CN104880389B - 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 - Google Patents

Abstract

本发明属于钢铁材料微观组织全形态晶粒的定量金相分析领域，具体涉及一种钢材晶粒混晶度的自动测量、精细分类方法及其系统，首先图像采集装置获取钢材待测晶粒原始图像，图像预处理模块对原始图像预处理，自动测量模块对预处理后的图像进行区域标定，获得待测晶粒图像，提取所得待测晶粒图像的几何形态特征参数，采用无规区域面积算法测量目标晶粒的形态特征参数：晶粒面积，继而可得晶粒粒径，晶粒混晶度GME；自动分类模块对晶粒混晶度GME按最佳阀值进行自动分类；填补了过去人工模式无法处理钢材晶粒混晶度测量、分类工作的空白，钢材晶粒图像的表征精度高达±0.001μm，为目前钢材金相组织分析中的最高表征精度。

Description

一种钢材晶粒混晶度的自动测量、精细分类方法及其系统

技术领域

本发明涉及钢铁材料微观组织全形态晶粒的定量金相分析领域，具体涉及一种钢材晶粒混晶度的自动测量、精细分类方法及其系统。

背景技术

随着钢铁材料科技的飞速发展，各类钢材的研发已经逐渐建立在成分、组织和性能定量关系的基础上，定量金相分析正是研究金属材料成分、组织、工艺及性能之间关系的重要方法，通过对各种钢材金相组织，尤其是晶粒粒径大小及其混晶度的定量分析，在其微观组织和宏观性能间构建定量关系。为探明钢中全形态晶粒的粒径及其分布对钢的强/韧性影响规律，尤其是高端钢材的相关影响规律，就必需对其混晶度进行精确测量与分类，以确保其组织及性能的可控性。

目前，由于现有定量金相分析方法对于所有钢材全形态晶粒粒径及其混晶度的定量表征、分类均未涉及，因此，在进行新钢种研发的成分、工艺、组织及其性能控制时，该项工作尚处于初步探索阶段，只能依靠人工或半人工测量、分析模式进行，而此模式的评价标准仅为“混晶现象严重与否”或待测钢材晶粒粒径的极差。这里，“混晶”通指为钢材晶粒粒径大小分布严重不均现象，但不均到何种程度，无法进行定量表征。而晶粒粒径极差标准亦过于粗糙，以至于同值极差的不同钢材，彼此的晶粒混晶度实际上存在着天壤之别！若能利用先进的图像处理分析技术和科学的数理统计方法，则能有效解决上述问题。

发明内容

本发明的目的是为克服上述现有技术的不足，提出一种钢材晶粒混晶度的自动测量、精细分类方法及其系统，自动实现对钢铁材料全形态晶粒粒径及其混晶度的高效测量、精确分类。

本发明的技术方案是：一种钢材晶粒混晶度的自动测量、精细分类方法，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晶粒原始图像；

S2、中值滤波去噪：将钢材待测晶粒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按坐标分块，对每一子块分别用大津法自动获得其阈值，由此获得阈值矩阵T₁，采用基于阈值矩阵滤波+插值再处理的局部自适应阈值分割算法进行分割，该算法主要通过对目标图像的阈值矩阵进行滤波和插值两步再处理，使之成为和原图像像素数目相等的新阈值矩阵，然后利用此新阈值矩阵完成图像分割，得到二值图像；

S4、晶粒缺失边界修复：对所述二值图像采用基于极限腐蚀的修正分水岭分割算法修复晶粒缺失边界，该算法主要通过对目标图像进行逐层腐蚀，直到无法腐蚀为止，从而获得被腐蚀晶粒的几何中心即晶核，对此晶核进行修正，对修正后的晶粒图像再应用分水岭分割算法还原晶界；

S5、晶粒孔洞填充：采用改进的种子填充算法填充晶粒孔洞，得到自动修复后的晶粒图像；

S6、区域标定：对所述自动修复后的晶粒图像设定标尺并对各目标晶粒进行区域标定，得到待测晶粒图像；

S7、自动测量：提取所得待测晶粒图像的几何形态特征参数，即采用无规区域面积算法测量目标晶粒的形态特征参数：晶粒面积，并利用等积圆面积算法计算得出相应的晶粒粒径；

利用晶粒混晶度特征参数即晶粒粒径计算待测钢材晶粒混晶度GME；

S8、自动分类：对所述晶粒混晶度GME按最佳阈值进行自动分类。

上述方案中，还包括输出步骤：将晶粒粒径分布及晶粒混晶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的阈值矩阵滤波步骤如下：

对所述阈值矩阵T₁进行滤波处理，使每个子图像的阈值与其周围子图像的阈值相均衡，以此减少邻近阈值元素间的突变，意即将T₁中每个阈值元素和其周围8邻域中的各个阈值元素相加，求取其均值，并用此均值来取代原来的阈值，由此得到滤波矩阵T₂。

上述方案中，所述步骤S3的插值再处理步骤如下：

对所述滤波矩阵T₂进行插值处理，本算法对滤波矩阵T₂采用线性插值法，以求得到和所述晶粒原始图像像素数目相等的新阈值矩阵T₃，再用阈值矩阵T₃对滤波后的图像进行二值分割。

上述方案中，所述步骤S4的基于极限腐蚀的修正分水岭分割算法的步骤如下：

S9、首先对所述二值图像中的粘连对象进行逐层腐蚀直到无法腐蚀为止，并逐层编号；

S10、将编号后各晶粒的局部极大值区域视为该晶粒的几何中心，即晶核，令对应的像素点灰度值定为1，其余像素点灰度值皆为0；

S11、对各晶核进行3次膨胀处理，获得其修正后的极大值区域，即晶粒几何中心，若膨胀之后两局部极大区域粘连，则将其视为一个极大值区域，统一编号，以此杜绝伪极大值，即伪晶核的出现，得到了无伪晶核的二值图像，即掩模；

S12、最后，将所述掩模中的真实晶核定为汇水盆地，进行分水岭分割即可。

上述方案中，所述步骤S5中改进的种子填充算法步骤为：

S13、种子像素压入堆栈；

S14、当堆栈非空时，从堆栈中推出一个像素，并将该像素设置成所要的值；

S15、对于每个与当前像素邻接的四连通或八连通像素，进行测试，以确定测试点的像素是否处在区域内且未被访问过；

S16、若所测试的像素在区域内没有被填充，则将该像素压入堆栈。

上述方案中，所述步骤S7中晶粒面积和晶粒粒径的计算方法具体为：

对二值分割后的图像模板数组进行扫描，分别计算出目标图像中灰度值为1的单个晶粒区域内的像素点总数，并根据晶粒图像的分辨率从像素单位换算为实际单位，即以像素实际面积累加计算得出单个晶粒的晶粒面积，

A_i＝X_SCALE×Y_SCALE×N_i(μm²)，i＝1,2,3,…,n

式中，A_i——单个晶粒的晶粒面积；

N_i——单个晶粒区域内的像素点总数；

n——目标图像中晶粒总数；

M——为图像的长；

N——为图像的宽；

二值图像的大小为M×N，单位为像素；

利用等积圆面积算法，由上述所得到的晶粒面积A_i计算各目标晶粒的晶粒粒径d_i，即与图像中目标晶粒轮廓面积相等的圆的直径：

上述方案中，所述步骤S7中待测钢材晶粒混晶度GME的计算方法具体为：

所述晶粒混晶度GME定义为各晶粒粒径大小的标准差与各晶粒粒径大小的期望值之间的比值，计算公式如下：

式中，σ_d——各晶粒粒径大小的标准差；

μ_d——各晶粒粒径大小的期望值；

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：

由修正后的上式可知，GME值越小，表明晶粒混晶度越低，即晶粒粒径大小的均匀性越好，若无混晶现象，则晶粒混晶度GME值接近于0；反之，若晶粒粒径差异程度越大，晶粒混晶现象越严重，则GME值越大。

上述方案中，对所述晶粒混晶度GME按三级最佳阈值进行自动分类，当GME≤0.10时，视为混晶度极低；当0.10＜GME≤0.20时，视为混晶度较低；当0.20＜GME≤0.40时，视为混晶度较高；当GME＞0.40时，视为混晶度极高。

本发明还提供一种实现钢材晶粒混晶度的自动测量、精细分类方法的系统，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专业金相显微镜、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所述处理器中进行处理；

所述处理器包括图像预处理模块、自动测量模块、自动分类模块和输出模块；

所述图像预处理模块：用于将钢材待测晶粒原始图像进行中值滤波去噪后，采用基于阈值矩阵滤波+插值再处理的局部自适应阈值分割算法进行二值分割，再对二值图像采用基于极限腐蚀的修正分水岭分割算法进行晶粒缺失边界修复，采用改进的种子填充算法进行晶粒孔洞填充，得到自动修复后的晶粒图像；

所述自动测量模块：用于对得到自动修复后的晶粒图像进行区域标定，获得待测待测晶粒图像，提取所得待测晶粒图像的几何形态特征参数，采用无规区域面积算法测量目标晶粒的晶粒面积，利用等积圆面积算法计算得出相应的晶粒粒径，利用晶粒混晶度特征参数即晶粒粒径计算待测钢材晶粒混晶度GME；

所述自动分类模块：用于对所述晶粒混晶度GME进行自动分类；

所述输出模块：将晶粒粒径分布及晶粒混晶度分类结果以图表文件的形式显示通过打印机输出。

本发明的优点是：

1、通过专业金相显微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晶粒原始图像；

2、通过中值滤波去噪过程对钢材待测晶粒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；

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，采用基于阈值矩阵滤波+插值再处理的局部自适应阈值分割算法，消除伪标现象造成的误分割；

4、采用基于极限腐蚀的修正分水岭分割算法进行晶粒缺失边界修复，解决了经过中值滤波去噪和局部自适应阈值分割后的图像可能存在着诸如晶界缺失、晶内孔洞等图像缺陷的问题；

5、改进的种子填充算法根据填充区域边界的连续性和相邻扫描线的相关性，只需将每个水平像素段的起始位置压入栈，而不需要将当前位置周围尚未处理的相邻像素都压入栈，从而避免了不必要的出、入栈操作，节省了大量的栈空间；在填充过程中，根据相邻扫描线上填充区间的关系判断是否需要回溯和产生新的填充区间，有效避免了不必要的回溯和像素的重复判读，提高了填充效率；

6、钢材晶粒图像的测量精度高达±0.001μm，为目前钢材金相组织分析中的最高测量精度。整个测量、分类过程在标准配置的计算机上运行，完成一个视场的晶粒混晶度精确测量、分类仅需30秒左右，其效率比人工模式提高达数百倍之多。由此，就可在精确性、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，且混晶现象十分严重的测量及其精细分类的严苛要求；

7、本发明所提供的基于晶粒粒径分布差异的混晶度特征参数的建立及其测量、分类方法可实现钢材全形态晶粒混晶度的科学分类，意即可对钢材强/韧性有较大负面影响的混晶组织进行精细表征分类，达到目前钢材组织分类方法中的最精细程度，由此，就可使得生产企业通过其产品的晶粒混晶度精细分类、制备工艺和性能，反求得出产生混晶缺陷的重要工艺因素及水平，获得减少或避免该类缺陷产生的钢材优化制备工艺；

8、本发明为钢材全形态晶粒的定量微观分析提供了可靠依据，本发明的应用一举填补了过去人工模式无法处理的钢材晶粒混晶度测量、分类工作的空白；

9、本发明具有优异的普适性，可以推广应用于粉末加工、农作物等领域中一切比容较小、形态复杂的颗粒物混合度的测量、分类工作。

附图说明

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是实施例1经中值滤波去噪和二值分割后的图像；

图5是实施例1经边界修复等缺陷处理后的图像；

图6是实施例1经区域标定后的图像；

图7是实施例1晶粒粒径分布及晶粒混晶度分类结果图；

图8是实施例2的原始图像；

图9是实施例2经中值滤波去噪和二值分割后的图像；

图10是实施例2经边界修复等缺陷处理后的图像；

图11是实施例2经区域标定后的图像；

图12是实施例2晶粒粒径分布及晶粒混晶度分类结果图；

图13是实施例3的原始图像；

图14是实施例3经中值滤波去噪和二值分割后的图像；

图15是实施例3经边界修复等缺陷处理后的图像；

图16是实施例3经区域标定后的图像；

图17是实施例3晶粒粒径分布及晶粒混晶度分类结果图；

图18是实施例4的原始图像；

图19是实施例4经中值滤波去噪和二值分割后的图像；

图20是实施例4经边界修复等缺陷处理后的图像；

图21是实施例4经区域标定后的图像；

图22是实施例4晶粒粒径分布及晶粒混晶度分类结果图；

图23是实施例5的原始图像；

图24是实施例5经中值滤波去噪和二值分割后的图像；

图25是实施例5经边界修复等缺陷处理后的图像；

图26是实施例5经区域标定后的图像；

图27是实施例5晶粒粒径分布及晶粒混晶度分类结果图。

图中，1、钢材试样2、专业金相显微镜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去噪算法，其具体内容均是本领域的公知常识，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；本发明另外涉及到的改进的局部自适应阈值分割算法和新的基于极限腐蚀的修正分水岭分割算法是本发明分别在《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).ISBN 978-7-5124-0719-0》和Wei-Yen Hsu.Improved watershed transform for tumorsegmentation:Application to mammogram image compression[J].Expert Systemswith Appications,March2012,39(4),PP:3950-395一文基础上的创新工作；基于无规区域面积算法的晶粒粒径计算、以及基于晶粒粒径分布差异的混晶度特征参数的建立及其测量、分类方法则是本专利的主要原始创新工作。

如图1所示，本发明首先利用包括了专业金相显微镜和摄像头的图像采集系统获取钢材试样钢材待测晶粒原始图像，并将其存入系统附带的图像采集卡。对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。再对中值滤波去噪后的图像进行二值分割，鉴于本发明的目的仅涉及晶粒的形态特征，而与颜色信息无关，故对其用本发明改进的局部自适应阈值分割算法进行二值分割，得到目标晶粒的二值图像(关于改进的局部自适应阈值分割算法，凡省略的内容均为公知常识)。

由于晶粒二值图像保留了原始图像中的晶界缺失、晶内孔洞等问题，还必须进行图像修复，通过本发明提出的新的基于极限腐蚀的修正分水岭分割算法以修复晶粒缺失边界(关于基于极限腐蚀的修正分水岭分割算法，凡省略的内容均为公知常识)，用改进的种子填充算法填充晶粒孔洞。

在进行晶粒测量时，先对修复后的图像设定标尺并对同一图像中各晶粒进行区域标定，采用追溯法并以像素点为测量单位，对目标晶粒分别提取其形态特征参数：晶粒面积和晶粒粒径。利用本发明提出的晶粒混晶度特征参数，对所有待测晶粒粒径的分布结果进行定量表征和精细分类：具体为用晶粒混晶度GME的三级最佳阈值(0.10、0.20、0.40)区分出混晶度极低、混晶度较低、混晶度较高、混晶度极高。最后，将上述所得晶粒粒径分布及晶粒混晶度分类结果存档并以图表文件显示通过打印机输出。

下面结合附图和5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材待测晶粒的原始图像，图像采集装置的硬件如图2所示：包括钢材试样1、专业金相显微镜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专业金相显微镜2将图像调至合适的焦距，在钢材待测晶粒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钢材待测晶粒的原始图像(如图3所示)，继而进行后续的图像预处理。

所述图像预处理的过程包括：中值滤波去噪、二值分割、晶粒缺失边界修复和晶粒孔洞填充。

所述中值滤波去噪的过程：先采用中值滤波算法对目标图像进行去噪处理，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。

所述二值分割的过程：对中值滤波去噪后的图像还需进行二值分割以得到晶粒的二值图像。由于钢材金相图像晶粒形态的复杂性、多样性，采用基于区域划分的自适应阈值分割算法对图像进行二值分割，即对图像按坐标分块，对每一子块分别用大津法自动获得其阈值，由此获得阈值矩阵T₁。为了获得更高的图像处理精度，通常都对图像进行更细的分割，但是，当分割更细时，往往伴随有较多的全背景子区域，此时采用大津法分割，则势必在这些全背景子区域中产生伪目标颗粒，即为“伪标现象”。伪标现象的存在，极大的降低了待测图像的分割精度，使误分割现象大大增加。

为解决伪标问题，本发明提出了新的基于阈值矩阵滤波+插值再处理的局部自适应阈值分割算法，即为改进的局部自适应阈值分割算法。该算法主要通过对目标图像的阈值矩阵进行滤波和插值两步再处理，使之成为和原图像像素数目相等的新阈值矩阵，然后利用此阈值矩阵完成图像分割，以此消除伪标现象造成的误分割。

所述基于阈值矩阵滤波+插值再处理的改进的局部自适应阈值分割算法具体过程为：

(1)首先对阈值矩阵T₁进行滤波处理，使每个子图像的阈值与其周围子图像的阈值相均衡，以此减少邻近阈值元素间的突变，意即将T₁中每个阈值元素和其周围8邻域中的各个阈值元素相加，求取其均值，并用此均值来取代原来的阈值，由此得到滤波矩阵T₂。

(2)对滤波矩阵T₂进行插值处理，考虑到处理效果和所费时间的双重要求，本算法对滤波矩阵T₂采用线性插值法，以求得到和图3中的原始图像像素数目相等的新阈值矩阵T₃，再用阈值矩阵T₃对滤波后的图像进行二值分割。

经过上述中值滤波去噪和局部自适应阈值分割后的图像如图4所示。

所述晶粒缺失边界修复的过程：鉴于图4中仍可能存在着诸如晶界缺失、晶内孔洞等图像缺陷，为解决此问题，本发明提出了新的基于极限腐蚀的修正分水岭分割算法进行晶界修复。该算法主要通过对目标图像进行逐层腐蚀，直到无法腐蚀为止，从而获得被腐蚀晶粒的几何中心即晶粒核心(晶核)，为确保该晶核确为真实晶核而非伪晶核，故必须对此晶核进行修正，以避免过度分割造成的精度降低，对修正后的晶粒图像再应用分水岭分割算法还原晶界。

上述基于极限腐蚀的修正分水岭分割算法的具体为：

(1)首先对图4中的粘连对象进行逐层腐蚀直到无法腐蚀为止，并逐层编号；

(2)将编号后各晶粒的局部极大值区域视为该晶粒的几何中心(晶核)，令对应的像素点灰度值定为1，其余像素点灰度值皆为0；

(3)对各晶核进行3次膨胀处理，获得其修正后的极大值区域(晶粒几何中心)，若膨胀之后两局部极大区域粘连，则将其视为一个极大值区域，统一编号，以此杜绝伪极大值(伪晶核)的出现，得到了无伪晶核的二值图像(掩模)；

(4)最后，将掩模中的真实晶核定为汇水盆地，进行分水岭分割即可。

所述晶粒孔洞填充的过程：对于晶内孔洞缺陷，本发明采用改进的种子填充算法进行填充处理，该填充算法详见本发明人的另一发明专利：一种钢中析出粒子的自动测量及其形态分类方法，专利号：ZL200910030216.1。该种子填充改进算法的基本流程如下：

(1)种子像素压入堆栈；

(2)当堆栈非空时，从堆栈中推出一个像素，并将该像素设置成所要的值；

(3)对于每个与当前像素邻接的四连通或八连通像素，进行测试，以确定测试点的像素是否处在区域内且未被访问过；

(4)若所测试的像素在区域内没有被填充，则将该像素压入堆栈。

改进的种子填充算法根据填充区域边界的连续性和相邻扫描线的相关性，只需将每个水平像素段的起始位置压入栈，而不需要将当前位置周围尚未处理的相邻像素都压入栈，从而避免了不必要的出、入栈操作，节省了大量的栈空间。在填充过程中，根据相邻扫描线上填充区间的关系判断是否需要回溯和产生新的填充区间，有效避免了不必要的回溯和像素的重复判读，提高了填充效率。

对目标图像分别进行了上述中值滤波去噪、二值分割、晶界修复及孔洞填充各步骤处理后，即可得到自动修复后的晶粒图像，如图5所示。至此，即可进行钢材显微组织全形态晶粒混晶度的精细测量、分类工作。

所述区域标定的过程：

设定图像标尺，即标定目标图像中每个像素的实际尺寸，其算法如下：

(1)在待测图像中画一条水平直线，记下起始点坐标(x₁，y)和终点坐标(x₂，y)，并计算该线段的长度L₁＝|x₁-x₂|(单位：微米)和所划过的像素N₁；

(2)在待测图像中画一条竖直线，记下起始点坐标(x，y₁)和终点坐标(x，y₂)，并计算该线段的长度L₂＝|y₁-y₂|(单位：微米)和所划过的像素N₂；

(3)设定此缺陷图像的放大倍数A。

XY_SCALE＝((X_SCALE)²+(Y_SCALE)²)^1/2μm/pixel

上式中：X_SCALE—水平方向尺寸比例因子，即为每个像素在水平方向上的实际尺寸；

Y_SCALE—竖直方向尺寸比例因子，即为每个像素在竖直方向上的实际尺寸；

XY_SCALE—二维尺寸比例因子，即为每个像素的二维实际尺寸。

对同一图像中各晶粒进行区域标定，即对各晶粒区域像素进行标识，并进一步取得它们各自的特征参数，其步骤为：

(1)首先按从左到右，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)按图的编号次序，对此目标像素(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(也就是(2)中的NewFlag)。此时又要按上述次序扫描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角。

实施例1经区域标定后的图像如图6所示。这里需要说明的是，各晶粒中的黑点为晶粒计数需要所设，实施例2、例3、例4、例5所对应的图11、图16、图21、图26中的黑点亦如此。

所述自动测量的过程：

将水平方向尺寸、竖直方向尺寸等比例因子计算出后，再提取待测晶粒图像的几何形态特征参数，即采用无规区域面积算法测量目标晶粒的形态特征参数：晶粒面积，继而可得晶粒粒径。

晶粒面积的具体算法：

对二值分割后的图像模板数组进行扫描(所述二值图像模板数组是指二值图像中所有包含有用信息，包括坐标位置、灰度大小的像素点的集合，得到二值图像之后就会附带有相应的模板数组)，分别计算出目标图像中灰度值为1的单个晶粒区域内的像素点总数(所得二值图像中，0表示晶粒边界，1表示晶粒内部区域，即所求目标晶粒面积区域)，并根据晶粒图像的分辨率从像素单位换算为实际单位，即以像素实际面积累加计算得出单个晶粒的晶粒面积。

A_i＝X_SCALE×Y_SCALE×N_i(μm²)，i＝1,2,3,…,n

式中，A_i——单个晶粒的晶粒面积；

N_i——单个晶粒区域内的像素点总数；

n——目标图像中晶粒总数。

M、N——二值图像的大小为M×N，M和N分别为图像的长和宽，单位为像素；

晶粒粒径的具体算法：

利用等积圆面积算法，由上述所得到的晶粒面积A_i计算各目标晶粒的晶粒粒径d_i，即与图像中目标晶粒轮廓面积相等的圆的直径。

晶粒混晶度GME的具体算法：

为了定量表征待测图像中所有晶粒粒径的分布差异程度，本发明建立晶粒混晶度GME这一特征参数，用以解决此问题。将晶粒混晶度GME定义为各晶粒粒径大小的标准差与各晶粒粒径大小的期望值之间的比值(为无量纲数值)，计算公式如下：

式中，σ_d——各晶粒粒径大小的标准差，

μ_d——各晶粒粒径大小的期望值，

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：

由修正后的上式可知，GME值越小，表明晶粒混晶度越低，即晶粒粒径大小的均匀性越好，若无混晶现象，则晶粒混晶度GME值接近于0；反之，若晶粒粒径差异程度越大，晶粒混晶现象越严重，则GME值越大。

所述自动分类的过程：

根据晶粒混晶度GME的三级最佳阈值对实施例1晶粒进行类型判定，由此完成了对实施例1晶粒混晶度的自动测量和精细分类。由于实施例1的晶粒混晶度GME＝0.100，因GME≤0.10，故将其定为混晶度极低，其晶粒粒径分布及晶粒混晶度分类结果如图7所示。

实施例2：

如图8所示的原始图像为钢材试样2的金相组织晶粒图像。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以及利用改进的局部自适应阈值分割算法进行二值分割处理，经中值滤波去噪和二值分割后的图像如图9所示；再运用新的基于极限腐蚀的修正分水岭分割算法和改进的种子填充算法修复晶粒缺失边界和填充晶内孔洞，缺陷修复后的图像如图10所示；设定标尺并对各晶粒进行区域标定，区域标定后的图像如图11所示；测量并计算晶粒面积、晶粒粒径、晶粒混晶度GME等特征参数；由此完成了对实施例2晶粒混晶度的自动测量和精细分类，由于实施例2的晶粒混晶度GME＝0.182，因0.10＜GME≤0.20，故将其定为混晶度较低，其晶粒粒径分布及晶粒混晶度分类结果如图12所示。

实施例3：

如图13所示的原始图像为钢材试样3的金相组织晶粒图像。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以及利用改进的局部自适应阈值分割算法进行二值分割处理，经中值滤波去噪和二值分割后的图像如图14所示；再运用新的基于极限腐蚀的修正分水岭分割算法和改进的种子填充算法修复晶粒缺失边界和填充晶内孔洞，缺陷修复后的图像如图15所示；设定标尺并对各晶粒进行区域标定，区域标定后的图像如图16所示；测量并计算晶粒面积、晶粒粒径、晶粒混晶度GME等特征参数；由此完成了对实施例3晶粒混晶度的自动测量和精细分类，由于实施例3的晶粒混晶度GME＝0.274，因0.20＜GME≤0.40，故将其定为混晶度较高，其晶粒粒径分布及晶粒混晶度分类结果如图17所示。

实施例4：

如图18所示的原始图像为钢材试样4的金相组织晶粒图像。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以及利用改进的局部自适应阈值分割算法进行二值分割处理，经中值滤波去噪和二值分割后的图像如图19所示；再运用新的基于极限腐蚀的修正分水岭分割算法和改进的种子填充算法修复晶粒缺失边界和填充晶内孔洞，缺陷修复后的图像如图20所示；设定标尺并对各晶粒进行区域标定，区域标定后的图像如图21所示；测量并计算晶粒面积、晶粒粒径、晶粒混晶度GME等特征参数；由此完成了对实施例4晶粒混晶度的自动测量和精细分类，由于实施例4的晶粒混晶度GME＝0.282，因0.20＜GME≤0.40，故将其定为混晶度较高，其晶粒粒径分布及晶粒混晶度分类结果如图22所示。

实施例5：

如图23所示的原始图像为钢材试样5的金相组织晶粒图像。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以及利用改进的局部自适应阈值分割算法进行二值分割处理，经中值滤波去噪和二值分割后的图像如图24所示；再运用新的基于极限腐蚀的修正分水岭分割算法和改进的种子填充算法修复晶粒缺失边界和填充晶内孔洞，缺陷修复后的图像如图25所示；设定标尺并对各晶粒进行区域标定，区域标定后的图像如图26所示；测量并计算晶粒面积、晶粒粒径、晶粒混晶度GME等特征参数；由此完成了对实施例5晶粒混晶度的自动测量和精细分类，由于实施例5的晶粒混晶度GME＝0.448，因GME＞0.40，故将其定为混晶度极高，其晶粒粒径分布及晶粒混晶度分类结果如图27所示。

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 (7)

1.一种钢材晶粒混晶度的自动测量、精细分类方法，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晶粒原始图像；

S2、中值滤波去噪：将钢材待测晶粒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按坐标分块，对每一子块分别用大津法自动获得其阈值，由此获得阈值矩阵T₁，采用基于阈值矩阵滤波+插值再处理的局部自适应阈值分割算法进行分割，该算法通过对目标图像的阈值矩阵进行滤波和插值两步再处理，使之成为和原图像像素数目相等的新阈值矩阵，然后利用此新阈值矩阵完成图像分割，得到二值图像；

S4、晶粒缺失边界修复：对所述二值图像采用基于极限腐蚀的修正分水岭分割算法修复晶粒缺失边界，该算法通过对目标图像进行逐层腐蚀，直到无法腐蚀为止，从而获得被腐蚀晶粒的几何中心即晶核，对此晶核进行修正，对修正后的晶粒图像再应用分水岭分割算法还原晶界；

S5、晶粒孔洞填充：采用改进的种子填充算法填充晶粒孔洞，得到自动修复后的晶粒图像；

S6、区域标定：对所述自动修复后的晶粒图像设定标尺并对各目标晶粒进行区域标定，得到待测晶粒图像；

S7、自动测量：提取所得待测晶粒图像的几何形态特征参数，即采用无规区域面积算法测量目标晶粒的形态特征参数：晶粒面积，并利用等积圆面积算法计算得出相应的晶粒粒径；

利用晶粒混晶度特征参数即晶粒粒径计算待测钢材晶粒混晶度GME；

晶粒面积和晶粒粒径的计算方法具体为：

对二值分割后的图像模板数组进行扫描，分别计算出目标图像中灰度值为1的单个晶粒区域内的像素点总数，并根据晶粒图像的分辨率从像素单位换算为实际单位，即以像素实际面积累加计算得出单个晶粒的晶粒面积，

A_i＝X_SCALE×Y_SCALE×N_i(μm²)，i＝1,2,3,…,n

式中，A_i——单个晶粒的晶粒面积；

N_i——单个晶粒区域内的像素点总数；

n——目标图像中晶粒总数；

M——为图像的长；

N——为图像的宽；

二值图像的大小为M×N，单位为像素；

利用等积圆面积算法，由上述所得到的晶粒面积A_i计算各目标晶粒的晶粒粒径d_i，即与图像中目标晶粒轮廓面积相等的圆的直径：

<mrow> <msub> <mi>d</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>2</mn> <msqrt> <mrow> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>/</mo> <mi>&amp;pi;</mi> </mrow> </msqrt> <mo>;</mo> </mrow>

待测钢材晶粒混晶度GME的计算方法具体为：

所述晶粒混晶度GME定义为各晶粒粒径大小的标准差与各晶粒粒径大小的期望值之间的比值，计算公式如下：

<mrow> <mi>G</mi> <mi>M</mi> <mi>E</mi> <mo>=</mo> <mfrac> <msub> <mi>&amp;sigma;</mi> <mi>d</mi> </msub> <msub> <mi>&amp;mu;</mi> <mi>d</mi> </msub> </mfrac> </mrow>

<mrow> <msub> <mi>&amp;sigma;</mi> <mi>d</mi> </msub> <mo>=</mo> <msqrt> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>d</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>d</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> </msqrt> </mrow>

<mrow> <msub> <mi>&amp;mu;</mi> <mi>d</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>d</mi> <mi>i</mi> </msub> </mrow>

式中，σ_d——各晶粒粒径大小的标准差；

μ_d——各晶粒粒径大小的期望值；

上述公式修正为：

<mrow> <mi>G</mi> <mi>M</mi> <mi>E</mi> <mo>=</mo> <mo>|</mo> <mn>1</mn> <mo>-</mo> <mfrac> <msub> <mi>&amp;sigma;</mi> <mi>d</mi> </msub> <msub> <mi>&amp;mu;</mi> <mi>d</mi> </msub> </mfrac> <mo>|</mo> </mrow>

由修正后的上式可知，GME值越小，表明晶粒混晶度越低，即晶粒粒径大小的均匀性越好，若无混晶现象，则晶粒混晶度GME值接近于0；反之，若晶粒粒径差异程度越大，晶粒混晶现象越严重，则GME值越大；

S8、自动分类：对所述晶粒混晶度GME按最佳阈值进行自动分类。

2.根据权利要求1所述的一种钢材晶粒混晶度的自动测量、精细分类方法，其特征在于，还包括输出步骤：将晶粒粒径分布及晶粒混晶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所述的一种钢材晶粒混晶度的自动测量、精细分类方法，其特征在于，所述步骤S3的阈值矩阵滤波步骤如下：

对所述阈值矩阵T₁进行滤波处理，使每个子图像的阈值与其周围子图像的阈值相均衡，以此减少邻近阈值元素间的突变，意即将T₁中每个阈值元素和其周围8邻域中的各个阈值元素相加，求取其均值，并用此均值来取代原来的阈值，由此得到滤波矩阵T₂。

4.根据权利要求3所述的一种钢材晶粒混晶度的自动测量、精细分类方法，其特征在于，所述步骤S3的插值再处理步骤如下：

对所述滤波矩阵T₂进行插值处理，本算法对滤波矩阵T₂采用线性插值法，以求得到和所述晶粒原始图像像素数目相等的新阈值矩阵T₃，再用阈值矩阵T₃对滤波后的图像进行二值分割。

5.根据权利要求1所述的一种钢材晶粒混晶度的自动测量、精细分类方法，其特征在于，所述步骤S4的基于极限腐蚀的修正分水岭分割算法的步骤如下：

S9、首先对所述二值图像中的粘连对象进行逐层腐蚀直到无法腐蚀为止，并逐层编号；

S10、将编号后各晶粒的局部极大值区域视为该晶粒的几何中心，即晶核，令对应的像素点灰度值定为1，其余像素点灰度值皆为0；

S11、对各晶核进行3次膨胀处理，获得其修正后的极大值区域，即晶粒几何中心，若膨胀之后两局部极大区域粘连，则将其视为一个极大值区域，统一编号，以此杜绝伪极大值，即伪晶核的出现，得到了无伪晶核的二值图像，即掩模；

S12、最后，将所述掩模中的真实晶核定为汇水盆地，进行分水岭分割即可。

6.根据权利要求1所述的一种钢材晶粒混晶度的自动测量、精细分类方法，其特征在于，对所述晶粒混晶度GME按三级最佳阈值进行自动分类，当GME≤0.10时，视为混晶度极低；当0.10＜GME≤0.20时，视为混晶度较低；当0.20＜GME≤0.40时，视为混晶度较高；当GME＞0.40时，视为混晶度极高。

7.实现权利要求1所述的一种钢材晶粒混晶度的自动测量、精细分类方法的系统，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专业金相显微镜(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所述处理器中进行处理；

所述处理器包括图像预处理模块、自动测量模块、自动分类模块和输出模块；

所述图像预处理模块：用于将钢材待测晶粒原始图像进行中值滤波去噪后，采用基于阈值矩阵滤波+插值再处理的局部自适应阈值分割算法进行二值分割，再对二值图像采用基于极限腐蚀的修正分水岭分割算法进行晶粒缺失边界修复，采用改进的种子填充算法进行晶粒孔洞填充，得到自动修复后的晶粒图像；

所述自动测量模块：用于对得到自动修复后的晶粒图像进行区域标定，获得待测待测晶粒图像，提取所得待测晶粒图像的几何形态特征参数，采用无规区域面积算法测量目标晶粒的晶粒面积，利用等积圆面积算法计算得出相应的晶粒粒径，利用晶粒混晶度特征参数即晶粒粒径计算待测钢材晶粒混晶度GME；

所述自动分类模块：用于对所述晶粒混晶度GME进行自动分类；

所述输出模块：将晶粒粒径分布及晶粒混晶度分类结果以图表文件的形式显示通过打印机(5)输出。