CN112070788A - 基于分块梯度分割的快速统计形变孪晶的图像处理方法 - Google Patents
基于分块梯度分割的快速统计形变孪晶的图像处理方法 Download PDFInfo
- Publication number
- CN112070788A CN112070788A CN202010915908.0A CN202010915908A CN112070788A CN 112070788 A CN112070788 A CN 112070788A CN 202010915908 A CN202010915908 A CN 202010915908A CN 112070788 A CN112070788 A CN 112070788A
- Authority
- CN
- China
- Prior art keywords
- image
- processing method
- value
- gradient
- theta
- 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.)
- Granted
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于分块梯度分割的快速统计形变孪晶的图像处理方法,对图像进行包括灰度化处理、滤波处理的预处理;将图像分块,确定小块图像纹理的主方向,判断并获取小块图像x方向或y方向像素灰度值的梯度值,设置梯度值阈值将小块图像二值化并将小块图像重组为完整二值图像;设置面积阈值去除面积较小的杂质,然后设置连通域的外接最小矩形的长宽比去除非长条形的杂质得到最后处理图像。本发明是基于分块加梯度分割的图像处理方法,能够快速便捷且有效地表征计算变形孪晶的体积分数,避免了人工误差,解决了数据量大、难以进行高效精确处理图像的问题。
Description
技术领域
本发明属于图像处理技术领域,具体涉及基于分块梯度分割的快速统计形变孪晶的图像处理方法。
背景技术
近些年来随着计算机的不断发展,图像处理技术已经成为科学研究中的重要领域,图像处理其中重要的一部分就是对显微图像的处理。
TWIP(孪晶诱发塑性)钢具有高强度、良好延展性以及出色的成形性和能量吸收能力,这些优异的性能使其在汽车工业、造船和油气勘探等领域有十分潜在的应用价值。而其优异性能来源于形变孪晶实现的高应变硬化。由于形变孪晶的体积分数在TWIP钢中的力学行为的研究中非常重要,因此形变孪晶体积分数的定量表征具有重要意义。
形变孪晶的定量分析主要基于通过SEM,EBSD和TEM获得的微观结构图像。通常,将基于图像处理方法的形变孪晶的面积分数称为形变孪晶的体积分数。目前,可通过一种人工手绘增强SEM或者EBSD图像中的形变孪晶对比度,然后基于阈值分割的图像处理方法来测量形变孪晶的体积分数。但是,在前期的人工增强步骤,处理一张图像会花费研究人员大量时间和精力,尤其是在较大的孪晶体积分数下,这种方法可能会由于手动绘制而产生较大的测量误差。此外,还有一种通用的网格法来定量表征形变孪晶的体积分数。网格法是在包含形变孪晶的图像上截取一个矩形区域,然后在图像上制作等距的网格,通过测量带有形变孪晶的网格占总网格数的比例来估算形变孪晶的体积分数。但是,该方法需要花费大量时间来统计形变孪晶与网格相交的数量,并且可能会在处理图像时引起较大的人为误差。因此,上述的图像处理方法,在实际运用中都存在工作量大、难以大量处理以及人工误差等一系列问题,这些缺点对于我们准确定量地分析孪晶图像产生了限制。
发明内容
本发明要解决的技术问题是:提供基于分块梯度分割的快速统计形变孪晶的图像处理方法,用于针对识别显微图像中的特定物体即形变孪晶。
本发明为解决上述技术问题所采取的技术方案为:基于分块梯度分割的快速统计形变孪晶的图像处理方法,包括以下步骤:
S1:对图像进行预处理像;
S2:采用分块和梯度分割方法处理步骤S1得到的图像;
S3:去除杂质得到处理后的图像。
按上述方案,所述的步骤S1中,具体步骤为:
S11:对图像进行灰度化处理,得到每个像素的灰度值在0-255的图像;
S12:对步骤S11得到的图像进行滤波处理。
进一步的,所述的步骤S12中采用双边滤波器进行滤波处理,通过结合图像的空间邻近度和像素值相似度,同时考虑空域信息和灰度相似性,用于去噪并保护图像的边缘。
按上述方案,所述的步骤S2中,具体步骤为:
S21:将步骤S1得到的图像分块得到小块图像;
S22:确定小块图像的纹理的主方向;
S23:判断使用x方向或y方向的梯度值,获取小块图像的x方向或y方向像素灰度值的梯度值;
S24:设置梯度值阈值将小块图像二值化,并将二值化的小块图像重组为完整二值图像。
进一步的,所述的步骤S22中,小块图像的方向系数根据目标边缘纹理的方向确定。
进一步的,确定小块图像的方向系数的具体步骤为:对小块图像进行边缘算子检测得到边缘图像,根据边缘图像得到对应的功率谱,将功率谱转化为对应的(r,θ)极坐标图,固定θ,对r求和得到P(θ),搜索θ得到P(θ)的最大值,则对应的θ为主方向。
进一步的,所述的步骤S23中,判断使用x或y方向的梯度值的具体步骤为:当θ在45°到135°之间时,选择x方向的梯度值;当θ在0°到45°或135°到180°之间时,选择y方向的梯度值。
按上述方案,所述的步骤S3中,具体步骤为:
S31:设置面积阈值去除面积较小的杂质;
S32:设置连通域的外接最小矩形的长宽比去除非长条形的杂质,得到处理后的图像。
本发明的有益效果为:
1.本发明的基于分块梯度分割的快速统计形变孪晶的图像处理方法通过分块加梯度分割的图像处理方法,相比于传统的对整体图像的直接处理另辟蹊径,快速便捷且有效地表征了计算形变孪晶的体积分数,避免了人工误差,解决了处理数据量大、难以高效精确统计形变孪晶的问题,克服了现有图像处理技术在形变孪晶图像识别中存在的技术缺陷,实现了针对识别显微图像中的特定物体即形变孪晶的功能。
2.本发明满足了定量统计分析形变孪晶的需求。
3.本发明不需要人工主观处理,避免了人工主观误差,所有步骤均由计算机处理完成,减少了工作量。
4.本发明的图像处理方法不受目标与背景对比度不强、形变孪晶分布密集且数量较多等因素的限制,应用于对形变孪晶的统计与分析,具有简单高效以及误差小的特点,具有很高的实际应用价值。
附图说明
图1是本发明实施例的流程图。
图2为本发明实施例的TWIP钢在两种应变状态下的金相对比图。
图3为本发明实施例的TWIP钢拉伸3%状态的金相图的某一分块、分块的方向因子-功率谱示例图和分块的梯度分割处理结果图。
图4为本发明实施例的TWIP钢在两种应变状态下的经分块梯度分割图像处理后的效果图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1,本发明的基于分块梯度分割的快速统计形变孪晶的图像处理方法,包括以下步骤:
S1:图像的预处理:
S11:对图像进行灰度化处理;
S12:对图像进行滤波处理;
S2:采用分块和梯度分割方法处理图像:
S21:将图像分块;
S22:确定小块图像的纹理的主方向;小块图像的方向系数根据目标边缘纹理的方向确定,具体步骤为:将所得小块灰度图像进行边缘算子检测,利用边缘图像得到对应的功率谱,将功率谱转化为对应的(r,θ)极坐标图,固定θ,对r求和得到P(θ),搜索θ得到P(θ)的最大值,对应的θ即为主方向;
S23:判断使用x方向或y方向的梯度值,获取所需要的小块图像的x方向或y方向像素灰度值的梯度值;判断使用x或y方向的梯度值的具体步骤为:当所确定的θ在45°到135°之间时,选择x方向的梯度值;当所确定的θ在0°到45°或135°到180°之间时,选择y方向的梯度值;
S24:设置梯度值阈值将小块图像二值化,并将二值化的小块图像重组为完整二值图像;
S3:去除杂质得到处理后的图像:
S31:设置面积阈值去除面积较小的杂质;
S32:设置连通域的外接最小矩形的长宽比去除非长条形的孪晶杂质,得到处理后的图像。
参见图2分别为一种TWIP(孪晶诱发塑性)钢拉伸3%的金相图与TWIP钢在100J能量下冲击100次后状态的形变孪晶的金相图,均为RGB图像,对上述图像进行灰度化处理,即将其变换为每个像素的灰度值在0-255的图像。本发明的实施例采用了双边滤波器进行滤波处理,它是结合图像的空间邻近度和像素值相似度的一种折衷处理,同时考虑空域信息和灰度相似性,达到去噪并保护边缘的目的。
参见图3分别为TWIP钢拉伸3%状态的金相图的某一分块、分块的方向因子-功率谱示例图和分块的梯度分割处理结果图;本发明实施例对预处理后的图像进行分块梯度分割的二值化处理,将预处理后的图像切割为3×3大小的小块图像;根据确定图像方向系数的步骤对所得的小块灰度图像进行边缘算子检测,利用边缘图像得到其对应的功率谱,将功率谱转化为对应的(r,θ)极坐标图,固定θ,对r求和得到P(θ),根据搜索θ得到的最大值P(θ),则该θ即为主方向;图3的分块根据方向因子-功率谱图确定其方向因子为20时达到峰值,即主方向为100°,θ在45°到135°之间,最后确定对图3的分块使用x方向梯度;本发明实施例中对梯度分割设置阈值z=1,对小块图像进行二值化处理后得到图3的分块的梯度分割处理结果图;在对所有分块图像完成二值化处理后,将分块合并为完整的二值化图像。
参见图4分别为TWIP钢拉伸3%状态的经分块梯度分割图像处理后的效果图与TWIP钢在100J能量下冲击100次后状态的经分块梯度分割图像处理后的效果图;本发明实施例中设置面积阈值为300,进行面积阈值的去噪处理;然后进行连通域长宽比阈值的去噪处理,最后得到处理的效果图图4。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (8)
1.基于分块梯度分割的快速统计形变孪晶的图像处理方法,其特征在于:包括以下步骤:
S1:对图像进行预处理像;
S2:采用分块和梯度分割方法处理步骤S1得到的图像;
S3:去除杂质得到处理后的图像。
2.根据权利要求1所述的图像处理方法,其特征在于:所述的步骤S1中,具体步骤为:
S11:对图像进行灰度化处理,得到每个像素的灰度值在0-255的图像;
S12:对步骤S11得到的图像进行滤波处理。
3.根据权利要求2所述的图像处理方法,其特征在于:所述的步骤S12中采用双边滤波器进行滤波处理,通过结合图像的空间邻近度和像素值相似度,同时考虑空域信息和灰度相似性,用于去噪并保护图像的边缘。
4.根据权利要求1所述的图像处理方法,其特征在于:所述的步骤S2中,具体步骤为:
S21:将步骤S1得到的图像分块得到小块图像;
S22:确定小块图像的纹理的主方向;
S23:判断使用x方向或y方向的梯度值,获取小块图像的x方向或y方向像素灰度值的梯度值;
S24:设置梯度值阈值将小块图像二值化,并将二值化的小块图像重组为完整二值图像。
5.根据权利要求4所述的图像处理方法,其特征在于:所述的步骤S22中,小块图像的方向系数根据目标边缘纹理的方向确定。
6.根据权利要求5所述的图像处理方法,其特征在于:确定小块图像的方向系数的具体步骤为:对小块图像进行边缘算子检测得到边缘图像,根据边缘图像得到对应的功率谱,将功率谱转化为对应的(r,θ)极坐标图,固定θ,对r求和得到P(θ),搜索θ得到P(θ)的最大值,则对应的θ为主方向。
7.根据权利要求6所述的图像处理方法,其特征在于:所述的步骤S23中,判断使用x或y方向的梯度值的具体步骤为:当θ在45°到135°之间时,选择x方向的梯度值;当θ在0°到45°或135°到180°之间时,选择y方向的梯度值。
8.根据权利要求1所述的图像处理方法,其特征在于:所述的步骤S3中,具体步骤为:
S31:设置面积阈值去除面积较小的杂质;
S32:设置连通域的外接最小矩形的长宽比去除非长条形的杂质,得到处理后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915908.0A CN112070788B (zh) | 2020-09-03 | 2020-09-03 | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915908.0A CN112070788B (zh) | 2020-09-03 | 2020-09-03 | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070788A true CN112070788A (zh) | 2020-12-11 |
CN112070788B CN112070788B (zh) | 2023-03-10 |
Family
ID=73665431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010915908.0A Active CN112070788B (zh) | 2020-09-03 | 2020-09-03 | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070788B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906641A (zh) * | 2021-03-19 | 2021-06-04 | 北京科技大学 | 一种ebsd金相图像晶粒识别方法及装置 |
CN113592748A (zh) * | 2021-07-06 | 2021-11-02 | 武汉工程大学 | 基于定量表征形变孪晶体积分数的图像处理方法与装置 |
CN114419074A (zh) * | 2022-03-25 | 2022-04-29 | 青岛大学附属医院 | 4k医疗影像处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080304764A1 (en) * | 2007-06-06 | 2008-12-11 | Microsoft Corporation | Removal of image artifacts from sensor dust |
CN105740843A (zh) * | 2016-03-02 | 2016-07-06 | 成都翼比特自动化设备有限公司 | 基于图像识别技术的绝缘子完全分割算法 |
CN106954065A (zh) * | 2017-03-01 | 2017-07-14 | 西安电子科技大学 | 基于梯度方向直方图的递归预测图像压缩方法 |
CN107452002A (zh) * | 2016-05-31 | 2017-12-08 | 百度在线网络技术(北京)有限公司 | 一种图像分割方法及装置 |
CN109934802A (zh) * | 2019-02-02 | 2019-06-25 | 浙江工业大学 | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 |
CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
-
2020
- 2020-09-03 CN CN202010915908.0A patent/CN112070788B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080304764A1 (en) * | 2007-06-06 | 2008-12-11 | Microsoft Corporation | Removal of image artifacts from sensor dust |
CN105740843A (zh) * | 2016-03-02 | 2016-07-06 | 成都翼比特自动化设备有限公司 | 基于图像识别技术的绝缘子完全分割算法 |
CN107452002A (zh) * | 2016-05-31 | 2017-12-08 | 百度在线网络技术(北京)有限公司 | 一种图像分割方法及装置 |
CN106954065A (zh) * | 2017-03-01 | 2017-07-14 | 西安电子科技大学 | 基于梯度方向直方图的递归预测图像压缩方法 |
CN109934802A (zh) * | 2019-02-02 | 2019-06-25 | 浙江工业大学 | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 |
CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
张成梁等: "基于颜色和形状特征的机采棉杂质识别方法", 《农业机械学报》, no. 07, 12 May 2016 (2016-05-12) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906641A (zh) * | 2021-03-19 | 2021-06-04 | 北京科技大学 | 一种ebsd金相图像晶粒识别方法及装置 |
CN112906641B (zh) * | 2021-03-19 | 2023-08-18 | 北京科技大学 | 一种ebsd金相图像晶粒识别方法及装置 |
CN113592748A (zh) * | 2021-07-06 | 2021-11-02 | 武汉工程大学 | 基于定量表征形变孪晶体积分数的图像处理方法与装置 |
CN113592748B (zh) * | 2021-07-06 | 2023-11-17 | 武汉工程大学 | 基于定量表征形变孪晶体积分数的图像处理方法与装置 |
CN114419074A (zh) * | 2022-03-25 | 2022-04-29 | 青岛大学附属医院 | 4k医疗影像处理方法 |
CN114419074B (zh) * | 2022-03-25 | 2022-07-12 | 青岛大学附属医院 | 4k医疗影像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112070788B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070788B (zh) | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 | |
CN104880389B (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 | |
CN111583227A (zh) | 一种荧光细胞自动计数方法、装置、设备和介质 | |
CN107742291A (zh) | 一种光伏玻璃的缺陷检测方法及装置 | |
CN111860176B (zh) | 一种非金属夹杂全视场定量统计分布表征方法 | |
CN113030244A (zh) | 输电线塔架腐蚀缺陷漏磁检测信号反演成像方法及系统 | |
Sun et al. | Research on fatigue crack growth detection of M (T) specimen based on image processing technology | |
CN115272225A (zh) | 一种基于对抗学习网络的带钢表面缺陷检测方法及系统 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN113240620B (zh) | 基于点标记的高度黏连和多尺寸脑神经元自动分割方法 | |
CN116596922B (zh) | 一种太阳能热水器生产质量检测方法 | |
CN111563455B (zh) | 基于时间序列信号和压缩卷积神经网络的伤损识别方法 | |
Phinyomark et al. | Texture analysis of breast cancer cells in microscopic images using critical exponent analysis method | |
CN113592748B (zh) | 基于定量表征形变孪晶体积分数的图像处理方法与装置 | |
CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
CN114913440A (zh) | 一种无人机巡检图像边界特征精准定位方法 | |
Jacobs et al. | Performance, successes and limitations of deep learning semantic segmentation of multiple defects in transmission electron micrographs | |
CN104616264B (zh) | 基因芯片图像的自动对比度增强方法 | |
CN113688669A (zh) | 一种水电机组振动信号能量特征识别方法 | |
CN107590824B (zh) | 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法 | |
EP3588435B1 (en) | Image processing method, computer program and recording medium | |
Jiang et al. | A fast weld region segmentation method with noise removal | |
Xu et al. | A CNN-based edge detection algorithm for remote sensing image | |
Wang et al. | Pedestrian wind flow prediction using spatial-frequency generative adversarial network | |
Lu et al. | Research on the segmentation method of surface defects of galvanised sheet under complex texture background |
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 |