CN104978740A

CN104978740A - 基于图像颜色特征的成份自动测量方法

Info

Publication number: CN104978740A
Application number: CN201510233998.4A
Authority: CN
Inventors: 刘畅; 李晓岑
Original assignee: Liu Chang International Co Ltd
Current assignee: Liu Chang International Co Ltd
Priority date: 2015-05-10
Filing date: 2015-05-10
Publication date: 2015-10-14

Abstract

基于图像颜色特征的成份自动测量方法属于图像分析领域。本发明借助图像的颜色特征，实现了纸张、金属等含有混合物的成份自动测量。纸质文物、金属文物的成分分析是修复和保护处理之前的必要环节。目前成分分析多采用两种方式：一种是人工观察显微图像，人工推测；另一种是借助质谱仪、能谱仪等高端科学仪器测量，成本较高。图像分析模型通过分析显微图像，自动测量成分，实现了测量的自动化，降低了成本，是一种绿色、高效、低耗的模型。模型能够处理彩色和灰度图像，适用范围广，具有较强的应用前景。

Description

基于图像颜色特征的成份自动测量方法

技术领域

本发明属于图像分析领域技术，借助图像的颜色特征，实现了纸张、金属等含有混合物的成份自动测量。纸质文物、金属文物的成分分析是修复和保护处理之前的必要环节。目前成分分析多采用两种方式：一种是人工观察显微图像，人工推测；另一种是借助质谱仪、能谱仪等高端科学仪器测量，成本较高。图像分析模型通过分析显微图像，自动测量成分，实现了测量的自动化，降低了成本，是一种绿色、高效、低耗的模型。模型能够处理彩色和灰度图像，适用范围广，具有较强的应用前景。

背景技术

中国传统手工纸造纸原料取自植物纤维，造纸原料丰富。生产时经常使用多种原料混合。造纸原料的种类、配比决定了纸张的性能。纸张配比测量一般经过染色处理，不同原料的纤维染色后呈现不同颜色，显微图像呈彩色。金属经采样、打磨等处理后拍摄的显微图像是灰度图像，不同金属成分的灰度存在差异。

造纸原料配比的测定，是在造纸纤维观察的基础上进行的。测定前，需要对纸样染色，制备纤维试片，然后在显微镜或投影仪上观察纤维形态和呈色情况。染色是为了使不同种类的纤维呈特有颜色，从而便于纤维种类的鉴别。染色法是造纸工业中鉴别纤维种类的常用方法之一。染色法是用适当的染色剂使纤维着色,然后根据染成的颜色进行鉴别。例如碘氯化锌染色剂能使棉浆呈现酒红色,化学木浆、化学草浆呈现蓝紫色,韧皮纤维呈现紫红色或暗紫红色。碘稍酸钙染色剂使针叶木纤维呈现浅黄色或浅玫瑰色,阔叶木纤维呈现蓝紫色。2％的硫酸苯胺水溶液及1/5000的甲基蓝水溶液二重染色,使针叶木的机械木浆呈现黄色,阔叶木的机械木浆呈现绿色，详见表1。

表1纤维经Herzberg染色剂染色后呈色表

造纸原料	纤维颜色
		龙须草	蓝红色
亚麻大麻	酒红色
		桑皮、构皮、檀皮、雁皮	暗酒红色

竹	浅蓝紫色到深蓝紫色
		棉	酒红色、深酒红色或黑紫色
针叶木	蓝紫色
		阔叶木	深蓝紫色

纸张成份分析目前依靠人工目测，主要有3种方法。

方法1视野法

将试片至于显微镜的物台上，观测不同视野中的纤维，以视野的直径作为纤维长度的量度单位，分别测出每种纤维在视野中所占的长度单位数。观察不同纤维的总单位数应在200个以上。然后，将各种纤维的长度单位数乘以各自的质量因素，记得该种纤维的相对质量。由此再计算出纸样中各种纤维的质量百分比，即纤维配比。这种测定方法简单，要求测定者具有较丰富的观察经验。

方法2显微镜计数法

置试片于显微镜的载物台上，调节试片的位置，使目镜测微尺的“十”字中心或某一标记正对盖玻片的一边，从距顶角2-3mm处开始，横向移动试片，记录各种纤维通过标记的次数。统计的各种纤维的总数要在200根以上。每一种纤维乘以各自的质量因数，即得该纤维的相对质量，由此再计算出纸样中各种纤维的质量百分比率。这种方法费时，但较准确。

方法3投影测量法

将纤维试片置于投影仪上，调节焦距，使纤维清楚地投影在屏幕上。选择不同视野，用量图表分别测量视野中各种纤维的长度。

靠人工观察测量成份，费时费力，急需自动化测量技术。

发明内容

针对现有技术中存在的问题，本发明提出一种基于显微图像颜色特征的成份自动测量方法。不需要用户人工观测，依靠计算机辅助测量，大大提高测量的自动化和准确性。

1.基于图像颜色特征的成份自动测量方法，其特征在于步骤如下：

步骤1预处理

(1)导入待分析图像；

(2)颜色空间转换，图像从RGB空间转换为HSI空间；

(3)HSI分量归一化；

(4)判断图像种类，是彩色图像还是灰度图像；

步骤2颜色聚类

(1)确定颜色种类

当图像是灰度图像，有4种颜色：黑色、深灰色、浅灰色和白色；当图像是彩色图像，在图像上选取已经有的颜色再加上背景；

(2)计算图像每个像素的隶属度，即每个像素到分类中心的距离

灰度图像用HSI值的I分量计算，距离使用欧式距离；类中心I的初始值为用户选取的4类值；

彩色图像使用H和S分量，距离使用欧式距离；计算每个像素点到聚类中心的欧式距离；

步骤3统计聚类像素，显示不同种类颜色的像素总数；

步骤4组成成份分析

每种颜色的像素数/总像素就是该种成份占总成份的比例；比例乘以物种的质量因子即得到质量百分比。

更为详尽补正如下：

步骤1预处理

(1)导入待分析图像

(2)颜色空间转换，图像从RGB空间转换为HSI空间。

HSI(Hue、Saturation、Intensity)是美国色彩学家Munseu于1915年提出的，它反映了人的视觉系统感知彩色的方式。HSI颜色空间表示色调、饱和度、亮度。

色调(Hue)是指一种颜色在色谱中所对应的主波长。色调有一个自然次序：红、橙、黄、绿、青、蓝、靛、紫。色调在颜色圆上用圆周表示，圆周上的颜色具有相同的饱和度和明度，但它们的色调不同。色调用角度表示，范围是[0,360)。

饱和度(Saturation)是相对于明度的一个区域的色彩，是指颜色的纯洁性，它可用来区别颜色明暗的程度。饱和度在颜色圆上用半径表示，越靠近圆心的饱和度越小，越靠近圆周的饱和度越大。

亮度(Intensity)是明亮程度，反映了颜色的亮度和灰度等级。在许多颜色系统中，亮度常用垂直轴表示。底部明度最小，顶部明度最大。HSI空间与RGB空间存在如下转换关系：

H = \{\begin{matrix} θ, & B \leq G \\ 2 Π - θ & B > G \end{matrix}

(公式1)

S = 1 - \frac{3 [\min (R, G, B)]}{R + G + B}

(公式2)

I = \frac{(R + G + B)}{3}

(公式3)

其中，

θ = \arccos {\frac{\frac{1}{2} [(R - G) + (R - B)]}{{[{(R - G)}^{2} + (R - B) (G - B)]}^{1 / 2}}}

(公式4)

HSI颜色空间的重要性有两个方面：亮度分量与图像的彩色信息无关，表示的是明亮程度；色调和饱和度分量与人感受彩色的方式紧密相连，对于区分通用颜色的物体非常有用。

(3)HSI分量归一化到[0,1]，归一化方法如下：

变换后结果＝(原值－最小值)/(最大值－最小值)

即：H＝H(原值)-H min/H max–H min

S＝S(原值)-S min/S max-S min

I＝I(原值)-I min/I max-I min

(4)判断图像种类，是彩色图像还是灰度图像

S接近于0时，图像是灰度图像，使用I分量计算距离；

否则，图像是彩色图像，使用H,S两个分量计算距离。

步骤2 K-means颜色聚类算法

(1)确定2-6种颜色

为方便选取颜色，待分析图像可以由用户放大、缩小。例如图3是放大后的图像。用户选择2-6种颜色，在右侧显示采样颜色。图3有4种颜色：黑色、深灰色、浅灰色和白色。用户在图像上选取4种颜色的基准，在右侧显示。

(2)计算图像每个像素的隶属度(每个像素到分类中心的距离)

灰度图像用HSI值的I分量计算，距离使用欧式距离。类中心I的初始值为用户选取的4类值。

彩色图像使用H和S分量，计算每个像素点到聚类中心的欧式距离。

for j＝1to图像大小(例如1024×943)

计算点Ij到每个类中心的距离。距离采用欧式距离

距离最近的归为一类。

更新类中心点I(新中心)＝[I(原中心)+Ij]/2

(3)重复(2)，直到全部像素全部判别完成。图像根据颜色被分为4类，黑色、深灰色、灰色、白色。

步骤3统计聚类像素

显示不同种类颜色的像素总数，效果见表1。

表1统计结果表

白色	浅灰色	深灰色	黑色	总像素
					Result 1	Result 2	Result 3	Result 4	1024×943

满足：Result 1+Result 2+Result 3+Result 4＝1024×943

聚类的原则是类内保持最大的相似性，类间保持最大的距离。K-means算法的聚类结果与初始聚类中心的选择相关。如果图像数据相对于聚类中心分布均匀且紧密，可以得到较好的聚类效果。

步骤4组成成份分析

每种颜色的像素数/总像素就是该种成份占总成份的比例。比例乘以物种的质量因子即得到质量百分比。

附图说明

图1为纸张彩色显微图像(因为专利不收彩图所以提供的是转换的灰度图)；

图2为金属灰度显微图像；

图3为放大的图像。

图4是成分测量预处理流程图。

图5是颜色聚类流程图。

图6是彩色图像实物图(因为专利不收彩图所以提供的是转换的灰度图)。

图7是灰度图像。

具体实施方式

彩色图像颜色聚类之前，要分析图像特征，选取合适的颜色空间。为了方便计算颜色的相似性，需要对数值变量进行归一化处理。

(1)显微图像的颜色表示

纸张显微图像是彩色图像，图像中不同种类的纤维色彩差异明显。颜色差异是人眼的感知特征，因此选用更符合人眼感知的HSI颜色空间。HSI颜色空间中亮度(I分量)与图像的彩色信息无关，表示灰度等级，因此色彩差异主要考虑另外两个分量色调(H分量)和饱和度(S分量)。这两个分量表示了图像的彩色信息，并且与人感受彩色的方式紧密相连。对于灰度图像，饱和度(S分量)接近于0。灰度图像的颜色信息仅与亮度(I分量)相关，因此灰度图像处理时可以只考虑I分量。

(2)归一化方法

图像使用HSI颜色空间表示，即每个像素具有数值属性(H,S,I)。三分量的计算方法如式(5-1)、式(5-2)、式(5-3)所示。色调H分量用弧度表示，取值范围是[0°,360°)；饱和度S的数值范围是[0，1]；亮度的取值范围与图像整体颜色有关。三个分量的数值含义不同，取值范围不相同，不方便计算距离。因此计算距离之前，需要对三分量进行规范化处理也称归一化处理。归一化处理是一种无量纲的处理方法，它将数值从绝对值变换为相对值，并可以统一到相同的坐标空间中。归一化后的数值是相对值，对图像颜色来说，减少了光照强弱的干扰。

归一化方法有很多，本文采用基于最小值和最大值的线性变换法。设min_A和max_A分别是数值属性A的最小值和最大值。归一化方法是：

v_{i}^{'} = \frac{v_{i} - \min_{A}}{\max_{A} - \min_{A}} (new_\max_{A} - new_\min_{A}) + new_\min_{A} - - - (5 - 10)

把A的值Vi映射到区间[new_min_A,new_max_A]，变换后的值为V_i’。

最小--最大归一化方法能够保持原始数据之间的联系。为了方便计算，根据线性转换原则，将HSI三分量规范到[0,1]的范围。归一化后，黑色表示为[0,0,0]；白色的颜色特征向量为[0,0,1],纯彩色表示为[0至1，1，0至1]。

原料配比测量的预处理的处理流程如图4所示。

K-means聚类算法涉及到颜色邻近性度量。考虑到颜色的数值特性，算法采用最常用的欧式距离作为颜色邻近性度量距离。彩色图像的颜色距离考虑H和S两个分量。设彩色图像中的像素i和j，它们的距离为：

d (i, j) = \sqrt{{(h_{i} - h_{j})}^{2} + {(S_{i} - S_{j})}^{2}} - - - (5 - 11)

对于灰度图像，图像中所有像素的H和S分量都接近于0。因此，灰度图像的距离仅考虑I(亮度)的差异。

结合以上分析，设计了纸张显微图像的颜色聚类算法，流程见图5。假设图像有N个像素，每个像素表示为x_i；N个像素被分为了k种颜色类别，每种颜色的聚类中心为C_k。

聚类算法的一个核心参数是聚类中心。聚类中心的初始值是用户交互式选取获得。聚类中心是当前类别中所有像素的平均值。当新的像素归入某类时，聚类中心就要重新计算。

另一个关键参数是“全局距离”。全局距离是所有像素到所在类别中心的距离和，初始化是最大值。K-means算法给每个像素划分类别时是考虑当前已有分类的情况下，像素到哪个聚类中心的距离最近。这种分类得到的是局部最优解，不代表全局最优。为了得到更好的聚类，需要反复多次尝试。所谓“好”的聚类是指类内的具有最小的距离，类间具有最大的距离，即所有像素到各自聚类中心的距离和最小。因此，聚类算法循环的终止条件是找到了最小的全局距离。

纸张显微图像中的主要成分是造纸原料--植物纤维，也可能存在一些杂质，另外图像的背景也需要考虑。因此，基于颜色特征图像分类结果应该包括：不同颜色的纤维、背景和杂质。混合原料一般不超过4种，因此，颜色分类在2至6种。统计的所有类别的像素和等于图像的总像素。

彩色图像实验

为验证颜色特征成分测量方法的可行性和准确性，分别进行模拟实验和实物实验。模拟实验的图像是一组具有严格比例的彩色图像，在已知比例的情况下，检验图像分析的统计结果。实物实验提取了三种不同颜色的人造纤维，称重测量，控制比例约为等比例。随后制备了观察试片，拍摄了显微图像。下面分别介绍两组实验的效果。

模拟实验

设计了红、蓝、绿3种颜色不同的比例，每种比例都有纯色和渐变色两种。实验结果如表2所示。

表2彩色模拟实验结果

模拟实验中，纯色的彩色图像分析结果与预期一致。说明颜色分类模型对色彩是敏感的，在饱和度较高的情况下能够准确分类。渐变的颜色分割第1组和第2组的测试结果较满意，与预期基本一致。说明颜色有微小变化的情况下也可以模型也适用，相近颜色也可以较好的聚类。

第3组的实验结果接近等比例，与实际1.：2：3的比例差异较大。原因是图像中颜色渐变的幅度较大，中心位置接近背景色--白色，聚类时漏掉很多中心位置的白色像素，造成统计结果不准确。这种不稳定情况也反映出K-means算法本身的局限性，因为没有考虑像素之间的位置关系，仅靠颜色分类会丢失整体轮廓信息，造成结果不准确。

实验时，每幅图像都进行了多次测量，每次选择的4种颜色的初始聚类中心不同，但得到了相同的聚类结果，只是运行时间稍有差异。说明，k个起始聚类中心的选择与计算结果无关。当k个类别确定后，无论起始聚类中心在哪里，因为考虑了全局距离，聚类总能收敛到唯一的解。

总之，通过模拟实验可以得到以下结论：

(1)K-means模型处理颜色差异较大并且饱和度较大的彩色图像，能够得到准确的结果。

(2)由于K-means算法仅考虑了图像中每个像素的颜色，没有涉及到像素之间的位置关系，因此如果颜色的色调、饱和度有较大的变化，统计结果可能不准确。

(3)设计的基于K-means的彩色图像聚类模型，当k个类别确定时，起始聚类中心的位置不会影响聚类结果。

彩色实物实验

实物实验自制了等比混合的3种人造纤维混合原料，拍摄了显微图像，图像大小为1944x 2560像素。选取了效果较好的一组显微图像，图6是实物图像。实物实验的目的是检验颜色聚类方法是否能够测量造纸原料的成分配比。

导入图像；选择了黑色、绿色、灰色和背景4个像素点作为作为初始聚类中心；运行K-means算法，得到每种类别的像素统计结果，详情见表3。

表3彩色实物图像分析结果

已知三种原料等比混合，期望结果是三种颜色像素接近。a的统计结果近似等比，与期望结果一致。b的统计结果黑色和绿色接近等比，灰色偏差较大。主要原因是b的灰色非常浅，接近了背景色。当颜色差异不明显时，聚类结果不准确。

另外，每张图像都运算了3次，每次选取的起始聚类中心是不同颜色类别中随机选择，计算结果高度一致。事物实验再次验证了初始聚类中心对聚类结果影响不大的结论。

实物实验验证了基于颜色特征的成分测量的可行性。颜色分析模型能够应用于图像的成分测量，当不同成分的色彩差异较大时，能够得到较准确的结果。传统的造纸原料配比测量，要求测试200根以上的纤维。因为数据量越大越准确。同样的，图像分析也依赖于图像的质量和数量。准确的测量结果一方面需要高质量的显微图像，另一方面需要同一个样本的大量的显微图像，图像越多分析越接近实际情况。

灰度图像实验

基于颜色特征的成分测量处理对象是图像。图像有彩色和灰度之分。灰度图像可以理解为黑白图像，不过是从黑色到白色的很多级别的深度组成。彩色图像是由红、绿、蓝三种颜色混合组成，而灰度图像只有灰度一种，只是灰度深浅有差异。因此，灰度图像较彩色图像更简单。灰度图像中也存在成分测量的相似问题。本节将基于颜色特征的成分测量方法应用于灰度图像分析。

灰度图像选用了一组铜器的背散射显微图像，分别为放大1000倍的1张，2000倍的4张和3000倍的3张，灰度图像见图7。灰度显微图像中有浅灰色、深灰色、黑色和亮白色4种颜色。把图像放大，4种颜色并非纯色，存在一定的波动。由冶金考古知识分析可知：白色区域是铅颗粒，浅灰色区域是δ相。δ相是Cu₃₁Sn₈的合金体。冶金考古专家组推测图像中深灰色和黑色区域是α相。α相是锡溶解在铜中的固溶体，锡的含量有波动，介于一个区间。不同的相具有不同的锡含量，即疑似α相和δ相的锡含量不同。扫描电镜能谱实验数据计算可得，δ相和疑似α相的组成比例大约是1:1。

δ相和疑似α相的组成比例计算问题用图像分析方法处理转换为求解不同颜色像素的对比。δ相为浅灰色像素，α相为深灰色和黑色像素。颜色分析实验尝试用不同颜色的像素比例代表相的组成比例。

采用K-means算法分析灰度图像颜色，选取白色、浅灰色、深灰色和黑色四种颜色的像素点作为起始聚类中心，金相显微图像的聚类结果见表4。

表4灰度图像分析结果

编号	放大倍数	白色	浅灰	深灰	黑色
						1	1000倍-1	18010	351766	335714	199726
2	2000倍-1	20834	402168	307860	172306
						3	2000倍-2	19837	411522	310819	163038
4	2000倍-3	21279	401029	290539	192369
						5	2000倍-4	19583	406512	299208	176841
6	3000倍-1	20251	426718	295915	163356
						7	3000倍-2	19796	412687	286495	186238
8	3000倍-3	20251	426718	295915	163356

对表4的数据进一步整理，将图像中的像素转换为物理含义，得到了两种相的比例。从实验结果看，同一个样本拍摄的显微图像，放大倍数越大，结果越接近实际情况。多次的测试比例接近估计值1比1。图像分析方法测得结果与预期结果一致，说明颜色分析模型能够应用于灰度图像分析。

表5相比例分析表

借助颜色特征分析金相成分是一种新的探索，此次实验的图像分析结果与相的成分比例基本一致，说明能够用于分析δ相和α相配比情况。之所以得到了较满意的结果，主要因为两种成分在图像中的呈色存在明显差异。与彩色图像一样，灰度图像的灰度差异较大是图像分析的前提条件。

Claims

步骤1预处理

(1)导入待分析图像；

(2)颜色空间转换，图像从RGB空间转换为HSI空间；

(3)HSI分量归一化；

(4)判断图像是彩色图像还是灰度图像；

步骤2颜色聚类

(1)确定颜色种类

当图像是灰度图像，有4种颜色：黑色、深灰色、浅灰色和白色；

当图像是彩色图像，在图像上选取已经有的颜色再加上背景；

步骤3统计聚类像素，显示不同种类颜色的像素总数；

步骤4组成成份分析