CN110736688B - 一种原油乳状液粒径检测方法、装置及可读存储介质 - Google Patents
一种原油乳状液粒径检测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN110736688B CN110736688B CN201911024998.8A CN201911024998A CN110736688B CN 110736688 B CN110736688 B CN 110736688B CN 201911024998 A CN201911024998 A CN 201911024998A CN 110736688 B CN110736688 B CN 110736688B
- Authority
- CN
- China
- Prior art keywords
- pixel
- emulsion
- connected domain
- crude oil
- particle size
- 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
- 239000000839 emulsion Substances 0.000 title claims abstract description 116
- 239000002245 particle Substances 0.000 title claims abstract description 75
- 239000010779 crude oil Substances 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 title claims description 15
- 238000000034 method Methods 0.000 claims abstract description 67
- 239000007788 liquid Substances 0.000 claims abstract description 56
- 238000001000 micrograph Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 abstract description 2
- 239000012071 phase Substances 0.000 description 12
- 239000003921 oil Substances 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000000691 measurement method Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 239000003208 petroleum Substances 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 239000008346 aqueous phase Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007764 o/w emulsion Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 239000007762 w/o emulsion Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种原油乳状液粒径检测方法、装置及可读存储介质,包括以下步骤:S1:将原油乳状液显微图进行滤波处理和二值化处理,得到乳状液二值图像;S2:通过连通域标记法标记乳状液二值图像中所有连通域,一个连通域对应一个液滴;S3:通过连通域得到连通域对应液滴的面积和周长,通过液滴的面积和周长得到液滴粒径。通过连通域标记法标记乳状液二值图像中所有连通域,一个连通域对应一个液滴,方便快速统计液滴粒径;通过统计连通域内部和边缘像素个数来计算液滴的面积和周长通,通过液滴的面积和周长得到液滴粒径,计算过程直观、便捷,较其它方法要快很多,且占用较小的内存空间。
Description
技术领域
本发明属于原油乳状液微观检测领域,涉及一种原油乳状液粒径检测方法、装置及可读存储介质。
背景技术
在石油工业,开采出来的原油是油、水、乳状液的混合溶液,并含少量泥沙等杂质。为了得到相对纯净的石油,需要将原油送至油田联合站,存放在原油储罐内,先后经过沉降、破乳、分离等多道工序后,才能分离出达到冶炼标准的石油,这一系列工艺过程在石油储运中非常重要。沉降罐内等待油水分离的原油,其乳状液液滴大小、分布等特性会随着沉降时间、破乳反应等因素的变化,而随时发生变化,这些改变将直接影响破乳方法的改变和油水分离的效果。另外,在实际生产和研究过程中,很多学者认为研究原油乳状液是个十分复杂而又需要深入的课题,对于掌握乳状液稳定性、乳状液粘度等都有重要影响。因此,研究原油乳状液微观分布对了解乳状液本质具有十分重要的意义,除了对开发多相流处理和管输装置非常重要之外,还对指导原油破乳方法和油水分离提供重要的依据。
原油乳状液是一种液相分散在另一种互不相溶液相中的多相分散体系,分散成小液滴的称为分散相,而包容这些小液滴的称为连续相。乳状液的类型主要有两类:一类是水包油型乳状液(O/W),即水相为连续相,油相为分散相;另一类是油包水型乳状液,即油相为连续相,水相为分散相。除此之外,还有两类多重乳状液:一类是水包油包水型乳状液(W/O/W),即油分散在水相中,而油滴中还有小水珠;另一类是油包水包油型乳状液(O/W/O),即水分散在油相中,而水滴中还有小油珠。据统计,世界上80%的原油都是以乳状液的形式采集出来的,而且原油乳状液中绝大多数是油包水型。本发明以油包水型原油乳状液图像为例说明过程。
目前,针对原油乳状液液滴粒径检测的方法主要有直接测量法和间接测量法两种。间接测量法是在使用分散稳定性分析仪的前提下,通过相厚度随时间的变化,确定粒子移动速度,从而计算出粒子的平均直径;直接测量方法是在使用电子显微镜的前提下,通过拍摄原油乳状液图片,运用人工测量或图像处理技术对图片中的液滴进行识别,进而分析液滴粒径大小及其分布。上述两种方法都可以达到测量原油乳状液液滴粒径的目的,并且获得不错的实验效果。但是基于液滴平均迁移速率的液滴粒径间接测量方法只能计算平均粒径,而不能计算单个液滴粒径,且应用存在一定的局限性,不能分析所有液滴的分布情况。基于图像处理的液滴粒径直接测量方法既可以测量单个液滴粒径,也可以计算平均粒径,功能上要优于基于液滴平均迁移速率的液滴粒径间接测量方法,但是,没有给出具体的实现过程,测量速度相对较慢,并且系统开发环境相对陈旧,兼容性不足。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种原油乳状液粒径检测方法、装置及可读存储介质。
为达到上述目的,本发明采用以下技术方案予以实现:
一种原油乳状液粒径检测方法,包括以下步骤:
S1:将原油乳状液显微图进行滤波处理和二值化处理,得到乳状液二值图像;
S2:通过连通域标记法标记乳状液二值图像中所有连通域,一个连通域对应一个液滴;
S3:通过统计每个已标记连通域内部和边缘包含的像素个数,分别得到每个连通域对应液滴的面积和周长,通过液滴的面积和周长得到液滴粒径。
本发明原油乳状液粒径检测方法进一步的改进在于:
所述S1的具体方法为:
将原油乳状液显微图通过中值滤波算法进行滤波处理,然后通过全局阈值Otsu算法进行二值化处理,得到乳状液二值图像。
所述S2的具体方法为:
S201:将乳状液二值图像添加一圈一像素宽度的背景像素;
S202:逐行扫描乳状液二值图像的每个像素,通过连通域标记法采用不同的标记值标记乳状液二值图像的每个连通域,一个连通域对应一个液滴。
所述S202的具体方法为:
S202-1:逐行扫描乳状液二值图像的每个像素,并检测当前像素的像素类型;初始化标记值为1;
S202-2:当当前像素为前景像素为时,采用当前标记值标记当前像素,标记值加1,并检测当前像素的左方像素、左上方像素、上方像素和右上方像素的像素类型;否则,进行S202-7;
S202-3:当当前像素的上方像素为背景像素且左方像素和右上方像素为前景像素时,取当前像素的左方像素和右上方像素的标记值中最小的标记值重新标记当前像素;标记值减1;否则,进行S202-4;
S202-4:当当前像素的上方像素为背景像素且左上方像素和右上方像素为前景像素时,取当前像素的左上方像素和右上方像素的标记值中最小的标记值重新标记当前像素;标记值减1;否则,进行S202-5;
S202-5:当当前像素的左方像素、左上方像素、上方像素和右上方像素中至少有一个像素为前景像素时,取当前像素的左方像素、左上方像素、上方像素和右上方像素的标记值中最小的标记值重新标记当前像素;标记值减1;
S202-6:每标记一个像素均重新遍历已扫描的像素;
S202-7:当当前像素为背景像素时,采用0标记当前像素;
S202-8:所有标记值相同的像素组成一个连通域,一个连通域对应一个液滴。
所述S3的具体方法为:
通过连通域得到连通域对应液滴的面积和周长,通过式(1)得到液滴的图像粒径:
其中,D[i]为液滴的图像粒径;A[i]为液滴的面积;P[i]为液滴的周长;
通过式(2)得到液滴的粒径d[i]:
其中,H为图像高度;W为图像宽度;DPIH为原油乳状液显微图的垂直分辨率;DPIW为原油乳状液显微图的水平分辨率;m1为显微镜物镜放大倍数;m2为显微镜目镜放大倍数。
还包括:
S4:根据每个液滴的粒径,通过式(3)得到液滴的平均粒径:
其中,L为液滴总数;
统计所有液滴的粒径大小分布,以柱状图或曲线图的形式表示。
本发明另一方面,一种原油乳状液粒径检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述原油乳状液粒径检测方法的步骤。
本发明又一方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述原油乳状液粒径检测方法的步骤。
与现有技术相比,本发明具有以下有益效果:
通过将原油乳状液显微图进行滤波处理和二值化处理,得到乳状液二值图像为连通域标记做好前期准备;通过连通域标记法标记乳状液二值图像中所有连通域,一个连通域对应一个液滴,方便快速统计液滴粒径;通过统计连通域内部和边缘像素个数来计算液滴的面积和周长通过连通域得到连通域对应液滴的面积和周长,通过液滴的面积和周长得到液滴粒径,计算过程直观、便捷。总的来说,因为基于连通域标记的原油乳状液粒径检测方法在统计原油乳状液液滴(连通域)面积和个数时,基本一次扫描图像即可完成,因此,较背景中提到的其它方法要快很多,且占用较小的内存空间。
进一步的,将原油乳状液显微图通过中值滤波算法进行滤波处理,然后通过全局阈值Otsu算法进行二值化处理,得到乳状液二值图像,为标记原油乳状液液滴,即连通域标记做好前期准备,便与进行标记,提升标记精度。
进一步的,将乳状液二值图像添加一圈一像素宽度的背景像素,确保扫描开始时工作面将乳状液二值图像的第一个像素作为第一个当前像素;逐行扫描乳状液二值图像的每个像素,通过连通域标记法采用不同的标记值标记乳状液二值图像的每个连通域,有利于区分不同连通域,即原油乳状液液滴。
进一步的,连通域标记时扫描图像次数较少,只需扫描图像1次,扫描次数比背景中提到的间接方法,至少扫描4次要小的多,计算速度明显提高,内存占用率较小;另一方面,通过步骤S202-3至S202-5实现连通域等价标记,采用的等价标记方法可以大大降低代码量,等价标记交换时只对16种情况中的2种情况进行分析,即只需分析工作面中右上和左上或右上和左是否为前景像素这2种情况,不关心工作面中出现其他14种情况,减少了代码编写量,降低了成本。
附图说明
图1为本发明的原油乳状液粒径检测方法流程图;
图2为本发明的8邻域目标像素示意图;
图3为本发明的连通域示意图;
图4为本发明的连通域标记工作面示意图;
图5为本发明的存在等价标记的一种情况的工作面示意图;
图6为本发明的存在等价标记的另一种情况的工作面示意图;
图7为本发明的原油乳状液显微图;
图8为本发明的滤波处理后的原油乳状液显微图;
图9为本发明的二值化处理后的原油乳状液显微图;
图10为本发明的液滴粒径分布统计柱状图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或装置不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或装置固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明原油乳状液粒径检测方法,包括以下步骤:
S1:将原油乳状液显微图进行滤波处理和二值化处理,得到乳状液二值图像;具体方法为:
将原油乳状液显微图通过中值滤波算法进行滤波处理,然后通过全局阈值Otsu算法进行二值化处理,得到乳状液二值图像。
S2:通过连通域标记法标记乳状液二值图像中所有连通域,一个连通域对应一个液滴;具体方法为:
S201:将乳状液二值图像添加一圈一像素宽度的背景像素;确保扫描开始时工作面将乳状液二值图像的第一个像素作为第一个当前像素;
S202:逐行扫描乳状液二值图像的每个像素,通过连通域标记法采用不同的标记值标记乳状液二值图像的每个连通域;具体方法为:
S202-1:逐行扫描乳状液二值图像的每个像素,并检测当前像素的像素类型;初始化标记值为1;
S202-2:当当前像素为前景像素为时,采用当前标记值标记当前像素,标记值加1,并检测当前像素的左方像素、左上方像素、上方像素和右上方像素的像素类型;否则,进行S202-7
S202-3:当当前像素的上方像素为背景像素且左方像素和右上方像素为前景像素时,取当前像素的左方像素和右上方像素的标记值中最小的标记值重新标记当前像素;此时,这两个标记为等价标记;标记值减1;否则,进行S202-4;
S202-4:当当前像素的上方像素为背景像素且左上方像素和右上方像素为前景像素时,取当前像素的左上方像素和右上方像素的标记值中最小的标记值重新标记当前像素;此时,这两个标记为等价标记;标记值减1;否则,进行S202-5;
S202-5:当当前像素的左方像素、左上方像素、上方像素和右上方像素中至少有一个像素为前景像素时,取当前像素的左方像素、左上方像素、上方像素和右上方像素的标记值中最小的标记值重新标记当前像素;标记值减1;
S202-6:对于S202-3和S202-4中存在的标记现象,每标记完当前像素后,均需要重新遍历已扫描的所有像素,进行连通域等价标记替换,即将连通域内等价标记值大的全部替换为等价标记值小的;
S202-7:当当前像素为背景像素,采用0标记当前像素;
S202-8:所有标记值相同的像素组成一个连通域,一个连通域对应一个液滴。
S3:通过连通域得到连通域对应液滴的面积和周长,通过液滴的面积和周长得到液滴粒径;其中,通过式(1)得到液滴的图像粒径:
其中,D[i]为液滴的图像粒径;A[i]为液滴的面积;P[i]为液滴的周长;
通过式(2)得到液滴的粒径d[i]:
其中,H为图像高度;W为图像宽度;DPIH为原油乳状液显微图的垂直分辨率;DPIW为原油乳状液显微图的水平分辨率;m1为显微镜物镜放大倍数;m2为显微镜目镜放大倍数。
S4:根据每个液滴的粒径,通过式(3)得到液滴的平均粒径:
其中,L为液滴总数;
统计所有液滴的粒径大小分布,以柱状图或曲线图的形式表示。
下面详细介绍本发明的原理:
为了更清楚的解释原油乳状液粒径检测方法,首先需要了解什么是图像连通域和连通域标记。对于一个N×M像素大小的二值图像,用b(x,y)表示位于坐标(x,y)处的一个像素值,其中0≤x≤N-1,0≤y≤M–1。二值图像中每个像素都用1和0表示像素的值,以区分前景像素和背景像素。没有特别说明,一般假设前景像素的值为1,背景像素的值为0,前景像素也称为目标像素。此外,为了分析方便起见,一般假设图像边界上的所有像素都是背景像素。如图1所示,灰色方框表示的像素为前景像素,白色方框表示的像素为背景像素。
对于一个像素b(x,y),其周围的像素b(x-1,y),b(x,y-1),b(x+1,y)和b(x,y+1)被称为4邻域像素,4邻域像素加上b(x-1,y-1),b(x-1,y-1),b(x+1,y-1)和b(x-1,y+1)被称为8邻域像素。假如有一条路径,它包含目标像素a1,a2,…,an,其中a1为像素p,an为像素q,并且所有的ai和ai+1都彼此为8邻域像素,那么我们称目标像素p和q互为8连通像素。二值图像中的一个8连通域是图像中所有8连通像素的集合。一个连通域也称之为一个物体,比如,如图2所示的二值图像中,有4个8连通域(物体)。
在二值图像中为了区分不同物体,连通域标记是一项必不可少的操作。连通域标记是将二值图像中各个连通域的像素用唯一的标记值进行标记,以区别图像中其他的连通域。通过连通域标记处理,一个二值图像将被转化成为标记图像。例如,图2是图1的标记图像。因此,连通域标记之后,我们可以通过标记值提取已标记图像中的每一个物体,然后进一步计算物体的形状特征。对于乳状液图像而言,可以统计液滴个数,计算液滴面积、液滴粒径等。
本发明原油乳状液粒径检测方法由三个步骤组成。第一步,要对所得原油乳状液显微图片进行滤波处理,去除噪声,并对滤波后的图像进行二值化;第二步,通过连通域标记算法对原油乳状液图像中所有液滴进行标记;第三步,分析已标记图像,统计液滴个数,计算液滴粒径和平均粒径及其分布。参见图6,本发明检测方法流程图,检测方法具体描述如下。
步骤1:获取原油乳状液显微图像,如图7所示,采用中值滤波算法对乳状液图像进行滤波处理,如图8所示,采用全局阈值Otsu算法对乳状液图像进行二值化处理,如图9所示,得到乳状液二值图像。
步骤2:获取乳状液二值图像后,用“0”代表背景像素,用“1”代表前景像素(目标像素),用数组存放“0”、“1”表示像素类别的原油乳状液二值图像,并为步骤1所得乳状液二值图像四周增加一圈背景像素,并标记所有像素为背景像素。
步骤3:逐行扫描乳状液二值图像,并检测当前像素b(x,y)周围左方b(x-1,y)、左上方b(x-1,y-1)、上方b(x,y-1)、右上方b(x+1,y-1)四个像素的值,把这5个像素所在的区域称之为工作面,如图3所示。
步骤4:若当前像素为前景像素,则标记当前像素一个大于0的值作为该像素的标记值,该标记值不能和已标记的其他连通域标记值重复;若当前像素为背景像素,则不用标记,在标记数组中用“0”代替。
步骤5:若当前像素为前景像素,在标记时,如果存在该像素上方像素为“0”,左方像素和右上方像素为“1”,如图4所示,或左上方像素和右上方像素为“1”时,如图5所示,则取当前像素左方、右上方,或左上方、右上方较小的标记值标记当前像素,并重新遍历已经扫描的像素,将所有已扫描像素中标记值等于较大标记值的像素标记值全部替换为较小标记值,此过程为原油乳状液连通域标记与连通域等价标记替换过程。
步骤6:若不属于步骤4和步骤5之情形的,即当前像素左方、左上方、上方、右上方四个像素中有至少一个像素为“1”时,那么取其四个像素中标记值最小的数作为当前像素的标记值。
步骤7:乳状液二值图像扫描并标记结束后,统计保存连通域标记值的数组,获得标记图像及图像中物体(液滴)的个数L。计算获得标记图像中的各个液滴Y[i](i=1,2,3,…,L)的面积和周长。由于液滴基本为圆形,可以通过下列公式(1)计算液滴Y[i]的粒径。
其中,D[i]为液滴Y[i]的粒径;A[i]为液滴Y[i]的面积;P[i]为液滴Y[i]的周长。
步骤8:根据原油乳状液图像的解像度(分辨率)和显微镜的放大倍数,液滴Y[i]的实际粒径可由下列公式(2)计算,单位为μm(微米)。
其中,d[i]为液滴Y[i]的实际粒径;H为图像高度;W为图像宽度;DPIH为图像垂直分辨率;DPIW为图像水平分辨率;n为图像中单个液滴所含像素数;N为图像中像素总数;m1为显微镜物镜放大倍数;m2为显微镜目镜放大倍数。
步骤9:原油乳状液中液滴的平均粒径可由下列公式(3)计算。
式中,d为平均液滴粒径;d[i]为第i个液滴实际粒径;L为液滴总数。
步骤10:按照液滴实际粒径大小排序,可以统计液滴粒径大小分布,以柱状图或曲线图的形式表示。
通过上述方法可得结果:图5所示乳状液图像中共有117个液滴,平均粒径为2.2μm,其液滴径分布如图10所示。
在示例性实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述原油乳状液粒径检测方法的步骤。其中,所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中,还提供了一种纠原油乳状液粒径检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述原油乳状液粒径检测方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
背景中提供的间接液滴粒径计算方法,其准确率高低与液滴迁移速度有很大的关系,迁移速度计算准确率高,则平均粒径计算准确率高,反之准确率低。直接方法虽未给出具体实现过程和伪代码,但根据所给方法简单思路编写程序,经过对比发现,该方法的准确率不高。因为受乳状液液滴形状或拍摄过程偏差影响,液滴并非完全都是标准圆形形状,除了其所属一种情况外,还可能出现其他情况,如一个液滴最左、最右、最上、最下处可能出现2个或2个以上多个像素,且排列组合后形成多种情况。因此,仅通过上述一种情况判断是否为液滴,准确率不高。而本发明提出原油乳状液粒径检测方法从另外一个角度识别液滴,方法准确性显著提高,不仅可以计算平均粒径,还可以计算每个液滴粒径、统计液滴分布等。
本发明提供的检测方法对于一个N×N的乳状液二值图像,其算法在最坏情况下的时间复杂度为O(n2);因为需要创建2个N×N/4大小的数组分别用来记录每个连通域标记值和每个连通域像素个数,所以内存空间大小需要N2/2。背景中介绍的方法在最坏情况下的时间复杂度为O(n2),同本发明一样;因为需要记录每个液滴4个方位的位置,并且需要统计液滴个数和每个液滴所含像素个数,因此,内存空间大小需要3×N2/2,比本发明多占用3倍内存空间。基于液滴迁移速度的液滴粒径间接测量方法不需要编写程序,不需要分析复杂度。因此,本发明提出的原油乳状液粒径检测方法可提供准确的计算结果,且占用较小的内存空间。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (6)
1.一种原油乳状液粒径检测方法,其特征在于,包括以下步骤:
S1:将原油乳状液显微图进行滤波处理和二值化处理,得到乳状液二值图像;
S2:通过连通域标记法标记乳状液二值图像中所有连通域,一个连通域对应一个液滴;具体方法为:
S201:将乳状液二值图像添加一圈一像素宽度的背景像素;
S202:逐行扫描乳状液二值图像的每个像素,通过连通域标记法采用不同的标记值标记乳状液二值图像的每个连通域,一个连通域对应一个液滴;具体方法为:
S202-1:逐行扫描乳状液二值图像的每个像素,并检测当前像素的像素类型;初始化标记值为1;
S202-2:当当前像素为前景像素为时,采用当前标记值标记当前像素,标记值加1,并检测当前像素的左方像素、左上方像素、上方像素和右上方像素的像素类型;否则,进行S202-7;
S202-3:当当前像素的上方像素为背景像素且左方像素和右上方像素为前景像素时,取当前像素的左方像素和右上方像素的标记值中最小的标记值重新标记当前像素;标记值减1;否则,进行S202-4;
S202-4:当当前像素的上方像素为背景像素且左上方像素和右上方像素为前景像素时,取当前像素的左上方像素和右上方像素的标记值中最小的标记值重新标记当前像素;标记值减1;否则,进行S202-5;
S202-5:当当前像素的左方像素、左上方像素、上方像素和右上方像素中至少有一个像素为前景像素时,取当前像素的左方像素、左上方像素、上方像素和右上方像素的标记值中最小的标记值重新标记当前像素;标记值减1;
S202-6:每标记一个像素均重新遍历已扫描的像素;
S202-7:当当前像素为背景像素时,采用0标记当前像素;
S202-8:所有标记值相同的像素组成一个连通域,一个连通域对应一个液滴;
S3:通过统计每个已标记连通域内部和边缘包含的像素个数,分别得到每个连通域对应液滴的面积和周长,通过液滴的面积和周长得到液滴粒径。
2.根据权利要求1所述的原油乳状液粒径检测方法,其特征在于,所述S1的具体方法为:
将原油乳状液显微图通过中值滤波算法进行滤波处理,然后通过全局阈值Otsu算法进行二值化处理,得到乳状液二值图像。
5.一种原油乳状液粒径检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911024998.8A CN110736688B (zh) | 2019-10-25 | 2019-10-25 | 一种原油乳状液粒径检测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911024998.8A CN110736688B (zh) | 2019-10-25 | 2019-10-25 | 一种原油乳状液粒径检测方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110736688A CN110736688A (zh) | 2020-01-31 |
CN110736688B true CN110736688B (zh) | 2022-04-01 |
Family
ID=69271441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911024998.8A Active CN110736688B (zh) | 2019-10-25 | 2019-10-25 | 一种原油乳状液粒径检测方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110736688B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112945963A (zh) * | 2021-02-01 | 2021-06-11 | 中国石油大学(北京) | 观测样品和观测方法 |
CN115375685B (zh) * | 2022-10-25 | 2023-03-24 | 临沂天元混凝土工程有限公司 | 用于混凝土原料中的砂石粒径异常检测方法 |
CN115715994B (zh) * | 2022-11-18 | 2023-11-21 | 深圳大学 | 一种图像激发超微注射方法、系统及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620060A (zh) * | 2009-08-13 | 2010-01-06 | 上海交通大学 | 颗粒大小分布自动检测方法 |
CN103065314A (zh) * | 2012-12-28 | 2013-04-24 | 中国电子科技集团公司第五十四研究所 | 一种基于线描述子的图像连通域快速标记方法 |
CN104034637A (zh) * | 2014-06-26 | 2014-09-10 | 芜湖哈特机器人产业技术研究院有限公司 | 基于机器视觉的金刚线颗粒在线质检装置 |
CN104089857A (zh) * | 2014-07-03 | 2014-10-08 | 天津大学 | 一种油滴尺寸测量方法 |
CN105261049A (zh) * | 2015-09-15 | 2016-01-20 | 重庆飞洲光电技术研究院 | 一种图像连通区域快速检测方法 |
CN105404869A (zh) * | 2015-11-20 | 2016-03-16 | 陕西科技大学 | 一种基于计算机视觉的水果外形分级方法 |
CN107067400A (zh) * | 2016-11-30 | 2017-08-18 | 南京航空航天大学 | 一种基于游程的二值图像连通区域标记方法 |
CN109146908A (zh) * | 2018-07-25 | 2019-01-04 | 安徽师范大学 | 一种二值图像流快速连通域标记算法 |
CN109598715A (zh) * | 2018-12-05 | 2019-04-09 | 山西镭谱光电科技有限公司 | 基于机器视觉的物料粒度在线检测方法 |
US10430943B2 (en) * | 2016-10-07 | 2019-10-01 | Sony Corporation | Automated nuclei area/number estimation for IHC image analysis |
-
2019
- 2019-10-25 CN CN201911024998.8A patent/CN110736688B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620060A (zh) * | 2009-08-13 | 2010-01-06 | 上海交通大学 | 颗粒大小分布自动检测方法 |
CN103065314A (zh) * | 2012-12-28 | 2013-04-24 | 中国电子科技集团公司第五十四研究所 | 一种基于线描述子的图像连通域快速标记方法 |
CN104034637A (zh) * | 2014-06-26 | 2014-09-10 | 芜湖哈特机器人产业技术研究院有限公司 | 基于机器视觉的金刚线颗粒在线质检装置 |
CN104089857A (zh) * | 2014-07-03 | 2014-10-08 | 天津大学 | 一种油滴尺寸测量方法 |
CN105261049A (zh) * | 2015-09-15 | 2016-01-20 | 重庆飞洲光电技术研究院 | 一种图像连通区域快速检测方法 |
CN105404869A (zh) * | 2015-11-20 | 2016-03-16 | 陕西科技大学 | 一种基于计算机视觉的水果外形分级方法 |
US10430943B2 (en) * | 2016-10-07 | 2019-10-01 | Sony Corporation | Automated nuclei area/number estimation for IHC image analysis |
CN107067400A (zh) * | 2016-11-30 | 2017-08-18 | 南京航空航天大学 | 一种基于游程的二值图像连通区域标记方法 |
CN109146908A (zh) * | 2018-07-25 | 2019-01-04 | 安徽师范大学 | 一种二值图像流快速连通域标记算法 |
CN109598715A (zh) * | 2018-12-05 | 2019-04-09 | 山西镭谱光电科技有限公司 | 基于机器视觉的物料粒度在线检测方法 |
Non-Patent Citations (3)
Title |
---|
The connected-component labeling problem_ A review of state-of-the-art algorithms;Lifeng He;《J Real-Time Image Proc》;20160802;1277–1287 * |
基于计算机视觉的纸张填料粒径分析方法;姚斌 等;《中国造纸》;20190831;第38卷(第8期);46-50 * |
基于连通域算法的区域测量;李仪芳;《科学技术与工程》;20080531;2492-2494 * |
Also Published As
Publication number | Publication date |
---|---|
CN110736688A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110736688B (zh) | 一种原油乳状液粒径检测方法、装置及可读存储介质 | |
Hoang et al. | Image processing–based classification of asphalt pavement cracks using support vector machine optimized by artificial bee colony | |
Wu et al. | Automatic classification of ovarian cancer types from cytological images using deep convolutional neural networks | |
Vogt et al. | Mapping spatial patterns with morphological image processing | |
EP3624053B1 (en) | Image analysis device | |
Lindblad et al. | Image analysis for automatic segmentation of cytoplasms and classification of Rac1 activation | |
JP2017521779A (ja) | 画像解析を用いた核のエッジの検出 | |
Koyuncu et al. | Iterative h‐minima‐based marker‐controlled watershed for cell nucleus segmentation | |
Paulik et al. | An optimized image analysis algorithm for detecting nuclear signals in digital whole slides for histopathology | |
CN108038481A (zh) | 一种结合最大极值稳定区域和笔画宽度变化的文本定位方法 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
US8582861B2 (en) | Method and apparatus for segmenting biological cells in a picture | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
WO2021000948A1 (zh) | 配重重量的检测方法与系统、获取方法与系统及起重机 | |
Lim et al. | Color and morphological based techniques on white blood cells segmentation | |
CN112580447A (zh) | 一种基于边缘二阶统计与融合的电力线检测方法 | |
CN107369149B (zh) | 目标物体的检测装置及方法 | |
Ganapathy et al. | A Malaysian vehicle license plate localization and recognition system | |
CN116868226A (zh) | 图像中注释的感兴趣区域的检测 | |
Hodneland et al. | Automated detection of tunneling nanotubes in 3D images | |
Khan et al. | Segmentation approach towards phase-contrast microscopic images of activated sludge to monitor the wastewater treatment | |
CN116452809A (zh) | 一种基于语义分割的线条物体提取方法 | |
Deivalakshmi et al. | Detection of table structure and content extraction from scanned documents | |
Elter et al. | Maximum-intensity-linking for segmentation of fluorescence-stained cells | |
US20070202519A1 (en) | Domain segmentation and analysis |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230524 Address after: 710000 Room 1314, Block D, Haibo Plaza, Fengcheng 9th Road, Xi'an Economic and Technological Development Zone, Shaanxi Province Patentee after: Xi'an Zhonghuixin Quality Testing Technology Co.,Ltd. Address before: 710021 Shaanxi province Xi'an Weiyang University Park Patentee before: SHAANXI University OF SCIENCE & TECHNOLOGY |