目标对象的图像进行局域二值化处理，以获得二值化图像。二值化处理可以指将灰度图像中的每个像素转换为由0或1值表示，“0”表示黑色，“1”表示白色。图像的二值化有利于图像的进一步处理，使图像变得简单，降低数据处理量，凸显出感兴趣的第一目标对象的轮廓等。
在这个实施例中，局域二值化处理与方法200a中的局域二值化处理基本相同，在此不再详细描述。
图6给出了在不同的背景复杂度的情况下，全局二值化和局域二值化处理的结果。图6-(a)是图4-(b)的云母样本图像在色调分离后的灰度图像。10-(d)是图4-(a)的石英样本图像在色调分离后的灰度图像。对比图6-(a)和图6-(d)可以看出，图6-(a)的背景比较简单，图6-(d)的背景相对复杂。在背景简单的情况下，例如图6-(a)，对图6-(a)的图像进行局域二值化处理得到的二值图像图6-(b)，以及对图6-(a)的图像进行全局二值化处理得到的二值图像图6-(c)都准确地找到了裂变径迹的位置。
但是，在背景复杂的情况下，例如，图6-(d)，图6-(d)的局域二值化的结果图6-(e)明显优于图6-(d)的全局二值化的结果图6-(f)。在图6-(f)中，标记(4)的位置由于背景亮度变低，裂变径迹和背景的对比度下降，裂变径迹之间发生了粘连。在图6-(f)中，标记(5)的位置，由于石英中的缺陷，背景亮度进一步降低，导致裂变径迹识别完全错误。由于局域二值化基于M×M的局域信息来计算阈值，所以在图6-(e)中的对应的图像位置中，能够准确找到裂变径迹。
作为对比，如上所述的专利申请号为PCT/AU2007/001033的专利申请所提出的方法仅使用传统的全局二值化的方法，因此在复杂背景和光照不均匀的情况下，上述专利申请号为PCT/AU2007/001033的专利申请的准确性较差，而使用根据本公开的方法，可以准确找到裂变径迹。
注意的是，在局域二值化处理单元304中，第一目标对象的图像可以是灰度图像(例如经过本公开的转换单元处理得到的灰度图像等)或是彩色图像。然而，对灰度图像进行局域二值化处理，可以降低计算复杂度。此外，通过本公开的转换步骤处理得到的图像，可以提高灰度图像的对比度，使得第一目标对象的像素与其它对象或背景像素之间的区分度更高，有利于对该灰度图像的进一步处理，提高准确度等。
上述实施例通过使用局域二值化处理方式，可以使得在处理背景复杂或图像质量不佳的图像的情况下，根据本公开的实施例的方法可以提供质量更好的二值化图像，进而可以提高测量结果的准确度。
根据本公开的实施例，装置300a还包括：去碎屑单元(未示出)，其基于二值化图像中的第二目标对象的特征，对二值化图像进行去碎屑处理以去除第二目标对象。第二目标对象可以包括除了第一目标对象之外的任何合适的对象，例如极小的颗粒、与第一对象差异较大的对象等。第二目标对象的特征可以包括能够用于识别第二对象的任何合适的特征，例如第二对象的面积、长度、形状等。本公开对第二对象的特征没有任何限制。去碎屑处理可以基于二值化图像中的第二目标对象的特征，通过例如图像模式识别来识别二值化图像中的第二目标对象，并将该第二目标对象去除，例如，将该第二目标对象对应的像素的值置为“0”。
上述实施例，通过对二值化图像进行去碎屑处理，可以去除噪声，进一步提高二值化图像的质量，进而可以提高测量结果的准确度。
根据本发明的实施例，测量单元306，基于第一目标对象的特征，对二值化图像中的第一目标对象进行测量。第一目标对象的特征可以包括能够用于识别第一对象的任何合适的特征，例如第一对象的面积、长度、形状或与其它对象具有明显区别的特征等。此外，特征可以包括单个特征或多个特征的组合等。本公开对第一对象的特征的类型和数量没有任何限制。在本公开的各种实施例中，可以基于第一目标对象的特征(例如，长度、形状特征等)，使用本领域已知的或将来开发的任何合适的模式识别和/或机器视觉技术和/或机器学习技术等对二值化图像中的第一目标对象进行测量。
在一个实施例中，测量单元306还包括：识别单元(未示出)，基于第一目标对象的特征，通过图像模式识别对二值化图像中的第一目标对象进行识别；以及第一测量单元(未示出)，对识别的第一目标对象进行测量。图像模式识别可以包括任何现有的以及将来开发的任何合适的图像模式识别技术，本公开对此没有任何限制。
根据本公开的实施例，测量包括以下中的一项或多项：计数测量、直径测量、重心测量、面积测量以及长度测量。例如在第一目标对象是矿物的裂变径迹的情况下，测量可以包含：裂变径迹数量测量、费雷特最大直径、费雷特最小直径和重心等。
根据本公开的实施例，在通过图像获取设备(诸如，显微镜)获取至少包含第一目标对象的图像并且能够控制该图像获取设备的情况下，装置300a还包括：控制单元(未示出)，其根据第一目标对象的测量结果，进一步控制图像获取设备以获取至少包含一部分第一目标对象的新的图像。
作为示例，在通过显微镜获取裂变径迹显微图像，并且控制单元(未示出)可以控制该显微镜的情况下，由于很多裂变径迹并不平行于观察面，因此裂变径迹的二维尺寸只是裂变径迹真实长度在观察面的投影长度，为了测量某个裂变径迹的真实尺寸等，则控制单元(未示出)可以向该显微镜发送控制命令，例如控制显微镜的电动器件和成像系统，以在不同焦平面成像，进而可以利用装置300a的上述单元对新的图像进行处理，获得该裂变径迹的另外的测量数据，例如三维数据等。例如，控制单元(未示出)可以基于该裂变径迹的重心坐标，向显微镜发送控制命令以控制显微镜的载物台，将该裂变径迹移动到视场中心，然后分别聚焦径迹两端焦平面，并记录下径迹端点三维坐标(X1,Y1,Z1)(X2,Y2,Z2)，利用以下公式计算出裂变径迹三维长度L：
根据本公开的实施例，装置300a还包括：存储单元(未示出)，其存储测量结果和与测量结果相关的信息。与测量结果相关的信息可以包括在测量中使用或计算出的各种参数值等。
存储单元(未示出)可以包含可移动的和/或固定的存储器。存储单元(未示出)可以包含易失性存储器和/或非易失性存储器。例如，易失性存储器可以包含：随机存取存储器(RAM)(包含动态和/或静态RAM)，片上或片外高速缓存存储器和/或诸如此类。非易失性存储器(其可以是嵌入式的和/或可移动的)可以包含，例如，只读存储器，闪速存储器，磁存储设备，例如硬盘，软盘驱动器，磁带，光盘驱动器和/或介质，非易失性随机存取存储器(NVRAM)和/或诸如此类。
根据本公开的实施例，其中所述第一目标对象包括裂变径迹。
上述实施例，可以完全由计算机或计算设备来实现，并且可以使用常规的成像设备，不需要人工操作或需要人工操作较少，从而人工和/或设备成本都较低，此外由于测量中基本上不需要人工操作，因此基本上没有人为误差，与上述专利申请号为PCT/AU2007/001033的专利申请所提出的方法相比，本公开的实施例在图像背景复杂或图像质量较差的情况下，测量结果的准确度更高，此外，本公开的实施例仅需要处理一种图像，而上述专利PCT/AU2007/001033需要获取反射观察模式和透射观察模式的两种图像并对其进行处理，因此本公开的实施例的效率更高。
另一种基于图像对第一目标对象进行测量的方法
下面参照图2b并且结合图1和图4-10对根据本公开的实施例的基于图像对第一目标对象进行测量的方法的示意流程图进行详细说明。对于那些与方法200a的实施例相同的部分，适当省略其说明。
如图2b所示，图2b示出了根据本公开的实施例的基于图像对第一目标对象进行测量的方法200b的示意流程图。方法200b包括：步骤S202’，获取至少包含第一目标对象的图像；步骤S2042’，对所述至少包含第一目标对象的图像进行全局二值化处理，以获得全局二值化处理后的图像；步骤S2044’，对所述至少包含第一目标对象的图像进行局域二值化处理，以获得局域二值化处理后的图像；步骤S2046’，将所述全局二值化处理后的图像与所述局域二值化处理后的图像进行图像逻辑运算，以获得二值化图像；以及步骤S206，基于第一目标对象的特征，对二值化图像中的第一目标对象进行测量。
在一个实施例中，可以在目标对象测量装置102中执行方法200b。
根据实施例，在步骤S202’中，目标对象测量装置102可以通过多种方式来获取至少包含第一目标对象的图像。例如，在步骤S202中，如果至少包含第一目标对象的图像被存储在本地的可移动存储设备中或目标对象测量装置102与图像获取装置104集成在一起，则目标对象测量装置102可以本地地获取位于本地的至少包含第一目标对象的图像；或如果至少包含第一目标对象的图像被存储在网络上或通过网络可以获取，则目标对象测量装置102可以通过网络来获取位于远程的至少包含第一目标对象的图像。
第一目标对象可以包括任何潜在的需要测量的对象，包含宏观对象和微观对象，例如，宏观对象可以包括矿石对象、药片对象、人员对象等，微观对象可以包括矿石对象的裂变径迹等。本公开对第一目标对象的类型、大小和数量等没有任何限制。
所获取的图像可以包括彩色图像或灰度图像。彩色图像可以包括任何颜色模型的图像，例如，RGB颜色模型、HSL颜色模型、CMYK颜色模型等。本公开对彩色图像的类型没有任何限制。此外，一般而言，颜色模型可以相互转换。
所获取的图像的格式包括但不限于:bmp，jpg，tiff，gif，pcx，tga，exif，fpx，svg，psd，cdr，pcd，dxf，ufo，eps，ai，raw或其它合适的格式。
在一个实施例中，在第一目标对象是矿物的裂变径迹的情况下，步骤S202’通过显微镜获取透射光或反射光下的至少包含裂变径迹的显微图像。显微镜可以包括能够获取透射光或反射光图像的任何类型的显微镜。在这种情况下，在显微镜获取了透射光或反射光下的至少包含裂变径迹的显微图像后，可以通过与目标对象测量装置102的连接(诸如有线连续和/或无线连接)将所获取的图像传送给目标对象测量装置102。图4示出了在本公开的实施例中可以使用的两种类型的裂变径迹显微图像，该显微图像属于RGB颜色模型。在图4中，左侧图像4-(a)表示石英样本，右侧图像4-(b)表示云母样本，图像4-(a)和4-(b)的背景颜色都是偏绿色。如上所述，裂变径迹由很多长度从几微米到几百微米不等的径迹组成，由于生长方向不同，垂直于观察面生成的形成点状径迹，以一定角度生成的形成纤维状径迹。在图4中，裂变径迹在显微图像中呈现为黑色点状径迹或纤维状径迹。从图4中可以看出，石英样本的显微图像4-(a)的背景比较复杂(例如，背景颜色不均匀)，云母样本的显微图像4-(b)的背景比较简单(例如，背景颜色均匀)。
需要注意的是，根据本公开的实施例，所获取的图像可以包括仅一种类型的图像，例如在第一目标对象是矿物的裂变径迹的情况下，在获取步骤202’中，目标对象测量装置102可以通过显微镜仅获取透射光和反射光其中之一下的至少包含裂变径迹的显微图像。现有技术中专利申请PCT/AU2007/001033需要获取反射观察模式和透射观察模式的两种图像并对其进行处理，本公开仅需要获取并处理透射光和反射光其中之一下的显微图像，因此本公开的实施例的效率更高。
在一个实施例中，在所获取的图像是彩色图像的情况下，方法200b还可以包括：转换步骤，在转换步骤中，将步骤S202’所获取的图像转换为灰度图像。将所获取的图像转换为灰度图像的方式可以包含但不限于：色度分离、直方图均衡化、Gamma值调整以及其它现有的或未来开发的任何合适的技术。将图像转换为灰度图像可以降低图像处理的复杂度。
在一个实施例中，转换步骤还包括：通过色调分离将所获取的图像转换为灰度图像。一般而言，色调分离是指适当选取某一个通道的图像或者采用通道混合的方法，得到灰度图像，以增强对比度。例如，图5示出了根据本公开的实施例的对图4中的石英显微图像4-(a)进行色度分离处理后的不同通道的灰度图像。在图5中，左侧的图像5-(a)是红色通道的灰度图像，5-(b)是绿色通道的灰度图像，5-(c)是蓝色通道的灰度图像。由于石英样本整体偏绿色，所以对比红、绿、蓝三通道的灰度图像可以发现，绿色通道5-(b)的对比度最佳。因此可以选择绿色通道来进行色度分离处理，将所获取的图像转换为灰度图像。此外，可以以使得能够最大化灰度图像的对比度的任何合适方式，来选择颜色通道。例如，如果步骤S202’所获取的彩色图像整体是其他混合色的图像，则转换步骤可以通过混合不同比例的通道，达到增强灰度图像对比度的目的。
上述实施例通过色调分离将所获取的图像转换为灰度图像，可以提高灰度图像的对比度，使得第一目标对象的像素与其它对象或背景像素之间的区分度更高，有利于对该灰度图像的进一步处理，提高准确度等。
根据实施例，在步骤S2042’中，对所述至少包含第一目标对象的图像进行全局二值化处理，以获得全局二值化处理后的图像；在步骤S2044’中，对所述至少包含第一目标对象的图像进行局域二值化处理，以获得局域二值化处理后的图像，在步骤S2046’中，将所述全局二值化处理后的图像与所述局域二值化处理后的图像进行与运算，以获得二值化图像。图像的二值化有利于图像的进一步处理，使图像变得简单，降低数据处理量，凸显出感兴趣的第一目标对象的轮廓等。下面对全局二值化处理、局域二值化处理和图像逻辑运算进行详细描述。
全局二值化
全局二值化处理后的图像中的对应像素的值由下式给出：
其中，x,y表示图像像素的坐标，f(x,y)表示对应像素的灰度值，T为阈值，对于特定图像而言，T是常数，g(x,y)表示经过全局二值化处理后的对应像素的值，“0”表示黑色，“1”表示白色。在全局化处理中，图像中的所有像素都是通过上式进行处理，也就是说，T适应于图像中的所有像素。
对于任何给定图像而言，可以使用任何合适的现有方法和将来开发的方法来确定T值。
在本公开的一个实施例中，使用N.Otsu在文献“A Threshold Selection Methodfrom Gray-Level Histograms”,Systems,Man and Cybernetics,IEEE Transactions on,9(1979)62-66中提出的Otsu方法来进行全局二值化，通过引用将该文献整体地并入本申请。Otsu方法是一个可以基于直方图计算的全局二值化方法。它按照图像的灰度特性，将图像分为背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的二部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致二部分差别变小。因此，使得类间方差最大的分割意味着错分概率最小。对于图像I(x,y)，目标和背景的分割阈值记作T。属于目标的像素点数占整幅图像的比例记为w0，平均灰度u0；背景的比例记为w1，平均灰度u1。图像的总平均灰度记为u，类间方差记为g。类间方差由下列公式给出：
g＝w0*w1*(u0-u1)2
采用遍历的方法，通过改变分割阈值T，改变目标和背景的点数，使得到的类间方差最大。
注意的是，在其它实施例中，可以使用任何合适的方法来进行全局二值化。
局域二值化
当阈值T在一幅图像上改变时，该方法可以称为局域二值化。
局域二值化是基于局域像素平均值的方法，在本公开的实施例中，局域二值化由下式给出：
其中，其中，x,y表示图像像素的坐标，f(x,y)表示对应像素的灰度值，g(x,y)表示经过局域二值化处理后的对应像素的值，“0”表示黑色，“1”表示白色,mxy表示以f(x,y)像素为中心的M×M局域图像的灰度平均值,Offset表示可以调节的偏移值。Offset越大，对背景的不均匀性敏感程度降低，噪声越少，遗漏第一目标对象的概率越大；反之，offset越小，噪声越多，但遗漏第一目标对象的概率越小。M越小，二值图像边界越细，但容易断裂；反之，M越大，二值图像边界越粗，完整性越好，但会丢失细节。
取决于各种因素，例如第一目标对象的特点(诸如大小、长度、面积等)、图像背景的特点(背景复杂或简单等)、准确性要求、计算复杂度或其它因素等，可以通过各种合适的方法(诸如机器学习等)来确定offset和M值。
注意的是，在其它实施例中，可以使用任何合适的方法来进行局域二值化。
图6给出了在不同的背景复杂度的情况下，上述两种二值化处理的结果。图6-(a)是图4-(b)的云母样本图像在色调分离后的灰度图像。图6-(d)是图4-(a)的石英样本图像在色调分离后的灰度图像。对比图6-(a)和图6-(d)可以看出，图6-(a)的背景比较简单，图6-(d)的背景相对复杂。在背景简单的情况下，例如图6-(a)，对图6-(a)的图像进行局域二值化处理得到的二值图像图6-(b)，以及对图6-(a)的图像进行全局二值化处理得到的二值图像图6-(c)都准确地找到了裂变径迹的位置。
但是，在背景复杂的情况下，例如，图6-(d)，图6-(d)的局域二值化的结果图6-(e)明显优于图6-(d)的全局二值化的结果图6-(f)。在图6-(f)中，标记(4)的位置由于背景亮度变低，裂变径迹和背景的对比度下降，裂变径迹之间发生了粘连。在图6-(f)中，标记(5)的位置，由于石英中的缺陷，背景亮度进一步降低，导致裂变径迹识别完全错误。由于局域二值化基于M×M的局域信息来计算阈值，所以在图6-(e)中的对应的图像位置中，裂变径迹都被准确识别。
然而，局域二值化后的图像会产生噪声。图7给出了图6-(b)中的标记6的图像部分和图6-(c)中对应的图像部分的局部放大的二值化图像图7-(b)和图7-(c)。从图7-(b)的标记6可以看出，局域二值化后的图像会产生噪声，这是由于云母样本中存在一些白色空洞(如图4-(b)中示出的)，这些噪声是由于局域二值化算法对局部像素灰度变化的敏感造成的。而从图7-(c)的对应位置可以看出，全局二值化后的图像不会有此类噪声。因此，局域二值化可以从复杂的低对比度背景中准确地提取出第一目标对象(例如，裂变径迹)，而全局二值化容易将背景和第一目标对象(例如，裂变径迹)混淆；但是局域二值化由于只计算局部像素的灰度变化，容易产生噪声点，而全局二值化只提取特定灰度的像素，利用例如Otsu方法不易产生噪声。因此本公开的实施例可以结合这两种二值化的优势，计算两种二值化图像的逻辑运算(例如与(AND)运算)的结果，从而抑制噪声，得到更准确的二值图像。
图像逻辑运算可以包含：与(AND)运算、或(OR)运算等。取决于各种因素，可以在不同的情况下使用合适的图像逻辑运算，本公开对此没有任何限制。
在一个实施例中，将全局二值化处理后的图像与局域二值化处理后的图像进行图像逻辑与运算，以获得二值化图像。
作为示例，图像的与运算是指对局域二值化处理后的图像和全局二值化处理后的图像中的对应像素的值进行与运算。例如，局域二值化处理后的图像中的一个像素a的值为0，全局二值化处理后的图像中的对应像素a’的值为0，则像素a与像素a’的与运算的结果为0，因此通过与运算得到的该像素的值为0。
图8示出了图像与运算之后的图像，其中图8-(a)示出了图6-(b)和图6-(c)的图像与运算之后的图像，图8-(b)示出了图6-(e)和图6-(f)的图像与运算之后的图像。从图8可以看出，标记(20)的位置(相当于图6和图7中标记(6)的位置)的噪声被消除了，标记(21)的位置(相当于图6中标记(5)的位置)没有产生粘连或者错误计算。
注意的是，在步骤S2042’和步骤S2044’中，第一目标对象的图像可以是灰度图像(例如经过本公开的转换步骤处理得到的灰度图像等)或是彩色图像。然而，对灰度图像进行全局和/或局域二值化处理，可以降低计算复杂度。此外，通过本公开的转换步骤处理得到的图像，可以提高灰度图像的对比度，使得第一目标对象的像素与其它对象或背景像素之间的区分度更高，有利于对该灰度图像的进一步处理，提高准确度等。
上述实施例通过使用两种二值化处理并且使用图像逻辑运算(例如与运算)可以使得在处理背景复杂或图像质量不佳的图像的情况下，根据本公开的实施例可以降低图像噪声，提供质量更好的二值化图像，进而可以提高测量结果的准确度。
根据本公开的实施例，方法200b还包括：去碎屑步骤，在去碎屑步骤中，基于二值化图像中的第二目标对象的特征，对二值化图像进行去碎屑处理以去除第二目标对象。第二目标对象可以包括除了第一目标对象之外的任何合适的对象，例如极小的颗粒、与第一对象差异较大的对象等。第二目标对象的特征可以包括能够用于识别第二对象的任何合适的特征，例如第二对象的面积、长度、形状等。本公开对第二对象的特征没有任何限制。去碎屑处理可以基于二值化图像中的第二目标对象的特征，通过例如图像模式识别来识别二值化图像中的第二目标对象，并将该第二目标对象去除，例如，将该第二目标对象对应的像素的值置为“0”。
上述实施例，通过对二值化图像进行去碎屑处理，可以去除噪声，进一步提高二值化图像的质量，进而可以提高测量结果的准确度。
根据本发明的实施例，在步骤S206’中，基于第一目标对象的特征，对二值化图像中的第一目标对象进行测量。第一目标对象的特征可以包括能够用于识别第一对象的任何合适的特征，例如第一对象的面积、长度、形状或与其它对象具有明显区别的特征等。此外，特征可以包括单个特征或多个特征的组合等。本公开对第一对象的特征的类型和数量没有任何限制。在本公开的各种实施例中，可以基于第一目标对象的特征(例如，长度、形状特征等)，使用本领域已知的或将来开发的任何合适的模式识别和/或机器视觉技术和/或机器学习技术等对二值化图像中的第一目标对象进行测量。
在一个实施例中，步骤S206’还包括：基于第一目标对象的特征，通过图像模式识别对二值化图像中的第一目标对象进行识别；以及对识别的第一目标对象进行测量。图像模式识别可以包括任何现有的以及将来开发的任何合适的图像模式识别技术，本公开对此没有任何限制。
根据本公开的实施例，测量包括以下中的一项或多项：计数测量、直径测量、重心测量、面积测量以及长度测量。例如在第一目标对象是矿物的裂变径迹的情况下，测量可以包含：裂变径迹数量测量、费雷特最大直径、费雷特最小直径和重心等。
图9示出了根据本公开的实施例的基于图像对裂变径迹进行计数测量的结果与手工计数的结果的对比图。从图9可以看出，根据本公开的实施例的自动计数的结果和手工计数保持了较好的一致性。因此，根据本公开的实施例的测量结果的准确性较高。
图10示出了根据本公开的实施例的基于图像对裂变径迹进行计数测量的结果与测试次数的关系图。从图10可以看出，重复测量了9次，并且每组数据的重复性达到100％。因此，根据本公开的实施例的测量结果的可重复性相当高。
根据本公开的实施例，在通过图像获取设备(诸如，显微镜)获取至少包含第一目标对象的图像并且能够控制该图像获取设备的情况下，方法200b还包括：控制步骤，在控制步骤中，根据第一目标对象的测量结果，进一步控制图像获取设备以获取至少包含一部分第一目标对象的新的图像。控制步骤与方法200a中的对应的控制步骤基本相同，在此不再详细描述。
根据本公开的实施例，方法200b还包括：存储步骤，在存储步骤中，存储测量结果和与测量结果相关的信息。与测量结果相关的信息可以包括在测量中使用或计算出的各种参数值等。
根据本公开的实施例，其中所述第一目标对象包括裂变径迹，所述图像逻辑运算包含与运算。
上述实施例，可以完全由计算机或计算设备来实现，并且可以使用常规的成像设备，不需要人工操作或需要人工操作较少，从而人工和/或设备成本都较低，此外由于测量中基本上不需要人工操作，因此基本上没有人为误差，与现有技术专利申请号为PCT/AU2007/001033的专利申请所提出的方法相比，本公开的实施例在图像背景复杂或图像质量较差的情况下，测量结果的准确度更高，此外，本公开的实施例仅需要处理一种图像，而现有技术中专利申请PCT/AU2007/001033需要获取反射观察模式和透射观察模式的两种图像并对其进行处理，因此本公开的实施例的效率更高。
另一种基于图像对第一目标对象进行测量的装置
与方法200b同一发明构思，图3b是根据本公开的实施例的基于图像对第一目标对象进行测量的装置的框图。下面就结合图3b并参照图1和图4-10，对实施例进行描述。对于那些与前面实施例相同的部分，适当省略其说明。
如图3b所示，图3b示出了根据本公开的实施例的基于图像对第一目标对象进行测量的装置300b的框图。装置300b包括：获取单元302’，获取至少包含第一目标对象的图像；全局二值化处理单元3042’，其被配置为对所述至少包含第一目标对象的图像进行全局二值化处理，以获得全局二值化处理后的图像；局域二值化处理单元3044’，其被配置为对所述至少包含第一目标对象的图像进行局域二值化处理，以获得局域二值化处理后的图像；图像逻辑运算单元3046’，其被配置为将所述全局二值化处理后的图像与所述局域二值化处理后的图像进行图像逻辑运算，以获得二值化图像；以及测量单元306’，基于第一目标对象的特征，对二值化图像中的第一目标对象进行测量。
在一个实施例中，装置300b可以由图1中的目标对象测量装置102来实现。
根据实施例，获取单元302’，可以通过多种方式来获取至少包含第一目标对象的图像。例如，如果至少包含第一目标对象的图像被存储在装置300b本地的可移动存储设备中或装置300b与图像获取装置104集成在一起，则获取单元302’可以本地地获取位于本地的至少包含第一目标对象的图像；或如果至少包含第一目标对象的图像被存储在网络上或通过网络可以获取，则获取单元302’可以通过网络来获取位于远程的至少包含第一目标对象的图像。
第一目标对象可以包括任何潜在的需要测量的对象，包含宏观对象和微观对象，例如，宏观对象可以包括矿石对象、药片对象、人员对象等，微观对象可以包括矿石对象的裂变径迹等。本公开对第一目标对象的类型、大小和数量等没有任何限制。
所获取的图像可以包括彩色图像或灰度图像。彩色图像可以包括任何颜色模型的图像，例如，RGB颜色模型、HSL颜色模型、CMYK颜色模型等。本公开对彩色图像的类型没有任何限制。此外，一般而言，颜色模型可以相互转换。
所获取的图像的格式包括但不限于:bmp，jpg，tiff，gif，pcx，tga，exif，fpx，svg，psd，cdr，pcd，dxf，ufo，eps，ai，raw或其它合适的格式。
在一个实施例中，在第一目标对象是矿物的裂变径迹的情况下，获取单元302’通过显微镜获取透射光或反射光下的至少包含裂变径迹的显微图像。显微镜可以包括能够获取透射光或反射光图像的任何类型的显微镜。在这种情况下，在显微镜获取了透射光或反射光下的至少包含裂变径迹的显微图像后，可以通过与装置300b(例如，目标对象测量装置102)的连接(诸如有线连续和/或无线连接)将所获取的图像传送给装置300b(例如，目标对象测量装置102)。图4示出了在本公开的实施例中可以使用的两种类型的裂变径迹显微图像，该显微图像属于RGB颜色模型。在图4中，左侧图像4-(a)表示石英样本，右侧图像4-(b)表示云母样本，图像4-(a)和4-(b)的背景颜色都是偏绿色。如上所述，裂变径迹由很多长度从几微米到几百微米不等的径迹组成，由于生长方向不同，垂直于观察面生成的形成点状径迹，以一定角度生成的形成纤维状径迹。在图4中，裂变径迹在显微图像中呈现为黑色点状径迹或纤维状径迹。从图4中可以看出，石英样本的显微图像4-(a)的背景比较复杂(例如，背景颜色不均匀)，云母样本的显微图像4-(b)的背景比较简单(例如，背景颜色均匀)。
需要注意的是，根据本公开的实施例，所获取的图像可以包括仅一种类型的图像，例如在第一目标对象是矿物的裂变径迹的情况下，获取单元302’可以通过显微镜仅获取透射光和反射光其中之一下的至少包含裂变径迹的显微图像。现有技术中专利申请PCT/AU2007/001033需要获取反射观察模式和透射观察模式的两种图像并对其进行处理，而本公开仅需要获取并处理透射光和反射光其中之一的显微图像，因此本公开的实施例的效率更高。
在一个实施例中，在所获取的图像是彩色图像的情况下，装置300b还可以包括：转换单元(未示出)，转换单元(未示出)可以将获取单元302’所获取的图像转换为灰度图像。将所获取的图像转换为灰度图像的方式可以包含但不限于：色度分离、直方图均衡化、Gamma值调整以及其它现有的或未来开发的任何合适的技术。将图像转换为灰度图像可以降低图像处理的复杂度。
在一个实施例中，转换单元(未示出)还可以通过色调分离将所获取的图像转换为灰度图像。一般而言，色调分离是指适当选取某一个通道的图像或者采用通道混合的方法，得到灰度图像，以增强对比度。例如，图5示出了根据本公开的实施例的对图4中的石英显微图像4-(a)进行色度分离处理后的不同通道的灰度图像。在图5中，左侧的图像5-(a)是红色通道的灰度图像，5-(b)是绿色通道的灰度图像，5-(c)是蓝色通道的灰度图像。由于石英样本整体偏绿色，所以对比红、绿、蓝三通道的灰度图像可以发现，绿色通道5-(b)的对比度最佳。因此可以选择绿色通道来进行色度分离处理，将所获取的图像转换为灰度图像。此外，可以以使得能够最大化灰度图像的对比度的任何合适方式，来选择颜色通道。例如，如果获取单元302’所获取的彩色图像整体是其他混合色的图像，则转换单元(未示出)可以通过混合不同比例的通道，达到增强灰度图像对比度的目的。
上述实施例通过色调分离将所获取的图像转换为灰度图像，可以提高灰度图像的对比度，使得第一目标对象的像素与其它对象或背景像素之间的区分度更高，有利于对该灰度图像的进一步处理，提高准确度等。
根据实施例，全局二值化处理单元3042’可以对所述至少包含第一目标对象的图像进行全局二值化处理，以获得全局二值化处理后的图像；局域二值化处理单元3044’可以对所述至少包含第一目标对象的图像进行局域二值化处理，以获得局域二值化处理后的图像；图像逻辑运算单元3046’可以将所述全局二值化处理后的图像与所述局域二值化处理后的图像进行图像逻辑运算，以获得二值化图像。图像的二值化有利于图像的进一步处理，使图像变得简单，降低数据处理量，凸显出感兴趣的第一目标对象的轮廓等。其中本实施例中的全局二值化处理和局域二值化处理图像与方法200b中的全局二值化处理和局域二值化处理基本相同，在此不再详细描述。
图6给出了在不同的背景复杂度的情况下，上述两种二值化处理的结果。图6-(a)是图4-(b)的云母样本图像在色调分离后的灰度图像。图6-(d)是图4-(a)的石英样本图像在色调分离后的灰度图像。对比图6-(a)和图6-(d)可以看出，图6-(a)的背景比较简单，图6-(d)的背景相对复杂。在背景简单的情况下，例如图6-(a)，对图6-(a)的图像进行局域二值化处理得到的二值图像图6-(b)，以及对图6-(a)的图像进行全局二值化处理得到的二值图像图6-(c)都准确地找到了裂变径迹的位置。
但是，在背景复杂的情况下，例如，图6-(d)，图6-(d)的局域二值化的结果图6-(e)明显优于图6-(d)的全局二值化的结果图6-(f)。在图6-(f)中，标记(4)的位置由于背景亮度变低，裂变径迹和背景的对比度下降，裂变径迹之间发生了粘连。在图6-(f)中，标记(5)的位置，由于石英中的缺陷，背景亮度进一步降低，导致裂变径迹识别完全错误。由于局域二值化基于M×M的局域信息来计算阈值，所以在图6-(e)中的对应的图像位置中，裂变径迹都被准确识别。
然而，局域二值化后的图像会产生噪声。图7给出了图6-(b)中的标记6的图像部分和图6-(c)中对应的图像部分的局部放大的二值化图像图7-(b)和图7-(c)。从图7-(b)的标记6可以看出，局域二值化后的图像会产生噪声，这是由于云母样本中存在一些白色空洞(如图4-(b)中示出的)，这些噪声是由于局域二值化算法对局部像素灰度变化的敏感造成的。而从图7-(c)的对应位置可以看出，全局二值化后的图像不会有此类噪声。
因此，局域二值化可以从复杂的低对比度背景中准确地提取出第一目标对象(例如，裂变径迹)，而全局二值化容易将背景和第一目标对象(例如，裂变径迹)混淆；但是局域二值化由于只计算局部像素的灰度变化，容易产生噪声点，而全局二值化只提取特定灰度的像素，利用例如Otsu方法不易产生噪声。因此本公开的实施例可以结合这两种二值化的优势，计算两种二值化图像的逻辑运算(例如与(AND)运算)的结果，从而抑制噪声，得到更准确的二值图像。
图像逻辑运算可以包含：与(AND)运算、或(OR)运算等。取决于各种因素，可以在不同的情况下使用合适的图像逻辑运算，本公开对此没有任何限制。
在一个实施例中，将全局二值化处理后的图像与局域二值化处理后的图像进行图像逻辑与运算，以获得二值化图像。
作为示例，图像的与运算是指对局域二值化处理后的图像和全局二值化处理后的图像中的对应像素的值进行与运算。例如，局域二值化处理后的图像中的一个像素a的值为0，全局二值化处理后的图像中的对应像素a’的值为0，则像素a与像素a’的与运算的结果为0，因此通过与运算得到的该像素的值为0。
图8示出了图像与运算之后的图像，其中图8-(a)示出了图6-(b)和图6-(c)的图像与运算之后的图像，图8-(b)示出了图6-(e)和图6-(f)的图像与运算之后的图像。从图8可以看出，标记(20)的位置(相当于图6和图7中标记(6)的位置)的噪声被消除了，标记(21)的位置(相当于图6中标记(5)的位置)没有产生粘连或者错误计算。
注意的是，在全局二值化处理单元3042’和局域二值化处理单元3044’中，第一目标对象的图像可以是灰度图像(例如经过本公开的转换单元处理得到的灰度图像等)或是彩色图像。然而，对灰度图像进行全局和/或局域二值化处理，可以降低计算复杂度。此外，通过本公开的转换步骤处理得到的图像，可以提高灰度图像的对比度，使得第一目标对象的像素与其它对象或背景像素之间的区分度更高，有利于对该灰度图像的进一步处理，提高准确度等。
上述实施例通过使用两种二值化处理并且使用图像逻辑运算(例如与运算)可以使得在处理背景复杂或图像质量不佳的图像的情况下，根据本公开的实施例可以降低图像噪声，提供质量更好的二值化图像，进而可以提高测量结果的准确度。
根据本公开的实施例，装置300b还包括：去碎屑单元(未示出)，其基于二值化图像中的第二目标对象的特征，对二值化图像进行去碎屑处理以去除第二目标对象。第二目标对象可以包括除了第一目标对象之外的任何合适的对象，例如极小的颗粒、与第一对象差异较大的对象等。第二目标对象的特征可以包括能够用于识别第二对象的任何合适的特征，例如第二对象的面积、长度、形状等。本公开对第二对象的特征没有任何限制。去碎屑处理可以基于二值化图像中的第二目标对象的特征，通过例如图像模式识别来识别二值化图像中的第二目标对象，并将该第二目标对象去除，例如，将该第二目标对象对应的像素的值置为“0”。
上述实施例，通过对二值化图像进行去碎屑处理，可以去除噪声，进一步提高二值化图像的质量，进而可以提高测量结果的准确度。
根据本发明的实施例，测量单元306’，基于第一目标对象的特征，对二值化图像中的第一目标对象进行测量。第一目标对象的特征可以包括能够用于识别第一对象的任何合适的特征，例如第一对象的面积、长度、形状或与其它对象具有明显区别的特征等。此外，特征可以包括单个特征或多个特征的组合等。本公开对第一对象的特征的类型和数量没有任何限制。在本公开的各种实施例中，可以基于第一目标对象的特征(例如，长度、形状特征等)，使用本领域已知的或将来开发的任何合适的模式识别和/或机器视觉技术和/或机器学习技术等对二值化图像中的第一目标对象进行测量。
在一个实施例中，测量单元306’还包括：识别单元(未示出)，基于第一目标对象的特征，通过图像模式识别对二值化图像中的第一目标对象进行识别；以及第一测量单元(未示出)，对识别的第一目标对象进行测量。图像模式识别可以包括任何现有的以及将来开发的任何合适的图像模式识别技术，本公开对此没有任何限制。
根据本公开的实施例，测量包括以下中的一项或多项：计数测量、直径测量、重心测量、面积测量以及长度测量。例如在第一目标对象是矿物的裂变径迹的情况下，测量可以包含：裂变径迹数量测量、费雷特最大直径、费雷特最小直径和重心等。
图9示出了根据本公开的实施例的基于图像对裂变径迹进行计数测量的结果与手工计数的结果的对比图。从图9可以看出，根据本公开的实施例的自动计数的结果和手工计数保持了较好的一致性。因此，根据本公开的实施例的测量结果的准确性较高。
图10示出了根据本公开的实施例的基于图像对裂变径迹进行计数测量的结果与测试次数的关系图。从图10可以看出，重复测量了9次，并且每组数据的重复性达到100％。因此，根据本公开的实施例的测量结果的可重复性相当高。
根据本公开的实施例，在通过图像获取设备(诸如，显微镜)获取至少包含第一目标对象的图像并且能够控制该图像获取设备的情况下，装置300b还包括：控制单元(未示出)，其根据第一目标对象的测量结果，进一步控制图像获取设备以获取至少包含一部分第一目标对象的新的图像。控制单元(未示出)的功能与方法200b中的控制步骤的功能基本相同，在此不再详细描述。
根据本公开的实施例，装置300b还包括：存储单元(未示出)，其存储测量结果和与测量结果相关的信息。与测量结果相关的信息可以包括在测量中使用或计算出的各种参数值等。
存储单元(未示出)可以包含可移动的和/或固定的存储器。存储单元(未示出)可以包含易失性存储器和/或非易失性存储器。例如，易失性存储器可以包含：随机存取存储器(RAM)(包含动态和/或静态RAM)，片上或片外高速缓存存储器和/或诸如此类。非易失性存储器(其可以是嵌入式的和/或可移动的)可以包含，例如，只读存储器，闪速存储器，磁存储设备，例如硬盘，软盘驱动器，磁带，光盘驱动器和/或介质，非易失性随机存取存储器(NVRAM)和/或诸如此类。
根据本公开的实施例，其中所述第一目标对象包括裂变径迹，所述图像逻辑运算包含与运算。
上述实施例，可以完全由计算机或计算设备来实现，并且可以使用常规的成像设备，不需要人工操作或需要人工操作较少，从而人工和/或设备成本都较低，此外由于测量中基本上不需要人工操作，因此基本上没有人为误差，与现有技术专利申请号为PCT/AU2007/001033的专利申请所提出的方法相比，本公开的实施例在图像背景复杂或图像质量较差的情况下，测量结果的准确度更高，此外，本公开的实施例仅需要处理一种图像，而现有技术中专利申请PCT/AU2007/001033需要获取反射观察模式和透射观察模式的两种图像并对其进行处理，因此本公开的实施例的效率更高。
可以在软件，硬件，应用逻辑，或软件、硬件和应用逻辑的组合中，来实现在本发明中公开的实施例中的某些实施例。本发明对此没有任何限制。
如果需要，可以以不同的顺序和/或彼此并行地执行在本发明中讨论的不同功能或步骤。此外，如果需要，上述功能的一个或多个可以是非必需的或可以被组合。尽管已在独立权利要求中阐述了本公开的各种方面，但是本公开的其他方面包含来自所描述的实施例和/或具有独立权利要求特征的从属权利要求的特征的其他组合，以及不是仅在权利要求中明确阐述的组合。在本公开中还应当注意的是，尽管以上描述了示例实施例，但是这些描述不应被视为限制性的含义。相反，在不背离如所附权利要求书所限定的本公开的范围的情况下，可以做出多种变型和修改。
Claims (22)
1.一种基于图像对第一目标对象进行测量的方法，包括以下步骤：
获取至少包含所述第一目标对象的图像；
对所述至少包含第一目标对象的图像进行全局二值化处理，以获得全局二值化处理后的图像；
对所述至少包含第一目标对象的图像进行局域二值化处理，以获得局域二值化处理后的图像；
将所述全局二值化处理后的图像与所述局域二值化处理后的图像进行图像逻辑运算，以获得二值化图像；以及
基于所述第一目标对象的特征，对所述二值化图像中的所述第一目标对象进行测量。
2.根据权利要求1所述的方法，其中在所述第一目标对象是矿物的裂变径迹的情况下，所述获取步骤通过显微镜获取透射光或反射光下的至少包含所述裂变径迹的显微图像。
3.根据权利要求1所述的方法，其中在所获取的图像是彩色图像的情况下，所述方法还包括：
将所获取的图像转换为灰度图像。
4.根据权利要求3所述的方法，其中所述转换步骤还包括：
通过色调分离将所获取的图像转换为灰度图像。
5.根据权利要求1所述的方法，所述方法还包括：
基于所述二值化图像中的第二目标对象的特征，对所述二值化图像进行去碎屑处理以去除所述第二目标对象。
6.根据权利要求1所述的方法，其中所述测量步骤还包括：
基于所述第一目标对象的特征，通过图像模式识别对所述二值化图像中的所述第一目标对象进行识别；以及
对所识别的所述第一目标对象进行测量。
7.根据权利要求1所述的方法，其中所述测量包括以下中的一项或多项：
计数测量；
直径测量；
重心测量；
面积测量；以及
长度测量。
8.根据权利要求1所述的方法，其中在通过图像获取设备获取至少包含所述第一目标对象的图像并且能够控制所述图像获取设备的情况下，所述方法还包括：
根据第一目标对象的测量结果，进一步控制所述图像获取设备以获取至少包含一部分所述第一目标对象的新的图像。
9.根据权利要求1所述的方法，所述方法还包括：
存储测量结果和与测量结果相关的信息。
10.根据权利要求1-9中任何一项所述的方法，其中所述第一目标对象包括裂变径迹。
11.根据权利要求1-9中任何一项所述的方法，其中所述图像逻辑运算包含与运算。
12.一种基于图像对第一目标对象进行测量的装置，包括：
获取单元，其被配置为获取至少包含所述第一目标对象的图像；
全局二值化处理单元，其被配置为对所述至少包含第一目标对象的图像进行全局二值化处理，以获得全局二值化处理后的图像；
局域二值化处理单元，其被配置为对所述至少包含第一目标对象的图像进行局域二值化处理，以获得局域二值化处理后的图像；
图像逻辑运算单元，其被配置为将所述全局二值化处理后的图像与所述局域二值化处理后的图像进行图像逻辑运算，以获得二值化图像；以及
测量单元，其被配置为基于所述第一目标对象的特征，对所述二值化图像中的所述第一目标对象进行测量。
13.根据权利要求12所述的装置，其中在所述第一目标对象是矿物的裂变径迹的情况下，所述获取单元通过显微镜获取透射光或反射光下的至少包含所述裂变径迹的显微图像。
14.根据权利要求12所述的装置，其中在所获取的图像是彩色图像的情况下，所述装置还包括：
转换单元，其被配置为将所获取的图像转换为灰度图像。
15.根据权利要求14所述的装置，其中所述转换单元还被配置为通过色调分离将所获取的图像转换为灰度图像。
16.根据权利要求12所述的装置，所述装置还包括：
去碎屑单元，其被配置为基于所述二值化图像中的第二目标对象的特征，对所述二值化图像进行去碎屑处理以去除所述第二目标对象。
17.根据权利要求12所述的装置，其中所述测量单元还包括：
识别单元，其被配置为基于所述第一目标对象的特征，通过图像模式识别对所述二值化图像中的所述第一目标对象进行识别；以及
第一测量单元，其被配置为对所识别的所述第一目标对象进行测量。
18.根据权利要求12所述的装置，其中所述测量包括以下中的一项或多项：
计数测量；
直径测量；
重心测量；
面积测量；以及
长度测量。
19.根据权利要求12所述的装置，其中在通过图像获取设备获取至少包含所述第一目标对象的图像并且能够控制所述图像获取设备的情况下，所述装置还包括：
控制单元，其被配置为根据第一目标对象的测量结果，进一步控制所述图像获取设备以获取至少包含一部分所述第一目标对象的新的图像。
20.根据权利要求12所述的装置，所述装置还包括：
存储单元，其被配置为存储测量结果和与测量结果相关的信息。
21.根据权利要求12-20中任何一项所述的装置，其中所述第一目标对象包括裂变径迹。
22.根据权利要求12-20中任何一项所述的装置，其中所述图像逻辑运算包含与运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510063351.1A CN104657989B (zh) | 2015-02-06 | 2015-02-06 | 基于图像对目标对象进行测量的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510063351.1A CN104657989B (zh) | 2015-02-06 | 2015-02-06 | 基于图像对目标对象进行测量的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104657989A CN104657989A (zh) | 2015-05-27 |
| CN104657989B true CN104657989B (zh) | 2017-06-09 |
Family
ID=53249065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510063351.1A Active CN104657989B (zh) | 2015-02-06 | 2015-02-06 | 基于图像对目标对象进行测量的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104657989B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446896B (zh) | 2015-08-04 | 2020-02-18 | 阿里巴巴集团控股有限公司 | 一种字符分割方法、装置及电子设备 |
| CN108654097A (zh) * | 2018-04-19 | 2018-10-16 | 张爱兰 | 基于高度测量的扩展型滑梯 |
| KR102226845B1 (ko) * | 2019-02-26 | 2021-03-12 | 주식회사 핀그램 | 지역적 이진화를 이용한 오브젝트 인식 시스템 및 그 방법 |
| CN110097596B (zh) * | 2019-04-30 | 2023-06-09 | 湖北大学 | 一种基于opencv的目标检测系统 |
| CN112672033A (zh) * | 2019-10-15 | 2021-04-16 | 中兴通讯股份有限公司 | 图像处理方法及装置、存储介质、电子装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413290A (zh) * | 2013-05-25 | 2013-11-27 | 北京工业大学 | 多特征与多层次结合的矿石粒度图像分割方法 |
| CN103761521A (zh) * | 2014-01-09 | 2014-04-30 | 浙江大学宁波理工学院 | 一种基于局部二值模式的显微图像清晰度测量方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008011674A1 (en) * | 2006-07-25 | 2008-01-31 | The University Of Melbourne | A method of automatically counting fission tracks |
| US20140328510A1 (en) * | 2013-05-01 | 2014-11-06 | Apatite to Zircon, Inc. | Method For Characterizing Fission Semi-Tracks in Solids |
-
2015
- 2015-02-06 CN CN201510063351.1A patent/CN104657989B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413290A (zh) * | 2013-05-25 | 2013-11-27 | 北京工业大学 | 多特征与多层次结合的矿石粒度图像分割方法 |
| CN103761521A (zh) * | 2014-01-09 | 2014-04-30 | 浙江大学宁波理工学院 | 一种基于局部二值模式的显微图像清晰度测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| Coincidence mapping – a key strategy for the automatic counting of fission tracks in natural minerals;ANDREW J. W. GLEADOW 等;《Geological Society》;20091231;第324卷;正文第26页右栏第2段，第27页左栏第3段、右栏第1-2段，第28页左栏第2段、右栏第1-3段，第31页右栏第3段，图2，图5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104657989A (zh) | 2015-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104657989B (zh) | 基于图像对目标对象进行测量的方法和装置 | |
| TW512636B (en) | Optical inspection system | |
| Herbst et al. | Toward object discovery and modeling via 3-d scene comparison | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN110379020B (zh) | 一种基于生成对抗网络的激光点云上色方法和装置 | |
| Ghiasi-Freez et al. | Semi-automated porosity identification from thin section images using image analysis and intelligent discriminant classifiers | |
| WO2018229052A1 (en) | Method for training a deep learning model to obtain histopathological information from images | |
| CN104992177A (zh) | 基于深层卷积神经网络的网络色情图像检测方法 | |
| CN108510004B (zh) | 一种基于深度残差网络的细胞分类方法及系统 | |
| CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
| CN110268440A (zh) | 图像解析装置、图像解析方法、以及图像解析程序 | |
| CN109766936A (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
| CN110276264A (zh) | 一种基于前景分割图的人群密度估计方法 | |
| CN108647602A (zh) | 一种基于图像复杂度判定的航空遥感图像场景分类方法 | |
| CN103942786B (zh) | 无人机可见光和红外图像的自适应团块目标检测方法 | |
| CN107589093A (zh) | 一种基于回归分析的煤质在线检测分析方法 | |
| CN108711172A (zh) | 基于细粒度分类的无人机识别与定位方法 | |
| US20240232627A1 (en) | Systems and Methods to Train A Cell Object Detector | |
| CN111862040B (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
| CN110363299A (zh) | 面向露头岩层分层的空间案例推理方法 | |
| CN114550169A (zh) | 细胞分类模型的训练方法、装置、设备及介质 | |
| CN114092793A (zh) | 适用于复杂水下环境的端到端生物目标检测方法 | |
| CN108154199B (zh) | 一种基于深度学习的高精度快速单类目标检测方法 | |
| CN111428855B (zh) | 一种端到端的点云深度学习网络模型和训练方法 | |
| CN108664916A (zh) | 一种基于锚点设计的小面孔检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221220 Address after: Unit 3-B, modern industrial building, No. 333, Xingpu Road, Suzhou Industrial Park, Suzhou, Jiangsu 215126 Patentee after: Zeiss Technology (Suzhou) Co.,Ltd. Patentee after: CARL ZEISS (SHANGHAI) MANAGEMENT CO.,LTD. Address before: No. 11, Riying South Road, Waigaoqiao Free Trade Zone, Shanghai, 200131 Patentee before: CARL ZEISS (SHANGHAI) MANAGEMENT CO.,LTD. |