CN110310296B - 一种核壳结构复合微球孔隙三维结构核壳区分表征的方法 - Google Patents
一种核壳结构复合微球孔隙三维结构核壳区分表征的方法 Download PDFInfo
- Publication number
- CN110310296B CN110310296B CN201910318848.1A CN201910318848A CN110310296B CN 110310296 B CN110310296 B CN 110310296B CN 201910318848 A CN201910318848 A CN 201910318848A CN 110310296 B CN110310296 B CN 110310296B
- Authority
- CN
- China
- Prior art keywords
- shell
- core
- image layer
- layer set
- pixel
- 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
Images
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种核壳结构复合微球孔隙三维结构核壳区分表征的方法,包括以下步骤:S1、对核壳结构复合微球进行整体的CT扫描,得到其断层扫描图像;S2、进行阈值分割;S3、提取壳层物质所有像素点;S4、提取壳层和核层物质的所有像素点;S5、进行最近邻插值的运算,得到壳层;S6、对空间矩阵内所有图像,用矩阵的减运算;S7、去除核物质的部分,得到壳层中的孔隙;S8、计算壳层孔隙率。本发明使核壳材料的壳层和核层的孔隙率得以分别计算,通过对核壳材料内部两种或多种物质互相渗透的研究,对材料整体性能的不同影响及材料内部反应机制的研究提供基础数据的支撑,对核壳结构复合材料制备工艺的提升及结构的验证提供有力支持。
Description
技术领域
本发明涉及核壳结构复合材料成像技术领域,尤其涉及一种核壳结构复合微球孔隙三维结构核壳区分表征的方法。
背景技术
核壳结构复合微球通常由两种或多种不同结构的物质通过物理或化学作用连接而成。其特殊的核壳结构整合了内外材料的性质,并互相补充各自的不足,改善了单一材料微球的性能,提升了其稳定性,并通过引入多种材料的方式使其具有多功能性,有着广泛的应用前景。
核壳结构复合微球内部的孔隙结构对于其性能起到极大的影响,但由于其结构的特殊性,复合微球的壳层和核层的孔隙结构经常有较大差异,这种差异对复合微球的性能带来不可忽视的影响,因此对核壳结构复合微球内部孔隙三维结构的核壳区分表征具有重要意义。
目前对材料内部孔隙的测量大多采用压汞法和CT扫描的方法。压汞法是利用汞在不同压力的情况下进入不同内径的孔隙的特点,测量出材料内部孔隙的分布。CT扫描是利用不同物质对X射线的吸收率不同的特点,获得材料的断层扫描图像,通过图像识别出孔的体积分数,从而得到样品的孔隙率,并利用三维重构技术获得内部孔隙的三维结构图像。
发明内容
本发明要解决的技术问题在于针对现有技术的缺陷为:无论压汞法还是CT扫描的方式都是对材料整体内部孔隙分布的表征,无法对壳层和核层的孔隙结构进行区别计算,而实际上壳层和核层的孔隙率差别可能会很大,其差别直接影响材料的性质与性能。比如有的壳层要求孔隙率很小,阻止外界物质进入,而要求核的孔隙率较大,方便内部反应等,提供一种核壳结构复合微球孔隙三维结构核壳区分表征的方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种核壳结构复合微球孔隙三维结构核壳区分表征的方法,该方法包括以下步骤:
S1、对核壳结构复合微球进行整体的CT扫描,得到其断层扫描图像;
S2、对所有的断层扫描图像按灰度值不同进行阈值分割;
S3、对阈值分割后的断层扫描图像,提取壳层物质所有像素点,生成第一图像层集合;
S4、对阈值分割后的断层扫描图像,提取壳层和核层物质的所有像素点,生成第二图像层集合;
S5、对第一图像层集合的所有图像按像素进行最近邻插值的运算,用最近邻插值法计算得到的第三图像层集合,即为壳层,第三图像层集合的体积V1即为壳体积的近似值;
S6、对空间矩阵内所有图像,用矩阵的减运算,设第三图像层集合像素点的灰度值为g(x,y),第一图像层集合像素点的灰度值为f(x,y),步骤S5中被填充区域的图像层记作第四图像层集合,第四图像层集合像素点的灰度值为:h(x,y)=g(x,y)-f(x,y);
S7、用第四图像层集合像素点减去第二图像层集合像素点,去除第四图像层集合像素点中核物质的部分,得到第五图像层集合,即为壳层中的孔隙,其体积记为V2;
S8、计算得到壳层孔隙率Q1,Q1=V2/V1。
进一步地,本发明的该方法还包括计算核层孔隙率的方法,具体为:
S9、用第二图像层集合像素点减去第三图像层集合像素点,并做最近邻插值的运算,得到第六图像层集合,即为核层,其体积V3为核体积的近似值;
S10、第六图像层集合像素点减去第二图像层集合像素点得到被填充区域的图像层,记作第七图像层集合,此时第七图像层集合是核层中的孔和核层中壳层物质叠加的结果;
S11、第七图像层集合像素点减去第一图像层集合像素点,去除第七图像层集合中壳物质的部分,得到第八图像层集合,即为核层中的孔隙,其体积记为V3;
S12、计算得到核层孔隙率Q3,Q3=V3/V1。
进一步地,本发明的该方法还包括进行三维结构表征的方法:
S13、根据计算得到的壳层孔隙率和核层孔隙率,将得到的第八图像层集合像素点矩阵坐标导入三维建模软件,得到核层孔隙、壳层孔隙和核壳结构复合微球孔隙的三维结构表征。
进一步地,本发明的步骤S5的具体方法为:
设i+u,j+v为待求象素坐标,则待求象素灰度的值为f(i+u,j+v),i,j为正整数,u、v为大于零小于1的小数;设4个像素区域分别为:左上角为A区、右上角为B区、左下角为C区和右下角为D区,如果(i+u,j+v)落在A区,即u<0.5,v<0.5,则将左上角象素的灰度值赋给待求象素,同理,落在B区则赋予右上角的象素灰度值,落在C区则赋予左下角象素的灰度值,落在D区则赋予右下角象素的灰度值。
本发明产生的有益效果是:本发明的核壳结构复合微球孔隙三维结构核壳区分表征的方法,使核壳材料的壳层和核层的孔隙率得以分别计算,通过对核壳材料内部两种或多种物质互相渗透的研究,对材料整体性能的不同影响及材料内部反应机制的研究提供基础数据的支撑,对核壳结构复合材料制备工艺的提升及结构的验证提供有力支持。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中利用X射线CT扫描核壳结构复合微球样品的扫描样图;
图2是本发明实施例中对扫描图像阈值分割后得到的壳层物质样图;
图3是本发明实施例中对扫描图像阈值分割后得到的壳层和核层物质样图;
图4是本发明实施例中用矩阵运算对数字图像进行最近邻插值运算算法示意图;
图5是本发明实施例中用矩阵运算得到的壳层中壳物质、孔隙和核物质的示意图;
图6是本发明实施例中用矩阵运算得到的壳层中孔隙和核物质的示意图;
图7是本发明实施例中用矩阵运算得到的壳层中孔隙的示意图;
图8是本发明实施例中用矩阵运算得到的核层中核物质、孔隙和壳物质的示意图;
图9是本发明实施例中用矩阵运算得到的核层中孔隙的示意图;
图10是本发明实施例中核壳结构复合微球壳层孔隙的三维结构表征图;
图11是本发明实施例中核壳结构复合微球核层孔隙的三维结构表征图;
图12是本发明实施例中核壳结构复合微球整体孔隙的三维结构表征图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例中,通过对一次核壳结构复合微球CT扫描获得的图像数据进行图像,分别计算得到核壳结构复合微球壳层和核层的孔隙率。
S1、对核壳结构复合微球进行整体的CT扫描,得到其断层扫描图像。
S2、对所有的断层扫描图像按灰度值不同进行阈值分割。我们发现整幅像的灰度值范围在0~65535,根据图像识别,我们判断壳区域像素点灰度值的范围在30976~65535,核区域像素点的灰度值范围在21760~30975,孔隙像素点的灰度值范围在0~21759。
S3、按阈值分割,提取壳层物质所有像素点,生成图像层集合(ROI-A1),分割完成后ROI内像素点的灰度值是一样的区别只在于空间坐标不同,为了区分不同的ROI,我们赋予不同的ROI不同的颜色来区分;
S4、提取壳层和核层物质的所有像素点,生成图像层集合(ROI-A2);
S5、由于CT扫描的图像是数字图像,数字图像可以等效视为矩阵,在空间域的操作按矩阵理论来执行,即矩阵内每个像素点的灰度值g(x,y)都可以用矩阵运算来实现简单但有效的图像处理。对ROI-A1的所有图像按像素进行最近邻插值的运算。即在待求象素的四邻象素中,将距离待求象素最近的邻象素灰度赋给待求象素。
设i+u,j+v(i,j为正整数,u、v为大于零小于1的小数,下同)为待求象素坐标,则待求象素灰度的值f(i+u,j+v)。如果(i+u,j+v)落在A区,即u<0.5,v<0.5,则将左上角象素的灰度值赋给待求象素,同理,落在B区则赋予右上角的象素灰度值,落在C区则赋予左下角象素的灰度值,落在D区则赋予右下角象素的灰度值。
用最近邻插值法计算得到的图像层集合ROI-A3,即为壳层,A3的体积V1即为壳体积的近似值;
S6、因为数字图像可以等效视为矩阵,对空间矩阵内所有图像,用矩阵的减运算,设ROI-A3图像层像素点的灰度值为g(x,y),ROI-A1图像层像素点的灰度值为f(x,y),步骤S5中被填充区域的图像层ROI-A4像素点的灰度值h(x,y)=g(x,y)-f(x,y)。此时ROI-A4并不是壳层中的孔,因为有部分核层的物质会进入到壳层,因此ROI-A4是壳层中的孔和壳层中核元素叠加的结果。
S7、用ROI-A4图像层像素点减去ROI-A2图像层像素点,去除ROI-A4图像层像素点中核物质的部分,得到ROI-A5即为壳层中的孔隙,其体积记为V2.;
S8、V2/V1即为壳层孔隙率,记为Q1;
S9、ROI-A2图像层像素点减去ROI-A3图像层像素点做最近邻插值的运算,得到图像层ROI-A6,即为核层,其体积V3为核体积的近似值;
S10、ROI-A6图像层像素点减去ROI-A2图像层像素点得到步骤S9中被填充区域的图像层ROI-A7,此时ROI-A7并不是核层中的孔,因为有部分壳层的物质会进入到核层,因此ROI-A7是核层中的孔和核层中壳层物质叠加的结果。
S11、ROI-A7图像层像素点减去ROI-A1图像层像素点去除ROI-A7中壳物质的部分,得到ROI-A8即为核层中的孔隙,其体积记为V3;
S12、V3/V1即为核层孔隙率,记为Q2。
Q1为壳层孔隙率,Q2为核层孔隙率。
S13、将得到ROI-A8图像层像素点矩阵坐标导入三维建模软件,得到核层孔隙的三维结构表征、壳层孔隙的三维结构表征以及核壳结构复合微球孔隙的三维结构表征。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种核壳结构复合微球孔隙三维结构核壳区分表征的方法,其特征在于,该方法包括以下步骤:
S1、对核壳结构复合微球进行整体的CT扫描,得到其断层扫描图像;
S2、对所有的断层扫描图像按灰度值不同进行阈值分割;
S3、对阈值分割后的断层扫描图像,提取壳层物质所有像素点,生成第一图像层集合;
S4、对阈值分割后的断层扫描图像,提取壳层和核层物质的所有像素点,生成第二图像层集合;
S5、对第一图像层集合的所有图像按像素进行最近邻插值的运算,用最近邻插值法计算得到的第三图像层集合,即为壳层,第三图像层集合的体积V1即为壳体积的近似值;
S6、对空间矩阵内所有图像,用矩阵的减运算,设第三图像层集合像素点的灰度值为g(x,y),第一图像层集合像素点的灰度值为f(x,y),步骤S5中被填充区域的图像层记作第四图像层集合,第四图像层集合像素点的灰度值为:h(x,y)=g(x,y)-f(x,y);
S7、用第四图像层集合像素点减去第二图像层集合像素点,去除第四图像层集合像素点中核物质的部分,得到第五图像层集合,即为壳层中的孔隙,其体积记为V2;
S8、计算得到壳层孔隙率Q1,Q1=V2/V1。
2.根据权利要求1所述的核壳结构复合微球孔隙三维结构核壳区分表征的方法,其特征在于,该方法还包括计算核层孔隙率的方法,具体为:
S9、用第二图像层集合像素点减去第三图像层集合像素点,并做最近邻插值的运算,得到第六图像层集合,即为核层,其体积V3为核体积的近似值;
S10、第六图像层集合像素点减去第二图像层集合像素点得到被填充区域的图像层,记作第七图像层集合,此时第七图像层集合是核层中的孔和核层中壳层物质叠加的结果;
S11、第七图像层集合像素点减去第一图像层集合像素点,去除第七图像层集合中壳物质的部分,得到第八图像层集合,即为核层中的孔隙,其体积记为V3;
S12、计算得到核层孔隙率Q3,Q3=V3/V1。
3.根据权利要求2所述的核壳结构复合微球孔隙三维结构核壳区分表征的方法,其特征在于,该方法还包括进行三维结构表征的方法:
S13、根据计算得到的壳层孔隙率和核层孔隙率,将得到的第八图像层集合像素点矩阵坐标导入三维建模软件,得到核层孔隙、壳层孔隙和核壳结构复合微球孔隙的三维结构表征。
4.根据权利要求1所述的核壳结构复合微球孔隙三维结构核壳区分表征的方法,其特征在于,步骤S5的具体方法为:
设i+u,j+v为待求象素坐标,则待求象素灰度的值为f(i+u,j+v),i,j为正整数,u、v为大于零小于1的小数;设4个像素区域分别为:左上角为A区、右上角为B区、左下角为C区和右下角为D区,如果(i+u,j+v)落在A区,即u<0.5,v<0.5,则将左上角象素的灰度值赋给待求象素,同理,落在B区则赋予右上角的象素灰度值,落在C区则赋予左下角象素的灰度值,落在D区则赋予右下角象素的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910318848.1A CN110310296B (zh) | 2019-04-19 | 2019-04-19 | 一种核壳结构复合微球孔隙三维结构核壳区分表征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910318848.1A CN110310296B (zh) | 2019-04-19 | 2019-04-19 | 一种核壳结构复合微球孔隙三维结构核壳区分表征的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110310296A CN110310296A (zh) | 2019-10-08 |
CN110310296B true CN110310296B (zh) | 2022-11-18 |
Family
ID=68075323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910318848.1A Active CN110310296B (zh) | 2019-04-19 | 2019-04-19 | 一种核壳结构复合微球孔隙三维结构核壳区分表征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310296B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112414917B (zh) * | 2020-11-03 | 2023-09-01 | 西安石油大学 | 一种页岩油储层有机孔隙和无机孔隙的划分与表征方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6898303B2 (en) * | 2000-01-18 | 2005-05-24 | Arch Development Corporation | Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans |
CN101639434A (zh) * | 2009-08-27 | 2010-02-03 | 太原理工大学 | 基于显微图像分析固体材料孔隙结构的方法 |
CN104792804A (zh) * | 2015-03-27 | 2015-07-22 | 江苏大学 | 一种基于显微ct技术诊断谷物内部损伤的方法 |
CN105806765A (zh) * | 2016-04-13 | 2016-07-27 | 南京大学(苏州)高新技术研究院 | 一种显微ct扫描土体空间孔隙结构的精细化表征方法 |
-
2019
- 2019-04-19 CN CN201910318848.1A patent/CN110310296B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110310296A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Raoush et al. | Representative elementary volume analysis of porous media using X-ray computed tomography | |
Graham et al. | Automated sizing of coarse-grained sediments: image-processing procedures | |
CN108280290B (zh) | 一种混凝土骨料数值模型重建方法 | |
Mi et al. | Single image dehazing via multi‐scale gradient domain contrast enhancement | |
Stamati et al. | Phase segmentation of concrete x-ray tomographic images at meso-scale: Validation with neutron tomography | |
CN108827181B (zh) | 一种基于视觉的板材表面检测方法 | |
Van Aarle et al. | Super-resolution for computed tomography based on discrete tomography | |
Tuller et al. | Segmentation of X‐ray CT data of porous materials: A review of global and locally adaptive algorithms | |
CN114550021B (zh) | 基于特征融合的表面缺陷检测方法及设备 | |
CN110223376B (zh) | 一种基于单幅堆积颗粒材料图像的三维颗粒重建方法 | |
CN110310296B (zh) | 一种核壳结构复合微球孔隙三维结构核壳区分表征的方法 | |
Mishra et al. | Automatic lesion border selection in dermoscopy images using morphology and color features | |
Qian et al. | Segmentation and analysis of cement particles in cement paste with deep learning | |
CN111159876A (zh) | 一种基于mri医学影像和轮廓勾画快速实现3d打印模型的设计方法 | |
CN115984246B (zh) | 基于机器视觉的缺陷快速检测方法及装置、设备、存储介质 | |
CN107610218B (zh) | 一种面向立体结构网点三维图像重建的层面数据获取方法 | |
Brun et al. | Fast granulometry operator for the 3d identification of cell structures | |
CN113390905B (zh) | 一种基于ct扫描技术量化土壤团聚体孔隙空间结构方法 | |
CN115641294A (zh) | 基于周长面积比筛选阳性突变细胞的方法及系统 | |
Pinjarkar et al. | Robust exemplar-based image and video inpainting for object removal and region filling | |
Gopalakrishnan et al. | Hybridisation of single‐image super‐resolution with edge‐aware multi‐focus image fusion for edge enrichment | |
Kang et al. | Image inpainting using weighted mask convolution | |
CN113610716B (zh) | 图像伪影消除方法、装置及设备 | |
Li et al. | Multiscale modeling algorithm for core images | |
Yoshino et al. | Poresin Spherical Radiolarian Skeletons Directly Determined from Three-Dimensional Data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |