CN104751137B - 钢材韧窝图像深度均匀度的自动测量、分类方法及其系统 - Google Patents
钢材韧窝图像深度均匀度的自动测量、分类方法及其系统 Download PDFInfo
- Publication number
- CN104751137B CN104751137B CN201510122349.7A CN201510122349A CN104751137B CN 104751137 B CN104751137 B CN 104751137B CN 201510122349 A CN201510122349 A CN 201510122349A CN 104751137 B CN104751137 B CN 104751137B
- Authority
- CN
- China
- Prior art keywords
- dimple
- depth
- image
- uniformity
- dde
- 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.)
- Expired - Fee Related
Links
Abstract
本发明属于钢铁材料的断裂失效分析领域的钢材韧窝图像深度均匀度的自动测量、分类方法及系统,首先图像采集装置获取钢材待测韧窝原始图像,图片预处理模块对原始图像进行中值滤波去噪、二值分割、韧窝缺陷边界修复;自动测量模块对预处理后的图像进行区域标定,获得待测韧窝图像,提取所得待测韧窝图像的韧窝灰度参数,采用基于韧窝图像灰度极值以及灰度‑深度映射关系的韧窝深度均匀度特征参数及其计算方法得出待测韧窝心部灰度的均匀度;自动分类模块对韧窝深度均匀度按最佳阀值进行自动分类;填补了过去人工模式无法处理的钢材韧窝深度分布均匀度的测量、分类工作的空白,钢材韧窝图像的表征精度高达±0.001μm,为目前钢材韧窝分析中的最高表征精度。
Description
技术领域
本发明涉及钢铁材料的断裂失效分析领域,具体涉及钢材韧窝图像深度均匀度的自动测量、分类方法及系统。
背景技术
在各种钢铁材料的断裂失效分析中,断口的韧窝图像是反映材料断口性质的最基本原始形貌,亦是判定材料断裂机制的最本质依据。韧窝的深度,尤其是深度的分布均匀度,与材料的强度、塑性、成形性能等密切相关,通过对断口韧窝深度均匀度的定量分析研究可以深入了解其断裂机理、裂纹形成原因以及对材料性能的本质影响。由此可见,韧窝深度的定量分析研究是材料科学与工程中的重要组成部分,具有重要的理论研究意义和工程应用价值,但有关韧窝深度均匀度的测量、分类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具有重要作用,然而,由于钢材韧窝的定量分析极难进行,加之韧窝分析时面临的诸多复杂因素,长期以来只能依靠专业人员以人工测量与统计的主观工作模式进行,且以定性分析为主。而此模式的评价标准过于粗糙,仅为“均匀”或“不均匀”,但均匀到何种程度,不均匀又到何种程度,均无法定量表征和区别。以至于同一韧窝图像经不同人员分析后,其结果大相径庭!显然,这种人工模式必然带来诸如效率极低、可信度亦极低,以及人力资源耗费过大等问题。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、又为非人工的韧窝深度均匀度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评价分类方法的低效率、低精度的问题,提出了一种基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其测量、分类方法及其系统,利用计算机实现对钢铁材料断口韧窝深度的自动、精确、高效地测量、分类工作。
本发明的技术方案是:钢材韧窝图像深度均匀度的自动测量、分类方法及系统,首先是利用图像采集装置采集获取钢材待测韧窝原始图像,通过图像采集卡输入到处理器中,经过图片预处理模块的中值滤波去噪、二值分割、韧窝缺陷边界修复;自动测量模块对预处理后的图像进行区域标定,获得待测韧窝图像,提取所得待测韧窝图像的韧窝灰度参数,采用基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其计算方法得出待测韧窝心部灰度的均匀度;自动分类模块对韧窝深度均匀度按最佳阀值进行自动分类;测量完毕后,输出模块将韧窝深度分布及韧窝深度均匀度分类结果以图表文件的形式显示输出。
本发明的技术方案采用如下具体步骤:
S1、原始图像的获取:通过图像采集装置获取钢材待测韧窝原始图像,并存入图像采集卡中;
S2、中值滤波去噪:将钢材待测韧窝原始图像进行中值滤波去噪,过滤掉包含在原始图像中的噪声;
S3、二值分割:对经中值滤波去噪后的目标图像采用局部自适应阈值分割算法进行二值分割,即采用多区域划分的自适应阈值分割法对图像进行二值分割,对图像按坐标分块,对每一子块分别选取最佳阈值进行分割,得到韧窝二值图像;
S4、韧窝缺陷边界修复:对韧窝二值图像采用淬熄函数法控制的极限腐蚀、逐层膨胀法修复韧窝缺陷边界;
S5、区域标定:对所述步骤S4处理后的韧窝二值图像进行像素点扫描,并进行区域标定,获得待测韧窝图像;
S6、自动测量:提取所得待测韧窝图像的韧窝灰度参数,即韧窝图像中各韧窝区域中的灰度极值gi,并得到其分布;所述灰度极值gi为各韧窝心部灰度最小值;
采用基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其计算方法得出待测韧窝心部灰度的均匀度,将其定义为韧窝当量深度均匀度DDE,灰度极值gi定义为韧窝当量深度;
S7、自动分类:对所述韧窝当量深度均匀度DDE按最佳阀值进行自动分类。
上述方案中,还包括输出步骤:将韧窝当量深度分布及韧窝当量深度均匀度分类结果以图表文件的形式显示输出。
上述方案中,所述步骤S3采用局部自适应阈值分割法对图像进行二值分割,从而自动获得最佳阈值T,步骤如下:
S8、选择一个T的初始估计值,求图像中的最大灰度值Zmax和最小灰度值Zmin,令
S9、分割图像,这样生成两组像素:G1由所有灰度值大于T的像素组成,而G2由所有灰度值小于或等于T的像素组成;
S10、根据区域G1和G2中的所有像素计算平均灰度值μ1和μ2;
S11、计算新的阈值:
S12、若T=Tnew,中止运算,否则令T=Tnew。
上述方案中,所述步骤S4采用淬熄函数法控制的极限腐蚀,步骤如下:
S13、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;
S14、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;
S15、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;
S16、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S14继续腐蚀;
S17、求最终连通成份的集合,获得极限腐蚀。
上述方案中,所述步骤S4逐层膨胀法为:对韧窝核进行膨胀处理,膨胀时各域保持同位增长,各位生长到相遇时形成韧窝分界线。
上述方案中,所述步骤S5对韧窝进行区域标定的方法为:采用递归标记算法将二值图像中的所有待测韧窝以平面坐标进行编码排序,使得所有待测韧窝均获得一组唯一的坐标编码,再将此编码对待测图像中的相应韧窝逐个进行区域标定。
上述方案中,所述步骤S6韧窝当量深度均匀度计算方法为:
式中,gi——各韧窝区域灰度极值;
n——图像中的韧窝总数;
σg——各韧窝区域灰度极值的标准差;
μg——各韧窝区域灰度极值的期望值;
上式公式计算表明,DDE值越接近于1,说明韧窝深度分布的均匀性越好,为了与人们的惯性思维定势相吻合,将上述公式修正为:使DDE值越接近于1,韧窝深度分布的均匀性越低。
上述方案中,所述步骤S6若得到真实韧窝最大深度数据hmax,则可将所述灰度极值gi及其分布换算为真实韧窝深度hi及其分布,继而可得韧窝真实深度均匀度DDE0,
韧窝灰度-真实深度映射关系如下:
式中,hi——各韧窝的真实深度;
hmax——真实韧窝最大深度;
gmin——各韧窝区域灰度极值中的最小值;
对于待测图像中所有韧窝真实深度的分布,定义其韧窝真实深度均匀度DDE0为各韧窝真实深度的标准差与各韧窝真实深度的期望值的比值:
式中,σh——各韧窝真实深度的标准差;
μh——各韧窝真实深度的期望值;
n——图像中的韧窝总数;
上式公式计算表明,DDE0值越接近于1,说明韧窝深度分布的均匀性越好,这里,为了与人们的惯性思维定势相吻合,特将上述公式修正为:使DDE0值越接近于1,韧窝深度分布的均匀性越低。
上述方案中,对所述韧窝当量深度均匀度DDE或所述真实深度均匀度DDE0按三级最佳阈值进行自动分类,当DDE≤0.10或DDE0≤0.10时,视为均匀度极高;当0.10<DDE≤0.21或0.10<DDE0≤0.21时,视为均匀度较高;当0.21<DDE≤0.29或0.21<DDE0≤0.29时,视为均匀度较低;当DDE>0.29或DDE0>0.29时,视为均匀度极低。
本发明还公开了一种实现所述钢材韧窝图像深度均匀度的自动测量、分类方法的系统,该系统包括图像采集装置和处理器;
所述图像采集装置包括扫描电镜、摄像头和图像采集卡,所述图像采集卡安装在计算机内,所述摄像头与所述图像采集卡相连,采集到的原始图像通过所述图像采集卡输入到图片预处理模块中进行处理;
所述处理器包括图片预处理模块、自动测量模块、自动分类模块和输出模块;
所述图片预处理模块:用于将钢材待测韧窝原始图像进行中值滤波去噪后,采用局部自适应阈值分割算法进行二值分割,再对二值图像采用淬熄函数法控制的极限腐蚀、逐层膨胀法修复韧窝缺陷边界;
所述自动测量模块:用于对图像进行区域标定,获得待测韧窝图像,提取所得待测韧窝图像的韧窝灰度参数,采用基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其计算方法得出待测韧窝心部灰度的均匀度;
所述自动分类模块:用于对韧窝深度均匀度按最佳阀值进行自动分类;
所述输出模块:用于将韧窝深度分布及韧窝深度均匀度分类结果以图表文件的形式显示输出。
上述方案中,所述图像采集卡和所述处理器可置于同一计算机中。
上述方案中,还包括打印机,所述输出模块与所述打印机连接,通过所述打印机将所述图表文件打印出来。
本发明的优点是:
1、通过扫描电镜将图像调至合适的焦距,在图像最清晰时摄像获得钢材待测韧窝原始图像;
2、通过中值滤波去噪过程对钢材待测韧窝原始图像进行中值滤波去噪处理,过滤掉包含在原始图像中的点状噪声,并在抑制噪声的同时保持图像的边缘信息。
3、通过采用局部自适应阈值分割算法进行二值分割,得到目标缺陷与背景完全分割的二值图像;
4、本发明所提供的基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其测量、分类方法可实现钢材韧窝深度均匀度的科学分类,达到目前钢材组织分类方法中的最精细程度。由此,即可使得生产企业通过其产品的韧窝深度均匀度精细分类、制备工艺和性能,反求得出产生韧窝深度分布不均的重要工艺因素及水平,获得减少或避免该类现象产生的钢材优化制备工艺;
5、钢材韧窝图像的表征精度高达±0.001μm,为目前钢材韧窝分析中的最高表征精度。整个测量、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深度均匀度的精确测量、分类仅需40秒左右,其效率比人工模式提高达数百倍之多。由此,即可在精确性、时效性上,充分满足工业生产中对新钢材研发时待测材料图像数量非常巨大、且韧窝深度分布极为复杂的测量及分类的严苛要求;
6、本发明的应用一举填补了过去人工模式无法处理的钢材韧窝深度分布均匀度的测量、分类工作的空白,解决了人工模式中由于生理因素和主观因素所必然产生的测量、分类结果中的漏检、误检等精度偏低问题,尤其能够彻底改变目前业界对于钢材韧窝深度均匀度的评价仅为“均匀”、“不均匀”的模糊、粗糙评价方式;
7、本发明具有优异的普适性,可以推广应用于所有钢材的韧窝图像定量分析工作,所得到的韧窝深度均匀度测量、分类结果,可完全替代为了获取韧窝真实深度均匀度所需的大量繁琐制样、数据提取工作,使新型高端钢材的研发工作效率大幅提高,同时大幅降低其研发成本。
附图说明
图1是本发明的流程框图;
图2是图像采集系统的硬件示意图;
图3是实施例1的原始图像;
图4是实施例1经中值滤波去噪后的图像;
图5是实施例1经二值分割后的图像;
图6a是边界待修复的韧窝图像,图6b是边界修复后的韧窝图像;
图7是实施例1经中值滤波、二值分割、边界修复后的图像;
图8是韧窝区域标定递归处理次序图;
图9是实施例1韧窝深度分布及韧窝深度均匀度分类结果图;
图10是实施例2的原始图像;
图11是实施例2经中值滤波去噪后的图像;
图12是实施例2经二值分割后的图像;
图13是实施例2经中值滤波、二值分割、边界修复后的图像;
图14是实施例2韧窝深度分布及韧窝深度均匀度分类结果图;
图15是实施例3的原始图像;
图16是实施例3经中值滤波去噪后的图像;
图17是实施例3经二值分割后的图像;
图18是实施例3经中值滤波、二值分割、边界修复后的图像;
图19是实施例3韧窝深度分布及韧窝深度均匀度分类结果图;
图20是实施例4的原始图像;
图21是实施例4经中值滤波去噪后的图像;
图22是实施例4经二值分割后的图像;
图23是实施例4经中值滤波、二值分割、边界修复后的图像;
图24是实施例4韧窝深度分布及韧窝深度均匀度分类结果图。
图中,1、钢材试样2、扫描电镜3、摄像头4、计算机5、打印机
具体实施方式
本发明涉及到的中值滤波算法、局部自适应阈值分割算法,其具体内容均为本领域的公知常识,可参见:杨丹,赵海滨,龙哲,等.MATLAB图像处理实例详解[M].北京:清华大学出版社,2013.7(第1版).ISBN 978-7-302-32186-6/PP181-189和赵小川.现代数字图像处理技术提高及应用案例详解[M].北京:北京航空航天大学出版社,2012.4(第1版).ISBN978-7-5124-0719-0/PP80-88;基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其测量、分类方法则是本专利的原始创新工作。
如图1所示,本发明首先利用包括了扫描电镜和摄像头的图像采集装置获取钢材待测韧窝原始图像,并将其存入系统附带的图像采集卡。对钢材待测韧窝原始图像进行中值滤波去噪处理,过滤掉包含在钢材待测韧窝原始图像中的点状噪声,并在抑制噪声的同时保持图像的边缘信息。再对中值滤波去噪后的图像采用局部自适应阈值分割算法进行二值分割,得到目标图像与背景完全分割的黑白模板,即韧窝二值图像(对于中值滤波算法、局部自适应阈值分割算法,凡省略的内容均为公知常识)。
由于韧窝二值图像中存在的韧窝边界缺失问题,还必需通过淬熄函数法控制的极限腐蚀和逐层膨胀法产生分界线以修复和再现韧窝边界(对于淬熄函数法控制的极限腐蚀、逐层膨胀算法,凡省略的内容均为公知常识),方可进行后续的工作。
对经上述中值滤波去噪、二值分割、缺失边界修复处理后的韧窝二值图像进行像素点扫描,以获得所有像素点的隐含X-Y坐标信息,并对待测图像进行区域标定,由此即可获得与韧窝二值图像坐标信息一一对应的区域标定后的待测韧窝图像,具体方法为:将韧窝二值图像中的所有待测韧窝以平面坐标进行编码排序,使得所有待测韧窝均获得一组唯一的坐标编码,再将此编码对待测图像中的相应韧窝逐个进行区域标定。
采用追溯法并以像素点为测量单位,提取待测韧窝图像的韧窝灰度参数,即韧窝图像中各韧窝区域中的灰度极值gi(各韧窝心部灰度最小值),并得到灰度极值分布,利用韧窝灰度-深度映射关系(灰度越小,深度越大),引入本发明提出的韧窝深度均匀度特征参数及其计算方法得出待测韧窝心部灰度的均匀度(即韧窝当量深度均匀度DDE)。
当用户能够提供一个批次(m张)待测图像中的真实韧窝最大深度数据hmax时,则可将上述所得待测图像的韧窝灰度gi及其分布立刻换算为真实韧窝深度hi及其分布,继而可得韧窝真实深度均匀度DDE0;若用户不能提供此数据时,则本发明提供结果为待测图像的韧窝当量深度分布及其均匀度DDE。
对所有待测韧窝深度的分布进行定量表征和精细分类:具体为用韧窝深度均匀度DDE/DDE0的三级最佳阈值(0.10、0.21、0.29)区分出均匀度极高、均匀度较高、均匀度较低、均匀度极低四个类别。测量完毕,将韧窝深度及其分布、韧窝深度均匀度和分类结果以图表文件的形式显示输出。
下面结合附图和4个具体实施方式对本发明作进一步详细说明,但本发明的保护范围并不限于此。
实施例1:
利用图像采集装置获得钢材待测韧窝的原始图像,图像采集装置的硬件如图2所示:钢材试样1、扫描电镜2、摄像头3、计算机4和打印机5,所述计算机4内附图像采集卡。
图像采集的具体步骤是利用所述扫描电镜2将图像调至合适的焦距,在钢材待测韧窝的原始图像最清晰时用所述摄像头3摄像并存储到所述计算机4中的图像采集卡中,得到钢材试样1钢材待测韧窝的原始图像(如图3所示),继而进行后续的图像预处理。
图像预处理的过程包括:中值滤波去噪、二值分割和韧窝缺陷边界修复。
中值滤波去噪:先采用中值滤波算法对钢材待测韧窝的原始图像进行去噪处理,以过滤掉包含在原始图像中的脉冲噪声、椒盐噪声等孤立的噪声点,并在抑制噪声的同时保持图像的边缘信息。其原理主要是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。中值滤波去噪后的图像如图4所示。
二值分割:采用局部自适应阈值分割法对中值滤波去噪后的图像进行二值分割,即采用多区域划分的自适应阈值分割法对图像进行二值分割,对图像按坐标分块,对每一子块分别选取最佳阈值进行分割,从而自动获得最佳阈值T,其算法实现步骤如下:
(1)选择一个T的初始估计值,求图像中的最大灰度值Zmax和最小灰度值Zmin,令
(2)分割图像,这样生成两组像素:G1由所有灰度值大于T的像素组成,而G2由所有灰度值小于或等于T的像素组成;
(3)根据区域G1和G2中的所有像素计算平均灰度值μ1和μ2;
(4)计算新的阈值:
(5)若T=Tnew,中止运算,否则令T=Tnew。
局部自适应阈值分割后的韧窝二值图像如图5所示。
由图5可见,虽然其图像质量获得显著改善,但是仍存在韧窝边界缺失问题,这将影响韧窝的精确测量与分类的可靠性,必须将其进行边界修复。
韧窝缺陷边界修复:本发明采取的韧窝边界修复算法需先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)。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。
之后再采用逐层膨胀法求得完整韧窝边界,即对韧窝核进行膨胀处理,膨胀时各域保持同位增长,各位生长到相遇时形成韧窝分界线,具体算法如下:
(1)要初始化一个大小等于图像长又宽的数组,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6a是边界待修复的韧窝图像,图6b是边界修复后的韧窝图像,对目标图像进行以上各步骤处理后,即得到经中值滤波、二值分割、韧窝缺陷边界修复后的图像,如图7所示。
为了对待测图像进行区域标定,必需先对图7所示的韧窝二值图像进行像素点扫描,以获得所有像素点的隐含X-Y坐标信息,由此方能对待测图像进行区域标定,从而获得与韧窝二值图像坐标信息一一对应的区域标定后的待测韧窝图像,具体方法为:将韧窝二值图像中的所有待测韧窝以平面坐标进行编码排序,使得所有待测韧窝均获得一组唯一的坐标编码,再将此编码对待测图像中的相应韧窝逐个进行区域标定。区域标定算法为递归标记算法,其步骤为:
(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;
(2)对此1像素点赋予一个新的标记NewFlag;
(3)按图8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8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;
(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;
(5)反复执行上述过程直到光栅扫描到图像的右下脚。
对区域标定后的待测图像还需进行遍历扫描,提取各韧窝灰度参数,即提取韧窝图像中各韧窝区域的灰度极值gi(各韧窝心部灰度最小值,0≤gi≤255,i=1,2,3…n,n为图像中的韧窝总数),同时获得各韧窝灰度极值分布。
至此,方能引入本发明提出的韧窝深度均匀度特征参数及其计算方法,得出待测韧窝心部灰度的均匀度(即韧窝当量深度均匀度DDE),将其定义为各韧窝区域灰度极值的标准差与各韧窝区域灰度极值的期望值的比值(为无量纲数值):
式中,gi——各韧窝区域灰度极值;
n——图像中的韧窝总数;
σg——各韧窝区域灰度极值的标准差;
μg——各韧窝区域灰度极值的期望值;
上式公式计算表明,DDE值越接近于1,说明韧窝深度分布的均匀性越好,这里,为了与人们的惯性思维定势相吻合,特将上述公式修正为:
在实际应用韧窝当量深度均匀度DDE评价韧窝特征时,若用户希望得到韧窝真实深度均匀度,而且能够提供一个批次(m张)待测图像中的真实韧窝最大深度数据hmax,则本发明可将上述所得待测图像的韧窝灰度极值gi及其分布立刻换算为真实韧窝深度hi及其分布,继而可得韧窝真实深度均匀度DDE0(其计算原理与方法如下例所述);若用户不能提供此数据时,则本发明提供结果为待测图像的韧窝当量深度分布及其均匀度。
例如,用户提供了实施例1中的韧窝最大深度值为hmax=2.894μm,即此照片中灰度最小的韧窝其深度为2.894μm,按此比例关系,余者类推,即可得出整张图像的真实韧窝深度hi及其分布,并得到真实深度均匀度数值DDE0。韧窝灰度-真实深度映射关系如下:
式中,hi——各韧窝的真实深度;
hmax——真实韧窝最大深度;
gmin——各韧窝区域灰度极值中的最小值。
对于待测图像中所有韧窝真实深度的分布,定义其韧窝真实深度均匀度(DDE0)为各韧窝真实深度的标准差与各韧窝真实深度的期望值的比值(为无量纲数值):
式中,σh——各韧窝真实深度的标准差;
μh——各韧窝真实深度的期望值;
n——图像中的韧窝总数;
上式公式计算表明,DDE0值越接近于1,说明韧窝深度分布的均匀性越好,这里,为了与人们的惯性思维定势相吻合,特将上述公式修正为:
由此可见,韧窝当量深度均匀度DDE或韧窝真实深度均匀度DDE0的波动范围在0~1之间,韧窝深度均匀度值越小(越接近于0),表明韧窝深度分布的均匀性越好;反之,若韧窝深度差异程度越大,则韧窝深度均匀度值越大。
鉴于用户提供了实施例1的真实韧窝最大深度数据hmax=2.894μm,故本实施例参照韧窝灰度-真实深度映射关系对韧窝真实深度进行换算,并计算其韧窝真实深度均匀度DDE0,其韧窝深度分布及韧窝深度均匀度分类结果如图9所示:韧窝真实深度均匀度DDE0=0.051,因DDE0≤0.10,故将其判定为均匀度极高。
实施例2:
图10为钢材试样2的待测韧窝原始图像。现用本发明对其处理过程为:首先对目标待测韧窝原始图像进行中值滤波去噪,中值滤波去噪后的图像如图11所示;对滤波后的图像采用局部自适应阈值分割算法进行处理,二值分割后的图像如图12所示;再采用淬熄函数法控制的极限腐蚀、逐层膨胀法修复韧窝缺失边界,边界修复后的图像如图13所示;对待测图像进行区域标定,并对区域标定后的图像进行遍历扫描,以提取韧窝图像中各韧窝区域的灰度极值,同时计算其韧窝当量深度均匀度DDE(用户未能提供钢材试样2的真实韧窝最大深度数据),其韧窝深度分布及韧窝深度均匀度分类结果如图14所示,得到钢材试样2的韧窝当量深度均匀度DDE=0.129,因0.10<DDE≤0.21,故将其判定为均匀度较高。
实施例3:
图15为钢材试样3的待测韧窝原始图像。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去噪,中值滤波去噪后的图像如图16所示;对滤波后的图像采用局部自适应阈值分割算法进行处理,二值分割后的图像如图17所示;再采用淬熄函数法控制的极限腐蚀、逐层膨胀法修复韧窝缺失边界,边界修复后的图像如图18所示;对待测图像进行区域标定,并对区域标定后的图像进行遍历扫描,以提取韧窝图像中各韧窝区域的灰度极值,同时计算其韧窝当量深度均匀度DDE(用户未能提供钢材试样3的真实韧窝最大深度数据),其韧窝深度分布及韧窝深度均匀度分类结果如图19所示,得到钢材试样3的韧窝当量深度均匀度DDE=0.236,因0.21<DDE≤0.29,故将其判定为均匀度较低。
实施例4:
图20为钢材试样4的待测韧窝原始图像。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去噪,中值滤波去噪后的图像如图21所示;对滤波后的图像采用局部自适应阈值分割算法进行处理,二值分割后的图像如图22所示;再采用淬熄函数法控制的极限腐蚀、逐层膨胀法修复韧窝缺失边界,边界修复后的图像如图23所示;对待测图像进行区域标定,并对区域标定后的图像进行遍历扫描,以提取韧窝图像中各韧窝区域的灰度极值,同时计算其韧窝当量深度均匀度DDE(用户未能提供钢材试样4的真实韧窝最大深度数据),其韧窝深度分布及韧窝深度均匀度分类结果如图24所示,得到钢材试样4的韧窝当量深度均匀度DDE=0.311,因DDE>0.29,故将其判定为均匀度极低。
本发明所提供的基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其测量、分类方法可实现钢材韧窝深度均匀度的科学分类,达到目前钢材组织分类方法中的最精细程度。由此,即可使得生产企业通过其产品的韧窝深度均匀度精细分类、制备工艺和性能,反求得出产生韧窝深度分布不均的重要工艺因素及水平,获得减少或避免该类现象产生的钢材优化制备工艺;
钢材韧窝图像的表征精度高达±0.001μm,为目前钢材韧窝分析中的最高表征精度。整个测量、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深度均匀度的精确测量、分类仅需40秒左右,其效率比人工模式提高达数百倍之多。由此,即可在精确性、时效性上,充分满足工业生产中对新钢材研发时待测材料图像数量非常巨大、且韧窝深度分布极为复杂的测量及分类的严苛要求;
本发明的应用一举填补了过去人工模式无法处理的钢材韧窝深度分布均匀度的测量、分类工作的空白,解决了人工模式中由于生理因素和主观因素所必然产生的测量、分类结果中的漏检、误检等精度偏低问题,尤其能够彻底改变目前业界对于钢材韧窝深度均匀度的评价仅为“均匀”、“不均匀”的模糊、粗糙评价方式;
本发明具有优异的普适性,可以推广应用于所有钢材的韧窝图像定量分析工作,所得到的韧窝深度均匀度测量、分类结果,可完全替代为了获取韧窝真实深度均匀度所需的大量繁琐制样、数据提取工作,使新型高端钢材的研发工作效率大幅提高,同时大幅降低其研发成本。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (10)
1.钢材韧窝图像深度均匀度的自动测量、分类方法,其特征在于,包括以下步骤:
S1、原始图像的获取:通过图像采集装置获取钢材待测韧窝原始图像;
S2、中值滤波去噪:将钢材待测韧窝原始图像进行中值滤波去噪;
S3、二值分割:对经中值滤波去噪后的目标图像采用局部自适应阈值分割算法进行二值分割,即采用多区域划分的自适应阈值分割法对图像进行二值分割,对图像按坐标分块,对每一子块分别选取最佳阈值进行分割,得到韧窝二值图像;
S4、韧窝缺陷边界修复:对韧窝二值图像采用淬熄函数法控制的极限腐蚀、逐层膨胀法修复韧窝缺陷边界;
S5、区域标定:对所述步骤S4处理后的韧窝二值图像进行像素点扫描,并进行区域标定,获得待测韧窝图像;
S6、自动测量:提取所得待测韧窝图像的韧窝灰度参数,即韧窝图像中各韧窝区域中的灰度极值gi,并得到其分布;所述灰度极值gi为各韧窝心部灰度最小值;
采用基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其计算方法得出待测韧窝心部灰度的均匀度,将其定义为韧窝当量深度均匀度DDE,灰度极值gi定义为韧窝当量深度;
所述韧窝当量深度均匀度计算方法为:
式中,gi——各韧窝区域灰度极值;
n——图像中的韧窝总数;
σg——各韧窝区域灰度极值的标准差;
μg——各韧窝区域灰度极值的期望值;
若得到真实韧窝最大深度数据hmax,则可将所述灰度极值gi及其分布换算为真实韧窝深度hi及其分布,继而可得韧窝真实深度均匀度DDE0,
韧窝灰度-真实深度映射关系如下:
式中,hi——各韧窝的真实深度;
hmax——真实韧窝最大深度;
gmin——各韧窝区域灰度极值中的最小值;
对于待测图像中所有韧窝真实深度的分布,定义其韧窝真实深度均匀度DDE0为各韧窝真实深度的标准差与各韧窝真实深度的期望值的比值:
式中,σh——各韧窝真实深度的标准差;
μh——各韧窝真实深度的期望值;
n——图像中的韧窝总数;
S7、自动分类:对所述韧窝当量深度均匀度DDE按最佳阀值进行自动分类。
2.根据权利要求1所述的钢材韧窝图像深度均匀度的自动测量、分类方法,其特征在于,还包括输出步骤:将韧窝当量深度分布及韧窝当量深度均匀度分类结果以图表文件的形式显示输出。
3.根据权利要求1所述的钢材韧窝图像深度均匀度的自动测量、分类方法,其特征在于,所述步骤S3采用局部自适应阈值分割法对图像进行二值分割,从而自动获得最佳阈值T,步骤如下:
S8、选择一个T的初始估计值,求图像中的最大灰度值Zmax和最小灰度值Zmin,令
S9、分割图像,这样生成两组像素:G1由所有灰度值大于T的像素组成,而G2由所有灰度值小于或等于T的像素组成;
S10、根据区域G1和G2中的所有像素计算平均灰度值μ1和μ2;
S11、计算新的阈值:
S12、若T=Tnew,中止运算,否则令T=Tnew。
4.根据权利要求1所述的钢材韧窝图像深度均匀度的自动测量、分类方法,其特征在于,所述步骤S4采用淬熄函数法控制的极限腐蚀,步骤如下:
S13、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;
S14、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;
S15、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;
S16、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S14继续腐蚀;
S17、求最终连通成份的集合,获得极限腐蚀。
5.根据权利要求1所述的钢材韧窝图像深度均匀度的自动测量、分类方法,其特征在于,所述步骤S4逐层膨胀法为:对韧窝核进行膨胀处理,膨胀时各域保持同位增长,各位生长到相遇时形成韧窝分界线。
6.根据权利要求1所述的钢材韧窝图像深度均匀度的自动测量、分类方法,其特征在于,所述步骤S5对韧窝进行区域标定的方法为:采用递归标记算法将二值图像中的所有待测韧窝以平面坐标进行编码排序,使得所有待测韧窝均获得一组唯一的坐标编码,再将此编码对待测图像中的相应韧窝逐个进行区域标定。
7.根据权利要求1所述的钢材韧窝图像深度均匀度的自动测量、分类方法,其特征在于,所述步骤S6韧窝当量深度均匀度计算公式计算表明,DDE值越接近于1,说明韧窝深度分布的均匀性越好,为了与人们的惯性思维定势相吻合,将上述公式修正为:使DDE值越接近于1,韧窝深度分布的均匀性越低。
8.根据权利要求1所述的钢材韧窝图像深度均匀度的自动测量、分类方法,其特征在于,所述步骤S6韧窝真实深度均匀度DDE0公式计算表明,DDE0值越接近于1,说明韧窝深度分布的均匀性越好,这里,为了与人们的惯性思维定势相吻合,特将上述公式修正为:使DDE0值越接近于1,韧窝深度分布的均匀性越低。
9.根据权利要求1所述的钢材韧窝图像深度均匀度的自动测量、分类方法,其特征在于,对所述韧窝当量深度均匀度DDE或所述真实深度均匀度DDE0按三级最佳阈值进行自动分类,当DDE≤0.10或DDE0≤0.10时,视为均匀度极高;当0.10<DDE≤0.21或0.10<DDE0≤0.21时,视为均匀度较高;当0.21<DDE≤0.29或0.21<DDE0≤0.29时,视为均匀度较低;当DDE>0.29或DDE0>0.29时,视为均匀度极低。
10.实现权利要求1所述钢材韧窝图像深度均匀度的自动测量、分类方法的系统,其特征在于,包括图像采集装置和处理器;
所述图像采集装置包括扫描电镜(2)、摄像头(3)和图像采集卡,所述图像采集卡安装在计算机(4)内,所述摄像头(3)与所述图像采集卡相连,采集到的原始图像通过所述图像采集卡输入到图片预处理模块中进行处理;
所述处理器包括图片预处理模块、自动测量模块、自动分类模块和输出模块;
所述图片预处理模块:用于将钢材待测韧窝原始图像进行中值滤波去噪后,采用局部自适应阈值分割算法进行二值分割,再对二值图像采用淬熄函数法控制的极限腐蚀、逐层膨胀法修复韧窝缺陷边界;
所述自动测量模块:用于对图像进行区域标定,获得待测韧窝图像,提取所得待测韧窝图像的韧窝灰度参数,采用基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其计算方法得出待测韧窝心部灰度的均匀度;
所述自动分类模块:用于对韧窝深度均匀度按最佳阀值进行自动分类;
所述输出模块:用于将韧窝深度分布及韧窝深度均匀度分类结果以图表文件的形式显示输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510122349.7A CN104751137B (zh) | 2015-03-19 | 2015-03-19 | 钢材韧窝图像深度均匀度的自动测量、分类方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510122349.7A CN104751137B (zh) | 2015-03-19 | 2015-03-19 | 钢材韧窝图像深度均匀度的自动测量、分类方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751137A CN104751137A (zh) | 2015-07-01 |
CN104751137B true CN104751137B (zh) | 2018-08-21 |
Family
ID=53590794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510122349.7A Expired - Fee Related CN104751137B (zh) | 2015-03-19 | 2015-03-19 | 钢材韧窝图像深度均匀度的自动测量、分类方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751137B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544576A (zh) * | 2018-11-23 | 2019-03-29 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于机器视觉的飞机模型冰形轮廓提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101782526A (zh) * | 2010-01-19 | 2010-07-21 | 江苏大学 | 一种钢材韧窝图像的自动复原、测量分类方法及装置 |
-
2015
- 2015-03-19 CN CN201510122349.7A patent/CN104751137B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101782526A (zh) * | 2010-01-19 | 2010-07-21 | 江苏大学 | 一种钢材韧窝图像的自动复原、测量分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104751137A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
CN104880389B (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN107610114A (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN109872300A (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN108090494B (zh) | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 | |
JP2017049974A (ja) | 識別器生成装置、良否判定方法、およびプログラム | |
CN105825169B (zh) | 一种基于道路影像的路面裂缝识别方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN101782526B (zh) | 一种钢材韧窝图像的自动复原、测量分类方法及装置 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN111898627B (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
CN104778684B (zh) | 钢材表面异质型缺陷的自动测量、表征分类方法及其系统 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN108765402A (zh) | 无纺布缺陷检测与分类方法 | |
CN101510262A (zh) | 一种钢中析出粒子的自动测量及其形态分类方法 | |
CN103940708A (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN109540925A (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN111339948A (zh) | 一种高分辨率遥感影像新增建筑自动识别方法 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN110853006A (zh) | 一种使用扫描仪获取的数字病理图像质量评价的方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180821 Termination date: 20190319 |