CN110020654A - 膨胀型防火炭层sem图像中发泡区域的识别方法 - Google Patents

膨胀型防火炭层sem图像中发泡区域的识别方法 Download PDF

Info

Publication number
CN110020654A
CN110020654A CN201910275389.3A CN201910275389A CN110020654A CN 110020654 A CN110020654 A CN 110020654A CN 201910275389 A CN201910275389 A CN 201910275389A CN 110020654 A CN110020654 A CN 110020654A
Authority
CN
China
Prior art keywords
image
target area
charcoal
proof layer
sem 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.)
Pending
Application number
CN201910275389.3A
Other languages
English (en)
Inventor
孙志强
胡晓春
朱小军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201910275389.3A priority Critical patent/CN110020654A/zh
Publication of CN110020654A publication Critical patent/CN110020654A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种膨胀型防火炭层SEM图像中发泡区域的识别方法，包括：步骤A，对膨胀型防火炭层SEM图像进行分割，得到目标区域及背景区域；步骤B，提取红绿蓝三个颜色通道，将目标区域设置成设定的颜色，将背景区域设置成黑色，合成新的RGB图像；判断新的RGB图像是否满足要求，若是，则跳转至步骤C；若否，则跳转至步骤A并调整分割方法；步骤C，对目标区域进行标记，并计算目标区域的相关参数。本发明通过对象分割提取出了目标区域，使需要处理的区域与数值图像处理对象结合起来；通过颜色转换增强对图像细微变化分辨率的判断；定量计算膨胀型防火炭层SEM图像中的发泡情况，结合统计学对其进行统计分析，从而反映胀型防火炭层相关性能。

Description

膨胀型防火炭层SEM图像中发泡区域的识别方法
技术领域
本发明属于膨胀型防火涂料和数字图像交叉技术领域，特别涉及一种膨胀型防火炭层SEM图像中发泡区域的识别方法。
背景技术
在全世界范围内，火灾事故每年都造成重大的生命和财产损失，其中许多悲剧实际上在很大程度上是可以预防的。阻燃涂层的开发越来越受到人们的重视。膨胀型防火涂料是一种特殊配方的反应性材料，在发生火灾的时候能够膨胀形成隔绝火焰的发泡炭层保护底材。膨胀型防火涂层通常由成炭剂，脱水成炭催化剂，发泡剂和填料组成。这些成分分散在黏合剂中，像装饰涂料一样粘结在受保护的基材表面上。
目前，通过各种方法和仪器对膨胀型防火涂料进行了广泛的研究。热重分析法记录涂层的热降解过程；傅立叶变换红外光谱分析残留炭层的结构；X射线光电子能谱探究碳的含量和交联度；扫描电子显微镜(SEM)观察炭层的微观形貌。SEM是研究膨胀型防火涂层高温氧化燃烧后形成的膨胀炭层特征的有效方法。比如炭层中发泡大小和发布对其隔热性能有重要的影响。然而，直接通过扫描电镜获取的信息量很少。有人在研究膨胀蛭石对钢结构膨胀型防火涂层的影响时，提到了对SEM图像中发泡个数的统计，但由于处理过程不详细，难以确定其适应性。
因为显微图像容易受到人的主观判断的影响，所以在扫描电镜中存在人的主观因素干扰目标的确定。为了克服这些不足，原始的SEM图像经常转换成数字信号的形式进行进一步处理。因此，在过去的几十年里，数字图像处理已经成为SEM定量分析领域的热点。针对各种多孔结构的SEM图像，人们设计并实现了数字图像处理的技术和算法。随着数字图像处理技术的快速发展和广泛应用，一些开放的软件包，如ImageJ，可以方便地分析处理图像。但是，现有的方法仅能进行简单图像处理，不能处理诸如膨胀型防火炭层SEM图像中需要将图像分隔为多个目标区域和背景之类的问题，适用性差。
发明内容
本发明的目的在于，针对上述现有技术的不足，提供一种膨胀型防火炭层SEM图像中发泡区域的识别方法，研究了膨胀型防火炭层在扫描电镜下的微观形貌，能够识别膨胀型防火炭层SEM图像中的发泡区域，进而实现定量地分析发泡区域对膨胀型防火炭层隔热和防火等性能的影响。
为解决上述技术问题，本发明所采用的技术方案是：
一种膨胀型防火炭层SEM图像中发泡区域的识别方法，其特点是包括以下步骤：
步骤A，对扫描电镜拍摄的膨胀型防火炭层SEM图像进行分割，得到发泡区域对应的目标区域及炭层区域对应的背景区域；
步骤B，提取SEM图像中的红绿蓝三个颜色通道，将目标区域设置成设定的颜色，将背景区域设置成黑色，合成新的RGB图像；判断新的RGB图像是否满足要求，若是，则跳转至步骤C；若否，则跳转至步骤A并调整分割方法；
步骤C，对目标区域进行标记，并计算目标区域的相关参数。根据计算出的参数进一步分析膨胀型防火炭层的隔热和防火性能等。
作为一种优选方式，所述步骤A包括：
步骤A1，获得扫描电镜拍摄的SEM图像；
步骤A2，将SEM图像转换为灰度图像；
步骤A3，对灰度图像进行反转操作，使处理对象与目标区域一致。反转公式为Ine＝L-1-Ior，其中，L是离散强度等级(灰度图像为256)，Ior为反转操作前图像的像素值，Ine为反正操作后图像的像素值；一开始对灰度图像进行反转操作，使后面的方法变得简单，使图像中的目标区域与数字图像处理对象统一。
步骤A4，对反转后的图像进行直方图均衡化处理，增强图像整体对比度，增加发泡区域和炭层像素之间的强度差异，可以降低后面二值化和形态学操作的复杂性；
步骤A5，利用底帽顶帽变换公式对图像进行滤波，增强图像的对比度；
步骤A6，利用阈值分割方法将滤波后的图像进行二值化；二值化使用的是阈值分割方法，因为膨胀型防火炭层SEM照片中分为炭层和发泡区域，选取图像中的一个阈值使图像区分为目标区域和背景。
步骤A7，利用形态学开运算方法去除二值化后图像中的干扰颗粒，得到发泡区域对应的目标区域及炭层区域对应的背景区域；
步骤A8，填充目标区域对应的孔洞。
作为一种优选方式，所述步骤A5中，底帽顶帽变换公式为：其中，Iin1为过滤前的图像，Iou1为过滤后的图像，SE为结构元素，Δ为顶帽操作，为底帽操作，为加运算，⊙为减运算。顶帽变换是先腐蚀后膨胀，底帽变换是先膨胀后腐蚀。
作为一种优选方式，所述步骤A7中，形态学开运算公式为：Iou2＝Iin2*SE＝(Iin2∧SE)∨SE，其中，Iin2是形态学开运算的输入图像，Iou2是形态学开运算得到的图像，∧代表形态学腐蚀，∨代表形态学膨胀。
作为一种优选方式，所述步骤B中，若新的RGB图像不满足要求，则跳转至步骤A并调整结构元素SE。
作为一种优选方式，所述步骤C中，所述目标区域的相关参数包括目标区域所占比例Rf，其中，A是目标区域的面积，At是整个SEM图像的面积。色彩转换，能够人为地判断对象分割处理过程中识别目标区域是否满足要求，如果不行可以调试预处理程序中的结构算子SE；如果满足要求，进行下一步的操作。
作为一种优选方式，所述步骤C中，所述目标区域的相关参数包括目标区域面积平均数Af，其中，n是目标区域的发泡总数，Ai是第i个目标区域中发泡的面积，i＝1,2,3…n。
作为一种优选方式，所述步骤C中，所述目标区域的相关参数还包括面积标准差Sf，
作为一种优选方式，所述步骤A4中，直方图均衡化处理公式为：其中，DB是直方图均衡化处理后得到的灰度值，DA是直方图均衡化处理前的灰度值，A0是总的像素值，Hj是灰度值中的像素数，Dmax是直方图均衡化处理前的最大灰度值，j＝0,1,…Dmax。
与现有技术相比，本发明具有以下有益效果：
第一，通过对象分割提取出了目标区域，从而使需要处理的区域与数值图像处理对象结合起来。
第二，通过颜色转换增强图像的可视化，增强对图像细微变化分辨率的判断。
第三，定量计算膨胀型防火炭层SEM图像中的发泡情况，结合统计学对其进行统计分析，从而反映膨胀型防火炭层的膨胀系数、导热系数和隔热性能。
附图说明
图1为本发明一实施方式流程图。
图2为图像反转前后对比图，其中，a、b、c和d为反转前分别对应No0、No1、No2和No3SEM图像，e、f、g和h为反转后分别对应No0、No1、No2和No3SEM图像；
图3为直方图均衡化处理后图像，其中，a和b为No0和No2反转后图像，c为a的直方图，d为b的直方图，e和f为a和b直方图均衡化后的图像，g和h为e和f的直方图；
图4为底帽顶帽变换处理后图像，其中，a和b为No0和No2底帽和顶帽变换后的图像，c和d为a和b的直方图；
图5为阈值分割处理后图像，其中，a是No0用全局阈值中的迭代法处理后的图像，b是No0用全局阈值中的Otsu处理后的图像，c是No2用全局阈值中的迭代法处理后的图像，d是No2用全局阈值中的Otsu法处理后的图像；
图6为形态学开运算处理后图像，其中，a为No0的二值图像，b和c是分别用15x15方形结构算子和直径为10的圆盘算子开运算后的图像，d为No2的二值图像，e和f是分别用15x15方形结构算子和直径为10的圆盘算子开运算后的图像；
图7为图像填充图，其中，a、b、c和d为开运算后的图像，e，f，g和h为填充后的图像；
图8为色彩转换图，其中，a、b、c和d分别为No0、No1、No2和No3中发泡区域被不同颜色标记的图像，e、f、g和h分别为No0、No1、No2和No3中炭层被标记为黑色的图像；
图9为发泡区域面积分布直方图。
具体实施方式
如图1所示，膨胀型防火炭层SEM图像中发泡区域的识别方法，包括以下步骤：
步骤A，对扫描电镜拍摄的膨胀型防火炭层SEM图像进行分割，得到发泡区域对应的目标区域及炭层区域对应的背景区域；
步骤B，色彩转换：提取SEM图像中的红绿蓝三个颜色通道：其中，a、b、c分别为红绿蓝三个颜色通道中的灰度值，R(x,y)、G(x,y)、B(x,y)分别为红绿蓝三个颜色通道，将目标区域设置成设定的颜色，将背景区域设置成黑色，合成新的RGB图像；判断新的RGB图像是否满足要求，若是，则跳转至步骤C；若否，则跳转至步骤A并调整分割方法；
步骤C，对目标区域进行标记，并计算目标区域的相关参数。根据计算出的参数进一步分析膨胀型防火炭层的隔热和防火性能等。
所述步骤A包括：
步骤A1，获得扫描电镜拍摄的SEM图像；
步骤A2，将SEM图像转换为灰度图像；
步骤A3，对灰度图像进行反转操作，使处理对象与目标区域一致。反转公式为Ine＝L-1-Ior，其中，L是离散强度等级(灰度图像为256)，Ior为反转操作前图像的像素值，Ine为反正操作后图像的像素值；一开始对灰度图像进行反转操作，使后面的方法变得简单，使图像中的目标区域与数字图像处理对象统一。
步骤A4，对反转后的图像进行直方图均衡化处理，增强图像整体对比度，增加发泡区域和炭层像素之间的强度差异，可以降低后面二值化和形态学操作的复杂性；
步骤A5，利用底帽顶帽变换公式对图像进行滤波，增强图像的对比度；
步骤A6，利用阈值分割方法将滤波后的图像进行二值化；二值化使用的是阈值分割方法，因为膨胀型防火炭层SEM照片中分为炭层和发泡区域，选取图像中的一个阈值使图像区分为目标区域和背景。
步骤A7，利用形态学开运算方法去除二值化后图像中的干扰颗粒，得到发泡区域对应的目标区域及炭层区域对应的背景区域；
步骤A8，填充目标区域对应的孔洞。
所述步骤A5中，底帽顶帽变换公式为：其中，Iin1为过滤前的图像，Iou1为过滤后的图像，SE为结构元素，Δ为顶帽操作，为底帽操作，为加运算，⊙为减运算。顶帽变换是先腐蚀后膨胀，底帽变换是先膨胀后腐蚀。
所述步骤A7中，形态学开运算公式为：Iou2＝Iin2*SE＝(Iin2∧SE)∨SE，其中，Iin2是形态学开运算的输入图像，Iou2是形态学开运算得到的图像，∧代表形态学腐蚀，∨代表形态学膨胀。
所述步骤B中，若新的RGB图像不满足要求，则跳转至步骤A并调整结构元素SE。我们可以根据合成的新的图像，人为地判断被不同颜色标记出的目标区域在背景中的分布情况。如果被识别的目标区域于原始图像中的目标对象有差异，可以返回步骤A5，通过反复调节结构算子SE的形状与大小来使目标区域识别准确。
所述步骤C中，所述目标区域的相关参数包括目标区域所占比例Rf，其中，A是目标区域的面积，At是整个SEM图像的面积。色彩转换，能够人为地判断对象分割处理过程中识别目标区域是否满足要求，如果不行可以调试预处理程序中的结构算子SE；如果满足要求，进行下一步的操作。
所述步骤C中，所述目标区域的相关参数包括目标区域面积平均数Af，其中，n是目标区域的发泡总数，Ai是第i个目标区域中发泡的面积，i＝1,2,3…n。
所述步骤C中，所述目标区域的相关参数还包括面积标准差Sf，
所述步骤A4中，直方图均衡化处理公式为：其中，DB是直方图均衡化处理后得到的灰度值，DA是直方图均衡化处理前的灰度值，A0是总的像素值，Hi是灰度值中的像素数，Dmax是直方图均衡化处理前的最大灰度值，j＝0,1,…Dmax。
综上，本发明通过对象分割提取出了目标区域，从而使需要处理的对象与数值图像处理结合起来；色彩转换意味着将人类不敏感的灰度信号转化成敏感的颜色信号，以提高人们对图像细微变化的分辨；利用统计分析获取对象的其他属性，例如面积，平均数和标准差，定量地探究发泡区域与炭层防火性能的关系。
以下以CaAlCO3-LDHs为添加剂的膨胀型防火炭层的一组SEM图像为例，说明本发明的具体实施方式：
步骤A，对象分割
步骤A1，如图2a～2d所示，加载不同类型涂层(如表1所示)对应形成的膨胀型防火炭层的SEM图像；
表1不同类型涂层的成分含量
步骤A2，将SEM图像转换为灰度图像；
步骤A3，对灰度图像进行反转操作，一开始就将图像进行反转操作可以使得后面的程序变得简单，使图像中的目标区域与数字图像处理的对象统一。
如图2a-2d所示，对应膨胀炭层的原始图像。在SEM图像中，完整的炭层阻挡散射射入的电子束从而在探针上形成黑色区域，而膨胀炭层中间的发泡区域允许入射电子束的通过形成明亮的区域。在灰度数字图像中，较暗的像素具有较低的灰度值，而较亮的像素具有较高的灰度值。因此，在处理过程中需要对灰度SEM图像进行反转操作。
如图2e-2h所示，通过使用反转公式进行反转变换后获得的反转图像，分别对应图2a-2d。在该问题中使用反转操作可以使目标对象和炭层像素的数值之间一致。在此操作后，较高灰度像素(较亮区域)对应发泡区域，而较低灰度像素(较暗区域)对应焦化炭层。在程序开始使用反转降低了后续图像处理步骤的复杂性，比如说顶帽变换和形态学运算等等。
步骤A4，直方图均衡化；
此算法使用直方图均衡化来增强图像的整体对比度。直方图均衡化又可以叫做直方图平整化。如图3所示，通过比较直方图3c，3d，3g，和3h，将不平整的直方图(3c和3d)转化成平整的直方图(3g和3h)。相应地，原始图像(3a和3b)每个灰度值被转换成相同数量的像素(3e和3f)。通过直方图均衡化可以扩展像素值的动态范围，增强图像的整体对比度。因为数字图像中的连续区域概率密度函数是近似的，所以图3g和3h的灰度值是离散的。关于膨胀炭层的SEM分析，改善图像的对比度可以增加发泡区域和炭层像素之间的强度差异，从而降低了后面的二值化和形态学操作的复杂性。
步骤A5，底帽顶帽变换；
在膨胀和腐蚀操作过程中，输出图像中所有给定像素的状态都是通过对输入图像的相应像素及其邻域使用一定的规则进行确定。在膨胀操作过程中，输出像素值是输入图像相应像素邻域内所有像素的最大值。在二进制图像中，假如任何像素值都是1，那么对应输出的像素值也为1。而在腐蚀操作过程中，输出的像素值是输入图像相应邻域内所有像素的最小值。在二进制图像中，如果输入图像的任何一个像素值为0，那么对应输出的值为0。另外，结构元素是膨胀和腐蚀操作中最基本的组成部分，用于测试输入图像，通常要比待处理的图像小的多。二维结构元素是由0或1的矩阵组成的。结构元素的原点指定了图像中需要处理的像素范围，结构元素中数值为1的点决定了结构元素的邻域像素在进行膨胀或腐蚀操作过程是否需要参与计算。在该研究中，组合使用顶帽和底帽过滤操作来增强SEM图像中的发泡区域，此转换可以表示为：其中，Iin1为过滤前的图像，Iou1为过滤后的图像，SE为结构元素，Δ为顶帽操作，▽为底帽操作，为加运算，⊙为减运算。顶帽变换是先腐蚀后膨胀，底帽变换是先膨胀后腐蚀。
如图所示，4c和4d为灰度图像4a和4b的直方图，它们的像素值在每个灰度级均匀分布，而在底帽变换之前的直方图4g和4h存在着一些不平整的像素范围。可以利用底帽和顶帽滤波消除噪声，这是数字图像处理的优势。
步骤A6，二值化；
阈值分割是一种基于图像的分割技术，它的基本原理是通过设置不同的特征阈值把图像的像素点分成若干类。常见的特征有直接来自原始图像的灰度或者彩色特征，由灰度值或者彩色值得到的特征。我们可以设原始图像为f(x,y)根据一定的规则，在f(x,y)中找到若干个特征值T1，T2，…，TN，其中，N≥1，图像被分割成几部分，分割后的图像为：
一般情况下，阈值操作可以认为是对图像中某一点的灰度，该点的某种局部特性和该点在图像中的位置的函数，这种阈值函数可以记作：T(x,y,N(x,y),f(x,y))，式中，f(x,y)是点(x,y)的灰度值，N(x,y)是(x,y)的局部邻域特征。对T的不同约束，存在三种不同类型的阈值。
(1)全局阈值T＝T(f(x,y))，只与点的灰度值有关。
(2)局部阈值T＝T(N(x,y),f(x,y))，与点的灰度值和该点的局部领域特征有关。
(3)动态阈值T＝T(x,y,N(x,y),f(x,y))，和点的位置，该点的灰度值和该点的领域特征有关。式中全局阈值T的选择直接影响分割的效果。通过分析灰度直方图来确定其值，一般的方法就是利用直方图求双峰或多峰，然后选择两个峰之间低谷处的灰度值作为阈值。
如果只选取一个阈值，那么称为单阈值分割，把图像分成目标和背景两类；如果选取多个阈值，则称为多阈值分割方法，把图像分为多个目标区域和背景，为了区分目标区域，还需对每个目标区域进行标记。
在这个问题中，我们用全局阈值中的迭代和Otsu方法分别对膨胀炭层的SEM图像进行分割，图5a和5b是在使用迭代和Otsu方法实行阈值分割后的No0炭层的二值图像，两种方法得到的阈值分别是0.4891和0.4784。对No2炭层应用相同方法处理都得到如图5c和5d的阈值分别为0.4993和0.4863。我们能够得出运用迭代和Otsu方法处理的炭层SEM结果的阈值相差不大。阈值分割的优点是比较容易简单实现，对于不同类的物体的灰度值或者其他特征值相差很大时，它能够很有效地对图像进行分割。阈值分割技术通常作为图像的预处理，然后应用其他一系列分割方法再进行后处理。
步骤A7，形态学开运算；
如图6所示，通过开运算图像中的发泡区域能够完全的与背景分割。此方法形态学运算可以定义为：
Iou2＝Iin2*SE＝(Iin2∧SE)∨SE
其中，Iin2是形态学开运算的输入图像，Iou2是形态学开运算得到的图像，∧代表形态学腐蚀，∨代表形态学膨胀。
图6b是用15×15像素正方形的结构元素对图6a进行形态学开运算操作的结果，然后将图6b用直径为10像素圆盘的结构元素得到图6c，通过这一步操作，No0膨胀炭层中的目标区域和背景分离。对No2图像使用相同的处理产生同样的效果，如图6e和6f所示。换句话说，输入图像通过结构元素SE对其进行腐蚀操作，然后进行膨胀操作。开运算通常是破坏狭窄的区域和消去凸起使图像平滑。
步骤A8，图像填充；
如图7中间的7a-7d中部分放大的圆形区域所示(7e-7f),这是因为目标区域中的小区域的灰度值与目标区域的灰度值不同，这些小的区域被程序错误地识别成背景，在实际情况下，它们属于目标区域。如图7a、7b、7c和7d所示的由圆形区域放大的区域中存在不规则的黑洞，实行形态学运算后，图7a、7b、7c和7d的那些不规则的背景区域变成目标区域了。通过此操作，达到了预期的效果，从而弥补了先前的步骤造成的不规则黑洞的出现。
步骤B，色彩转换
图像处理技术中的色彩增强是基于人的特征，它的应用是非常广泛和有效的。常见的色彩增强技术主要是伪色彩增强，它是用于黑白图像的不同灰度级映射为彩色图像作为伪色彩图像增强的技术。
首先，提取RGB图像的3个颜色通道R(x,y),G(x,y)和B(x,y)；根据需要，将目标区域的像素(二值图像中灰度值等于1)转化成人为设定的值。目标区域的颜色最终由三个通道的灰度值确定。然后，将背景设置为黑色。该处理过程基于数字图像空间处理方法，并且数字图像直接在空间域中处理。在图中用四种彩色分别标记了四种炭层图8a,8b,8c和8d(No0,No1,No2,和No3)的发泡区域。我们可以清楚地观察到被标记区域在不同炭层中的分布。在8a或8e中，发泡区域分布是不均匀的并且尺寸的大小相差很大。在8b和8c或8f和8g中，炭层中较大区域逐渐减小。8d或8h中与前面的3种炭层的发泡区域比较明显减少了。如果处理结果没有达到预期效果或者违背常识推测，我们可以通过伪彩色处理明确地调整前面的程序。
步骤C，统计分析
在对边界进行分解的时候，一开始要构造边界的凸包。凸包指的是包含界的最小凸集。有一种比较直观的边界分割方法是跟踪区域中凸包的边界，记录凸包边界进出区域的转变点就可以实现对边界的分割。理论上这种方法对区域边界具有尺寸变换和旋转不变性。但实际情况下，因为噪声等因素的影响，会导致边界具有小的不规则的形状，从而形成小的无意义的凸凹。为此，通常情况下要在边界分段之前对边界进行平滑处理。同时，我们定义了一些参数进一步分析目标区域的特性。
发泡比例Rf：
其中，A是目标区域的面积，At是整个SEM图像的面积。
发泡面积平均数Af：
其中，n是目标区域的发泡总数，Ai是第i个目标区域中发泡的面积，i＝1,2,3…n。
发泡数量标准差Sf：
表2和图9中总结了No0,No1,No2和No3图像中发泡的数量和面积。No1～No3中的Rf非常相似，表明在膨胀型防火涂层中添加适量的CaAlCO3-LDHs不会抑制炭层的发泡效果；No3中的Rf为7.2％，远远小于前者，过量的抑制炭层的发泡。总的来看，随着涂层中CaAlCO3-LDHs添加的量的增加，Af有一个下降的趋势，这是因为No0炭层中发泡大小不均一，导致在火焰中容易传导热量降低炭层的隔热性能。但是在涂层中添加适量的CaAlCO3-LDHs可以形成大小相对均匀发泡区域弥补这一缺陷。此外，Sf与该趋势类似，显著下降，从8383.6下降到2002.5(No1-No3)，从而我们可以发现No1和No2中的发泡区域是均匀紧凑的，而No0中的是不均匀和松散的。我们可以得出在膨胀型防火涂层中添加适量的CaAlCO3-LDHs能够改善其发泡性能，使形成的炭层更佳均匀紧凑，并且提高它的隔热性能。
表2目标区域参数统计
炭层 n R<sub>f</sub> A<sub>f</sub> S<sub>f</sub>
No0 102 14.9 2645.8 6383.6
No1 138 16.2 2132.2 4916.7
No2 123 14.5 2139.9 4304.5
No3 85 7.2 1536.1 2002.5
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是局限性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护范围之内。

Claims (9)

1.一种膨胀型防火炭层SEM图像中发泡区域的识别方法，其特征在于，包括以下步骤：
步骤A，对扫描电镜拍摄的膨胀型防火炭层SEM图像进行分割，得到发泡区域对应的目标区域及炭层区域对应的背景区域；
步骤B，提取SEM图像中的红绿蓝三个颜色通道，将目标区域设置成设定的颜色，将背景区域设置成黑色，合成新的RGB图像；判断新的RGB图像是否满足要求，若是，则跳转至步骤C；若否，则跳转至步骤A并调整分割方法；
步骤C，对目标区域进行标记，并计算目标区域的相关参数。
2.如权利要求1所述的膨胀型防火炭层SEM图像中发泡区域的识别方法，其特征在于，所述步骤A包括：
步骤A1，获得扫描电镜拍摄的SEM图像；
步骤A2，将SEM图像转换为灰度图像；
步骤A3，对灰度图像进行反转操作；
步骤A4，对反转后的图像进行直方图均衡化处理；
步骤A5，利用底帽顶帽变换公式对图像进行滤波；
步骤A6，利用阈值分割方法将滤波后的图像进行二值化；
步骤A7，利用形态学开运算方法去除二值化后图像中的干扰颗粒，得到发泡区域对应的目标区域及炭层区域对应的背景区域；
步骤A8，填充目标区域对应的孔洞。
3.如权利要求2所述的膨胀型防火炭层SEM图像中发泡区域的识别方法，其特征在于，所述步骤A5中，底帽顶帽变换公式为：其中，Iin1为过滤前的图像，Iou1为过滤后的图像，SE为结构元素，Δ为顶帽操作，▽为底帽操作，为加运算，⊙为减运算。
4.如权利要求3所述的膨胀型防火炭层SEM图像中发泡区域的识别方法，其特征在于，所述步骤A7中，形态学开运算公式为：Iou2＝Iin2*SE＝(Iin2∧SE)∨SE，其中，Iin2是形态学开运算的输入图像，Iou2是形态学开运算得到的图像，∧代表形态学腐蚀，∨代表形态学膨胀。
5.如权利要求2或3所述的膨胀型防火炭层SEM图像中发泡区域的识别方法，其特征在于，所述步骤B中，若新的RGB图像不满足要求，则跳转至步骤A并调整结构元素SE。
6.如权利要求1至4任一项所述的膨胀型防火炭层SEM图像中发泡区域的识别方法，其特征在于，所述步骤C中，所述目标区域的相关参数包括目标区域所占比例Rf，其中，A是目标区域的面积，At是整个SEM图像的面积。
7.如权利要求1至4任一项所述的膨胀型防火炭层SEM图像中发泡区域的识别方法，其特征在于，所述步骤C中，所述目标区域的相关参数包括目标区域面积平均数Af，其中，n是目标区域的发泡总数，Ai是第i个目标区域中发泡的面积，i＝1,2,3…n。
8.如权利要求7所述的膨胀型防火炭层SEM图像中发泡区域的识别方法，其特征在于，所述步骤C中，所述目标区域的相关参数还包括面积标准差Sf，
9.如权利要求2所述的膨胀型防火炭层SEM图像中发泡区域的识别方法，其特征在于，所述步骤A4中，直方图均衡化处理公式为：其中，DB是直方图均衡化处理后得到的灰度值，DA是直方图均衡化处理前的灰度值，A0是总的像素值，Hj是灰度值中的像素数，Dmax是直方图均衡化处理前的最大灰度值，j＝0,1,…Dmax。
CN201910275389.3A 2019-04-08 2019-04-08 膨胀型防火炭层sem图像中发泡区域的识别方法 Pending CN110020654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910275389.3A CN110020654A (zh) 2019-04-08 2019-04-08 膨胀型防火炭层sem图像中发泡区域的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910275389.3A CN110020654A (zh) 2019-04-08 2019-04-08 膨胀型防火炭层sem图像中发泡区域的识别方法

Publications (1)

Publication Number Publication Date
CN110020654A true CN110020654A (zh) 2019-07-16

Family

ID=67190685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910275389.3A Pending CN110020654A (zh) 2019-04-08 2019-04-08 膨胀型防火炭层sem图像中发泡区域的识别方法

Country Status (1)

Country Link
CN (1) CN110020654A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113363024A (zh) * 2021-06-02 2021-09-07 广州市广惠通线缆有限公司 一种线缆发泡层充氮控制方法及系统
CN114414569A (zh) * 2022-01-11 2022-04-29 安徽工业大学 一种电炉渣发泡性能评价方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102105840A (zh) * 2008-08-04 2011-06-22 佳能株式会社 磁性载体和双组分显影剂
US20140198975A1 (en) * 2011-09-07 2014-07-17 Hitachi High-Technologies Corporation Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method
CN104392240A (zh) * 2014-10-28 2015-03-04 中国疾病预防控制中心寄生虫病预防控制所 一种基于多特征融合的寄生虫虫卵识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102105840A (zh) * 2008-08-04 2011-06-22 佳能株式会社 磁性载体和双组分显影剂
US20140198975A1 (en) * 2011-09-07 2014-07-17 Hitachi High-Technologies Corporation Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method
CN104392240A (zh) * 2014-10-28 2015-03-04 中国疾病预防控制中心寄生虫病预防控制所 一种基于多特征融合的寄生虫虫卵识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张久旭: "MATLAB在识别粘性土微观孔隙结构中的应用", 科技风, pages 254 - 161 *
张久旭等: "MATLAB在识别粘性土微观孔隙结构中的应用", 《科技风》 *
张久旭等: "MATLAB在识别粘性土微观孔隙结构中的应用", 《科技风》, no. 25, 30 September 2018 (2018-09-30), pages 254 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113363024A (zh) * 2021-06-02 2021-09-07 广州市广惠通线缆有限公司 一种线缆发泡层充氮控制方法及系统
CN113363024B (zh) * 2021-06-02 2021-11-16 广州市广惠通线缆有限公司 一种线缆发泡层充氮控制方法及系统
CN114414569A (zh) * 2022-01-11 2022-04-29 安徽工业大学 一种电炉渣发泡性能评价方法
CN114414569B (zh) * 2022-01-11 2024-01-30 安徽工业大学 一种电炉渣发泡性能评价方法

Similar Documents

Publication Publication Date Title
Huang et al. Depressional storage for Markov‐Gaussian surfaces
CN110020654A (zh) 膨胀型防火炭层sem图像中发泡区域的识别方法
CN103295191B (zh) 多尺度视觉自适应图像增强方法及评价方法
Randle Electron backscatter diffraction: Strategies for reliable data acquisition and processing
Brands et al. Computational modeling of dual-phase steels based on representative three-dimensional microstructures obtained from EBSD data
Dowling et al. Morphometry and core type of streamlined bedforms in southern Sweden from high resolution LiDAR
CN109211904A (zh) 一种沥青混合料二维内部结构检测系统及检测方法
Jorge et al. A study of habitat fragmentation in Southeastern Brazil using remote sensing and geographic information systems (GIS)
Hu et al. Development of an SEM image analysis method to characterize intumescent fire retardant char layer
CN110443793A (zh) 一种沥青混合料空隙分布均匀性评价方法
Brewick et al. NLPAR: Non-local smoothing for enhanced EBSD pattern indexing
Bindlish et al. Aggregation of digital terrain data using a modified fractal interpolation scheme
Smith et al. Spectroscopic constraints on the potential barrier at metal surfaces
Davis et al. Optimising large-area crystal orientation mapping of nanoscale β phase in α+ β titanium alloys using EBSD
Cescas et al. Ferromanganiferous soil concretions: a scanning electron microscope study of their micropore structures
CN108596840A (zh) 一种用于深度学习评定血管网络发育水平的数据集增强方法
Amasaki et al. The effect of moving windows on software effort estimation: Comparative study with CART
Webb Identification of functional horizons to predict physical properties for soils from alluvium in Canterbury, New Zealand
Livesey et al. Enhanced scour tests to evaluate pedestrian level winds
Oswald et al. Modeling of complex surface structures for ARXPS
Buchanan et al. A geometric morphometrics-based assessment of point types on the Southern High Plains during Plainview times
Alimadadi et al. The complementary use of electron backscatter diffraction and ion channelling imaging for the characterization of nanotwins
Vannier et al. Using digital elevation models and image processing to follow clod evolution under rainfall
Shroat-Lewis et al. Paleoecologic analysis of edrioasteroid (Echinodermata) encrusted slabs from the Chesterian (Upper Mississippian) Kinkaid Limestone of southern Illinois
Bolshakov et al. Investigation of the pore space structure by a scanning electron microscope using the computer program collector

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination