CN114638958A - 一种多特征融合的三元正极材料粗糙度提取方法及装置 - Google Patents

一种多特征融合的三元正极材料粗糙度提取方法及装置 Download PDF

Info

Publication number
CN114638958A
CN114638958A CN202210250194.5A CN202210250194A CN114638958A CN 114638958 A CN114638958 A CN 114638958A CN 202210250194 A CN202210250194 A CN 202210250194A CN 114638958 A CN114638958 A CN 114638958A
Authority
CN
China
Prior art keywords
sem image
gray level
entropy
image
cathode material
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
CN202210250194.5A
Other languages
English (en)
Inventor
陈宁
刘洪臻
阳春华
桂卫华
陈致蓬
李天亦
刘红杰
徐磊
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 CN202210250194.5A priority Critical patent/CN114638958A/zh
Publication of CN114638958A publication Critical patent/CN114638958A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种多特征融合的三元正极材料SEM图像粗糙度提取方法及装置，通过获取三元正极材料在不同烧结温度下的SEM图像，对获取的SEM图像进行预处理；使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示；采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取；将提取的分形维数与纹理特征进行融合，得到多特征融合的三元正极材料SEM图像的粗糙度。本发明提出了使用分形维数和信息熵结合的方式来表征三元正极材料的粗糙度，实现了对SEM图像纹理特征的提取，多种方式提取的特征量形成互补，使得SEM图像粗糙度提取更加全面、有效。

Description

一种多特征融合的三元正极材料粗糙度提取方法及装置
技术领域
本发明涉及图像处理技术领域，尤其公开了一种多特征融合的三元正极材料SEM图像粗糙度提取方法及装置。
背景技术
新能源技术不断发展，对锂离子电池的需求也越来越高。2021年，我国新能源汽车产业快速发展，销量达352.1万辆，连续7年居世界首位。为了满足日益增长的需要，研究具有高性能的电池正极材料成为近年来的重要任务。三元正极材料，特别是富镍三元正极材料的产能和市场占比正在不断提升，是未来几年最具有潜力的锂离子电池正极材料，受到了极大的关注和广泛的研究。
三元正极材料的性能与其烧结过程密不可分，烧结过程中一种因素的变化都可能使烧结出来的材料不满足要求。因此，对于三元正极材料烧结过程中各种参数的提取与检测也是重中之重。其中，三元正极材料表面粗糙度的变化，是影响成品质量的一个重要因素。
常用于描述纹理特征的主要方法有四种：统计方法、模型方法、结构方法和频谱方法。但是，传统的图像纹理特征提取方法并不能全面的表征正极材料表面粗糙度的变化，因此需要结合多种纹理特征提取方法对正极材料的粗糙度进行更加精确的表征。
因此，现有图像纹理特征提取方法不能全面的表征正极材料表面粗糙度的变化，是一件亟待解决的技术问题。
发明内容
本发明提供了一种多特征融合的三元正极材料SEM图像粗糙度提取方法及装置，旨在解决现有图像纹理特征提取方法不能全面的表征正极材料表面粗糙度的变化的技术问题。
本发明的一方面涉及一种多特征融合的三元正极材料粗糙度提取方法，包括以下步骤：
获取三元正极材料在不同烧结温度下的SEM图像，对获取的 SEM图像进行预处理；
使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示；
采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取；
将提取的分形维数与纹理特征进行融合，得到多特征融合的三元正极材料SEM图像的粗糙度。
进一步地，获取三元正极材料在不同烧结温度下的SEM图像，对获取的SEM图像进行预处理的步骤包括：
对三元正极材料在不同烧结温度下的SEM图像上的标签进行裁剪；
对裁剪标签后的SEM图像中亮度不均匀背景进行提取，再使用裁剪前的原SEM图像减去不均匀背景，得到消除不均匀亮度后的 SEM图像；
对消除不均匀亮度后的SEM图像进行滤波处理，去除SEM图像表面的噪点。
进一步地，使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示的步骤包括：
将输入的SEM图像转换为灰度曲面图像，设f(x，y)为三维空间的曲面，(i，j)表示像素位置，曲面上点的高度为该点对应到图像中所处位置的像素点的灰度值；
假设以曲面中的某一个点作为中心，对于离中心点距离大于r的像素点，使用厚度为2r的平面覆盖，则该曲面的表面积可以通过覆盖平面的上下表面之间的体积除以2r得到，将该平面称为地毯；
假设图像f(x,y)在尺度r下，上下表面分别表示为Ur(x,y)、Br(x， y)，则上下表面可表示为：
U0(x，y)＝B0(x，y)＝f(x，y)
Ur(x，y)＝max{Ur-1(x，y)+1，maxd[(x，y)，(m，n)]≤1[Ur-1(m，n)]}
Br(x，y)＝min{Br-1(x，y)-1}，mind[(x，y)，(m，n)]≤1[Br-1(m，n)]
其中，U0(x，y)为上表面，B0(x，y)为下表面，f(x,y)为三维空间的曲面，d[(x，y)，(m，n)]为点(x,y)到点(m，n)的距离，Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面；
计算地毯覆盖所形成的空间的体积以及曲面的面积分别为：
Vr＝∑x，y[Ur(x，y)-Br(x，y)]
Figure BDA0003544973820000031
其中，Vr为地毯覆盖所形成的空间的体积，Sr为曲面的面积， Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面；
预处理后的SEM图像的分形维数为：
log(Sr)＝(3-D)log(r)+log(c)
其中，Sr为曲面的面积，D为地毯维数，c为常数，r为间隔值。
进一步地，采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取的步骤包括：
采用不同大小的灰度量化级构建三元正极材料SEM图像的灰度共生矩阵，灰度共生矩阵可表示为：
Figure BDA0003544973820000032
其中，P(i，j)为灰度共生矩阵中的点对，f(x,y)表示一幅二维图像， S为图像区域中有特定空间关系的像素对的集合，其尺寸为M*N，灰度级数为G；
从所构建的灰度共生矩阵中提取三元正极材料SEM图像的纹理特征参数熵值Ent，熵值Ent表示图像的信息量，熵值Ent计算公式如下：
Figure BDA0003544973820000033
其中，G表示图像的灰度级数，P(i，j)为灰度共生矩阵中的点对；
选择合适的步长d与生成方向θ，构建灰度共生矩阵P；
对灰度共生矩阵i个方向上的熵值进行计算，得到i个不同方向上的熵值，对其求取均值，得到该SEM图像通过灰度共生矩阵计算出来的熵值；
对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值。
进一步地，对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值的步骤包括：
对计算出的分形维数和熵值先进行归一化处理，再将两者平均融合，公式如下：
D_NORM＝(D-DMIN)/(DMAX-DMIN)
Ent_NORM＝(Ent-EntMIN)/(EntMAX-EntMIN)
R＝(D_NORM+Ent_NORM)/2
其中，D为分形维数，Ent为熵值，R为分形熵值，D_NORM为归一化后的分形维数、Ent_NORM为归一化后的熵值。
本发明的另一方面涉及一种多特征融合的三元正极材料粗糙度提取装置，包括：
获取模块，用于获取三元正极材料在不同烧结温度下的SEM图像，对获取的SEM图像进行预处理；
第一提取模块，用于使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示；
第二提取模块，用于采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取；
融合模块，用于将提取的分形维数与纹理特征进行融合，得到多特征融合的三元正极材料SEM图像的粗糙度。
进一步地，获取模块包括：
裁剪单元，用于对三元正极材料在不同烧结温度下的SEM图像上的标签进行裁剪；
第一提取单元，用于对裁剪标签后的SEM图像中亮度不均匀背景进行提取，再使用裁剪前的原SEM图像减去不均匀背景，得到消除不均匀亮度后的SEM图像；
滤波处理单元，用于对消除不均匀亮度后的SEM图像进行滤波处理，去除SEM图像表面的噪点。
进一步地，第一提取模块包括：
定义单元，用于将输入的SEM图像转换为灰度曲面图像，设f(x,y) 为三维空间的曲面，(i，j)表示像素位置，曲面上点的高度为该点对应到图像中所处位置的像素点的灰度值；
第一假设单元，用于假设以曲面中的某一个点作为中心，对于离中心点距离大于r的像素点，使用厚度为2r的平面覆盖，则该曲面的表面积可以通过覆盖平面的上下表面之间的体积除以2r得到，将该平面称为地毯；
第二假设单元，用于假设图像f(x,y)在尺度r下，上下表面分别表示为Ur(x,y)、Br(x，y)，则上下表面可表示为：
U0(x，y)＝B0(x，y)＝f(x，y)
Ur(x，y)＝max{Ur-1(x，y)+1，maxd[(x，y)，(m，n)]≤1[Ur-1(m，n)]}
Br(x，y)＝min{Br-1(x，y)-1}，mind[(x，y)，(m，n)]≤1[Br-1(m，n)]
其中，U0(x，y)为上表面，B0(x，y)为下表面，f(x,y)为三维空间的曲面，d[(x，y)，(m，n)]为点(x，y)到点(m，n)的距离，Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面；
第一计算单元，用于计算地毯覆盖所形成的空间的体积以及曲面的面积分别为：
Vr＝∑x，y[Ur(x，y)-Br(x，y)]
Figure BDA0003544973820000051
其中，Vr为地毯覆盖所形成的空间的体积，Sr为曲面的面积， Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面；
预处理后的SEM图像的分形维数为：
log(Sr)＝(3-D)log(r)+log(c)
其中，Sr为曲面的面积，D为地毯维数，c为常数，r为间隔值。
进一步地，第二提取模块包括：
第一构建单元，用于采用不同大小的灰度量化级构建三元正极材料SEM图像的灰度共生矩阵，灰度共生矩阵可表示为：
Figure BDA0003544973820000061
其中，P(i，j)为灰度共生矩阵中的点对，f(x，y)表示一幅二维图像， S为图像区域中有特定空间关系的像素对的集合，其尺寸为M*N，灰度级数为G；
第二提取单元，用于从所构建的灰度共生矩阵中提取三元正极材料SEM图像的纹理特征参数熵值Ent，熵值Ent表示图像的信息量，熵值Ent计算公式如下：
Figure BDA0003544973820000062
其中，G表示图像的灰度级数，P(i，j)为灰度共生矩阵中的点对；
第二构建单元，用于选择合适的步长d与生成方向θ，构建灰度共生矩阵P；
第二计算单元，用于对灰度共生矩阵i个方向上的熵值进行计算，得到i个不同方向上的熵值，对其求取均值，得到该SEM图像通过灰度共生矩阵计算出来的熵值；
融合单元，用于对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值。
进一步地，融合单元包括：
处理子单元，用于对计算出的分形维数和熵值先进行归一化处理，再将两者平均融合，公式如下：
D_NORM＝(D-DMIN)/(DMAX-DMIN)
Ent_NORM＝(Ent-EntMIN)/(EntMAX-EntMIN)
R＝(D_NORM+Ent_NORM)/2
其中，D为分形维数，Ent为熵值，R为分形熵值，D_NORM为归一化后的分形维数、Ent_NORM为归一化后的熵值。
本发明所取得的有益效果为：
本发明提供一种多特征融合的三元正极材料SEM图像粗糙度提取方法及装置，通过获取三元正极材料在不同烧结温度下的SEM图像，对获取的SEM图像进行预处理；使用双毯法提取预处理后的SEM 图像的分形特征，并用分形维数表示；采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取；将提取的分形维数与纹理特征进行融合，得到多特征融合的三元正极材料SEM图像的粗糙度。本发明提供的多特征融合的三元正极材料SEM图像粗糙度提取方法及装置，提出了使用分形维数和信息熵结合的方式来表征三元正极材料的粗糙度，实现了对SEM图像纹理特征的提取，多种方式提取的特征量形成互补，使得SEM图像粗糙度提取更加全面、有效。
附图说明
图1为本发明提供的多特征融合的三元正极材料SEM图像粗糙度提取方法一实施例的流程示意图；
图2为本发明提供的多特征融合的三元正极材料SEM图像粗糙度提取方法中扫描电子显微镜拍摄的三元正极材料SEM图像；
图3为本发明提供的多特征融合的三元正极材料SEM图像粗糙度提取方法中经过预处理后的SEM图像；
图4为本发明提供的多特征融合的三元正极材料SEM图像粗糙度提取方法中通过双毯法计算出来的分形维数与温度之间的关系；
图5为本发明提供的多特征融合的三元正极材料SEM图像粗糙度提取方法中通过灰度共生矩阵计算出来的熵与温度之间的关系；
图6为本发明提供的多特征融合的三元正极材料SEM图像粗糙度提取方法中表示分形熵值与温度之间的关系；
图7为图1中所示的获取三元正极材料在不同烧结温度下的 SEM图像，对获取的SEM图像进行预处理的步骤的细化流程示意图；
图8为本发明提供的多特征融合的三元正极材料SEM图像粗糙度提取装置一实施例的功能框图；
图9为图8中所示的获取模块一实施例的功能模块示意图；
图10为图8中所示的第一提取模块一实施例的功能模块示意图；
图11为图8中所示的第二提取模块一实施例的功能模块示意图。
附图标号说明：
10、获取模块；20、第一提取模块；30、第二提取模块；40、融合模块；11、裁剪单元；12、第一提取单元；13、滤波处理单元；21、定义单元；22、第一假设单元；23、第二假设单元；24、第一计算单元；31、第一构建单元；32、第二提取单元；33、第二构建单元；34、第二计算单元；35、融合单元。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
如图1至图6所示，本发明第一实施例提出一种本发明的一方面涉及一种多特征融合的三元正极材料粗糙度提取方法，包括以下步骤：
步骤S100、获取三元正极材料在不同烧结温度下的SEM图像，对获取的SEM图像进行预处理。
通过扫描电子显微镜获取不同烧结温度下的SEM图像，对获取的三元正极材料烧结过程中SEM图像进行预处理。
步骤S200、使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示。
对经过预处理后的三元正极材料SEM图进行分形维数计算。分形是具有以非整数形式为填充空间的形态特征，分形维数作为分形的定量表征和基本参数，是分形理论的重要原则。分形维数的大小反映了轮廓空间的复杂性、不规则性、精细和充满空间的程度。在材料科学中，也常采用分形维数表征材料的许多参数。在本实施例中，采用双毯法得到毯维数。
步骤S300、采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取。
对经过预处理后的三元正极材料SEM图进行灰度共生矩阵的提取，获取预处理后的SEM图像的纹理特征。
步骤S400、将提取的分形维数与纹理特征进行融合，得到多特征融合的三元正极材料SEM图像的粗糙度。
对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值，获取多特征融合后的三元正极材料SEM图像的粗糙度。
本实施例提供一种多特征融合的三元正极材料SEM图像粗糙度提取方法，通过获取三元正极材料在不同烧结温度下的SEM图像，对获取的SEM图像进行预处理；使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示；采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取；将提取的分形维数与纹理特征进行融合，得到多特征融合的三元正极材料SEM图像的粗糙度。本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取方法，提出了使用分形维数和信息熵结合的方式来表征三元正极材料的粗糙度，实现了对SEM图像纹理特征的提取，多种方式提取的特征量形成互补，使得SEM图像粗糙度提取更加全面、有效。
进一步地，请见图7，图7为图1中所示的步骤S100的细化流程示意图，在本实施例中，步骤S100包括：
步骤S110、对三元正极材料在不同烧结温度下的SEM图像上的标签进行裁剪。
对SEM图像标签栏进行裁剪，避免不必要的标签信息影响图像特征提取。
步骤S120、对裁剪标签后的SEM图像中亮度不均匀背景进行提取，再使用裁剪前的原SEM图像减去不均匀背景，得到消除不均匀亮度后的SEM图像。
由于扫描电子显微镜在拍摄过程中由于其成像原理可能会导致图片的亮度不均匀，使得图像特征提取不准确，因此对SEM图片亮度不均匀背景进行提取，再使用原片减去不均匀背景，得到消除不均匀亮度后的SEM图像。
步骤S130、对消除不均匀亮度后的SEM图像进行滤波处理，去除SEM图像表面的噪点。
由于图像的噪声在图像获取以及传输的过程中受到了不同随机信号的干扰，可能引起图像模糊、麻点等现象，对接收图像信息有影响，不利于后续图像的定量统计以及图像特征的提取，因此需要对SEM图像进行滤波处理，去除图像表面的噪点。
本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取方法，通过对三元正极材料在不同烧结温度下的SEM图像上的标签进行裁剪；对裁剪标签后的SEM图像中亮度不均匀背景进行提取，再使用裁剪前的原SEM图像减去不均匀背景，得到消除不均匀亮度后的SEM图像；对消除不均匀亮度后的SEM图像进行滤波处理，去除SEM图像表面的噪点。本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取方法，提出了使用分形维数和信息熵结合的方式来表征三元正极材料的粗糙度，实现了对SEM图像纹理特征的提取，多种方式提取的特征量形成互补，使得SEM图像粗糙度提取更加全面、有效。
优选地，参见图1至图7，本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取方法，步骤200包括：
步骤S210、将输入的SEM图像转换为灰度曲面图像，设f(x，y) 为三维空间的曲面，(i，j)表示像素位置，曲面上点的高度为该点对应到图像中所处位置的像素点的灰度值。
步骤S220、假设以曲面中的某一个点作为中心，对于离中心点距离大于r的像素点，使用厚度为2r的平面覆盖，则该曲面的表面积可以通过覆盖平面的上下表面之间的体积除以2r得到，将该平面称为地毯。
步骤S230、假设图像f(x,y)在尺度r下，上下表面分别表示为 Ur(x,y)、Br(x，y)，则上下表面可表示为：
Figure BDA0003544973820000101
在公式(1)中，U0(x，y)为上表面，B0(x，y)为下表面，f(x，y)为三维空间的曲面，d[(x，y)，(m，n)]为点(x,y)到点(m，n)的距离，Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面。
步骤S240、计算地毯覆盖所形成的空间的体积以及曲面的面积分别为：
Vr＝∑x，y[Ur(x，y)-Br(x，y)] (2)
Figure BDA0003544973820000111
在公式(2)中，Vr为地毯覆盖所形成的空间的体积，Sr为曲面的面积，Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面。
预处理后的SEM图像的分形维数为：
log(Sr)＝(3-D)log(r)+log(c) (3)
在公式(3)中，Sr为曲面的面积，D为地毯维数，c为常数，r为间隔值。
通过计算，得到多组点对(Sr，r)，并对直线的斜率进行拟合，得到的斜率就是毯维数D，计算结果如下表1所示：
温度 300 400 500 600 700 800
分形维数 2.457263 2.516393 2.477739 2.457865 2.384669 2.295352
表1
本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取方法，通过将输入的SEM图像转换为灰度曲面图像；假设以曲面中的某一个点作为中心，对于离中心点距离大于r的像素点，使用厚度为2r的平面覆盖，则该曲面的表面积可以通过覆盖平面的上下表面之间的体积除以2r得到，将该平面称为地毯；假设图像f(x,y)在尺度r下，上下表面分别表示为Ur(x,y)、Br(x，y)；计算地毯覆盖所形成的空间的体积以及曲面的面积。本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取方法，提出了使用分形维数和信息熵结合的方式来表征三元正极材料的粗糙度，实现了对SEM图像纹理特征的提取，多种方式提取的特征量形成互补，使得SEM图像粗糙度提取更加全面、有效。
参见图1至图7，本实施例提供的多特征融合的三元正极材料 SEM图像粗糙度提取方法，步骤S300包括：
步骤S310、采用不同大小的灰度量化级构建三元正极材料SEM 图像的灰度共生矩阵，灰度共生矩阵可表示为：
Figure BDA0003544973820000121
在公式(4)中，P(i，j)为灰度共生矩阵中的点对，f(x,y)表示一幅二维图像，S为图像区域中有特定空间关系的像素对的集合，其尺寸为M*N，灰度级数为G。
灰度共生矩阵是用来描述两个拥有空间位置关系的像素的灰度联合分布情况，其反映了图像的灰度空间相关特性。灰度共生矩阵可以反映出图像灰度方向、相邻间隔以及变化幅度的信息。
步骤S320、从所构建的灰度共生矩阵中提取三元正极材料SEM 图像的纹理特征参数熵值Ent，熵值Ent表示图像的信息量，熵值Ent 计算公式如下：
Figure BDA0003544973820000122
在公式(5)中，G表示图像的灰度级数，P(i，j)为灰度共生矩阵中的点对。
对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；而对于纹理变化较快的图像，其灰度共生矩阵对角线上的数值较小，对角线两侧的值较大。由于灰度共生矩阵的数据量较大，一般不直接作为区分纹理的特征，而是基于它构建的一些统计量作为纹理分类特征。
当灰度共生矩阵中所有元素有最大的随机性、共生矩阵中元素分散分布时，熵值较大。熵值表示了图像中纹理的非均匀程度或复杂程度。熵值越大，表示图像纹理越不均匀，图像越复杂。
步骤S330、选择合适的步长d与生成方向θ，构建灰度共生矩阵P。
对于一张灰度图像，在进行灰度共生矩阵计算时，可选择不同的参数，如步长d、生成方向θ，如果选择不同的步长与生成方向，那么得到的纹理特征参数计算结果就会不同。选择合适的步长d与生成方向θ构建灰度共生矩阵P。本实施例中，选择0°、45°、90°、 135°四个方向，步长为2。
步骤S340、对灰度共生矩i个方向上的熵值进行计算，得到i个不同方向上的熵值，对其求取均值，得到该SEM图像通过灰度共生矩阵计算出来的熵值。
通过对灰度共生矩阵4个方向上的熵值进行计算，得到4个不同方向上的熵值，对其求取均值，得到该SEM图像通过灰度共生矩阵计算出来的熵值，结果如下表2所示：
温度 300 400 500 600 700 800
熵值 2.7869 2.9699 2.8007 2.6996 2.6928 2.6838
表2
步骤S350、对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值。
对计算出的分形维数和熵值先进行归一化处理，再将两者平均融合，公式如下：
Figure BDA0003544973820000131
在公式(6)中，D为分形维数，Ent为熵值，R为分形熵值， D_NORM为归一化后的分形维数、Ent_NORM为归一化后的熵值。计算结果如下表3所示：
温度 300 400 500 600 700 800
分形熵值 0.546427 1 0.616862 0.39522 0.217764 0
表3
在结合纹理特征提取方法中的模型方法和统计方法后，计算得出的分形熵值结果更加全面的描述了三元正极材料表面粗糙度的变化，提高了粗糙度评价的精确度，更加切合实际粗糙度变化规律。
本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取方法，通过采用不同大小的灰度量化级构建三元正极材料SEM图像的灰度共生矩阵；所构建的灰度共生矩阵中提取三元正极材料 SEM图像的纹理特征参数熵值Ent；选择合适的步长d与生成方向θ，构建灰度共生矩阵P；对灰度共生矩i个方向上的熵值进行计算，得到i个不同方向上的熵值，对其求取均值，得到该SEM图像通过灰度共生矩阵计算出来的熵值；对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值。本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取方法，提出了使用分形维数和信息熵结合的方式来表征三元正极材料的粗糙度，实现了对SEM图像纹理特征的提取，多种方式提取的特征量形成互补，使得SEM图像粗糙度提取更加全面、有效。
如图8所示，图8为本发明提供的多特征融合的三元正极材料 SEM图像粗糙度提取装置一实施例的功能框图，在本实施例中，该多特征融合的三元正极材料粗糙度提取装置包括获取模块10、第一提取模块20、第二提取模块30和融合模块40，其中，获取模块10，用于获取三元正极材料在不同烧结温度下的SEM图像，对获取的 SEM图像进行预处理；第一提取模块20，用于使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示；第二提取模块30，用于采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取；融合模块40，用于将提取的分形维数与纹理特征进行融合，得到多特征融合的三元正极材料SEM图像的粗糙度。
获取模块10通过扫描电子显微镜获取不同烧结温度下的SEM图像，对获取的三元正极材料烧结过程中SEM图像进行预处理。
第一提取模块20对经过预处理后的三元正极材料SEM图进行分形维数计算。分形是具有以非整数形式为填充空间的形态特征，分形维数作为分形的定量表征和基本参数，是分形理论的重要原则。分形维数的大小反映了轮廓空间的复杂性、不规则性、精细和充满空间的程度。在材料科学中，也常采用分形维数表征材料的许多参数。在本实施例中，采用双毯法得到毯维数。
第二提取模块30对经过预处理后的三元正极材料SEM图进行灰度共生矩阵的提取，获取预处理后的SEM图像的纹理特征。
融合模块40对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值，获取多特征融合后的三元正极材料SEM图像的粗糙度。
本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取装置，通过获取三元正极材料在不同烧结温度下的SEM图像，对获取的SEM图像进行预处理；使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示；采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取；将提取的分形维数与纹理特征进行融合，得到多特征融合的三元正极材料SEM图像的粗糙度。本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取装置，提出了使用分形维数和信息熵结合的方式来表征三元正极材料的粗糙度，实现了对SEM图像纹理特征的提取，多种方式提取的特征量形成互补，使得SEM图像粗糙度提取更加全面、有效。
进一步地，请见图9，图9为图8中所示的获取模块一实施例的功能模块示意图，在本实施例中，获取模块10包括裁剪单元11、第一提取单元12和滤波处理单元13，其中，裁剪单元11，用于对三元正极材料在不同烧结温度下的SEM图像上的标签进行裁剪；第一提取单元12，用于对裁剪标签后的SEM图像中亮度不均匀背景进行提取，再使用裁剪前的原SEM图像减去不均匀背景，得到消除不均匀亮度后的SEM图像；滤波处理单元13，用于对消除不均匀亮度后的 SEM图像进行滤波处理，去除SEM图像表面的噪点。
裁剪单元11对SEM图像标签栏进行裁剪，避免不必要的标签信息影响图像特征提取。
由于扫描电子显微镜在拍摄过程中由于其成像原理可能会导致图片的亮度不均匀，使得图像特征提取不准确，因此第一提取单元 12对SEM图片亮度不均匀背景进行提取，再使用原片减去不均匀背景，得到消除不均匀亮度后的SEM图像。
由于图像的噪声在图像获取以及传输的过程中受到了不同随机信号的干扰，可能引起图像模糊、麻点等现象，对接收图像信息有影响，不利于后续图像的定量统计以及图像特征的提取，因此需要滤波处理单元13对SEM图像进行滤波处理，去除图像表面的噪点。
本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取装置，通过对三元正极材料在不同烧结温度下的SEM图像上的标签进行裁剪；对裁剪标签后的SEM图像中亮度不均匀背景进行提取，再使用裁剪前的原SEM图像减去不均匀背景，得到消除不均匀亮度后的SEM图像；对消除不均匀亮度后的SEM图像进行滤波处理，去除SEM图像表面的噪点。本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取装置，提出了使用分形维数和信息熵结合的方式来表征三元正极材料的粗糙度，实现了对SEM图像纹理特征的提取，多种方式提取的特征量形成互补，使得SEM图像粗糙度提取更加全面、有效。
进一步地，参见图10，图10为图8中所示的第一提取模块一实施例的功能模块示意图，在本实施例中，第一提取模块20包括定义单元21、第一假设单元22、第二假设单元23和第一计算单元24，其中，定义单元21，用于将输入的SEM图像转换为灰度曲面图像，设f(x,y)为三维空间的曲面，(i，j)表示像素位置，曲面上点的高度为该点对应到图像中所处位置的像素点的灰度值。
第一假设单元22，用于假设以曲面中的某一个点作为中心，对于离中心点距离大于r的像素点，使用厚度为2r的平面覆盖，则该曲面的表面积可以通过覆盖平面的上下表面之间的体积除以2r得到，将该平面称为地毯。
第二假设单元23，用于假设图像f(x，y)在尺度r下，上下表面分别表示为Ur(x,y)、Br(x，y)，则上下表面可表示为：
Figure BDA0003544973820000161
在公式(7)中，U0(x，y)为上表面，B0(x，y)为下表面，f(x，y)为三维空间的曲面，d[(x，y)，(m，n)]为点(x,y)到点(m，n)的距离，Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面。
第一计算单元24，用于计算地毯覆盖所形成的空间的体积以及曲面的面积分别为：
Vr＝∑x，y[Ur(x，y)-Br(x，y)] (8)
Figure BDA0003544973820000171
在公式(8)中，Vr为地毯覆盖所形成的空间的体积，Sr为曲面的面积，Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面。
预处理后的SEM图像的分形维数为：
log(Sr)＝(3-D)log(r)+log(c) (9)
在公式(9)中，Sr为曲面的面积，D为地毯维数，c为常数，r为间隔值。
通过计算，得到多组点对(Sr，r)，并对直线的斜率进行拟合，得到的斜率就是毯维数D，计算结果如下表4所示：
温度 300 400 500 600 700 800
分形维数 2.457263 2.516393 2.477739 2.457865 2.384669 2.295352
表4
本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取装置，通过将输入的SEM图像转换为灰度曲面图像；假设以曲面中的某一个点作为中心，对于离中心点距离大于r的像素点，使用厚度为2r的平面覆盖，则该曲面的表面积可以通过覆盖平面的上下表面之间的体积除以2r得到，将该平面称为地毯；假设图像f(x,y)在尺度r下，上下表面分别表示为Ur(x,y)、Br(x，y)；计算地毯覆盖所形成的空间的体积以及曲面的面积。本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取装置，提出了使用分形维数和信息熵结合的方式来表征三元正极材料的粗糙度，实现了对SEM图像纹理特征的提取，多种方式提取的特征量形成互补，使得SEM图像粗糙度提取更加全面、有效。
进一步地，参见图11，图1为图8中所示的第二提取模块一实施例的功能模块示意图，在本实施例中，第二提取模块30包括第一构建单元31、第二提取单元32、第二构建单元33、第二计算单元34 和融合单元35，其中，第一构建单元31，用于采用不同大小的灰度量化级构建三元正极材料SEM图像的灰度共生矩阵，灰度共生矩阵可表示为：
Figure BDA0003544973820000181
在公式(10)中，P(i，j)为灰度共生矩阵中的点对，f(x，y)表示一幅二维图像，S为图像区域中有特定空间关系的像素对的集合，其尺寸为M*N，灰度级数为G。
灰度共生矩阵是用来描述两个拥有空间位置关系的像素的灰度联合分布情况，其反映了图像的灰度空间相关特性。灰度共生矩阵可以反映出图像灰度方向、相邻间隔以及变化幅度的信息。
第二提取单元32，用于从所构建的灰度共生矩阵中提取三元正极材料SEM图像的纹理特征参数熵值Ent，熵值Ent表示图像的信息量，熵值Ent计算公式如下：
Figure BDA0003544973820000182
在公式(11)中，G表示图像的灰度级数，P(i，j)为灰度共生矩阵中的点对。
对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；而对于纹理变化较快的图像，其灰度共生矩阵对角线上的数值较小，对角线两侧的值较大。由于灰度共生矩阵的数据量较大，一般不直接作为区分纹理的特征，而是基于它构建的一些统计量作为纹理分类特征。
当灰度共生矩阵中所有元素有最大的随机性、共生矩阵中元素分散分布时，熵值较大。熵值表示了图像中纹理的非均匀程度或复杂程度。熵值越大，表示图像纹理越不均匀，图像越复杂。
第二构建单元33，用于选择合适的步长d与生成方向θ，构建灰度共生矩阵P。
对于一张灰度图像，在进行灰度共生矩阵计算时，可选择不同的参数，如步长d、生成方向θ，如果选择不同的步长与生成方向，那么得到的纹理特征参数计算结果就会不同。选择合适的步长d与生成方向θ构建灰度共生矩阵P。本实施例中，选择0°、45°、90°、 135°四个方向，步长为2。
第二计算单元34，用于对灰度共生矩阵i个方向上的熵值进行计算，得到i个不同方向上的熵值，对其求取均值，得到该SEM图像通过灰度共生矩阵计算出来的熵值。
通过对灰度共生矩阵4个方向上的熵值进行计算，得到4个不同方向上的熵值，对其求取均值，得到该SEM图像通过灰度共生矩阵计算出来的熵值，结果如下表5所示：
温度 300 400 500 600 700 800
熵值 2.7869 2.9699 2.8007 2.6996 2.6928 2.6838
表5
融合单元35，用于对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值。融合单元 35包括处理子单元，处理子单元，用于对计算出的分形维数和熵值先进行归一化处理，再将两者平均融合，公式如下：
Figure BDA0003544973820000191
在公式(12)中，D为分形维数，Ent为熵值，R为分形熵值， D_NORM为归一化后的分形维数、Ent_NORM为归一化后的熵值。计算结果如下表6所示：
温度 300 400 500 600 700 800
分形熵值 0.546427 1 0.616862 0.39522 0.217764 0
表6
在结合纹理特征提取方法中的模型方法和统计方法后，计算得出的分形熵值结果更加全面的描述了三元正极材料表面粗糙度的变化，提高了粗糙度评价的精确度，更加切合实际粗糙度变化规律。
本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取装置，通过采用不同大小的灰度量化级构建三元正极材料SEM图像的灰度共生矩阵；所构建的灰度共生矩阵中提取三元正极材料SEM图像的纹理特征参数熵值Ent；选择合适的步长d与生成方向θ，构建灰度共生矩阵P；对灰度共生矩i个方向上的熵值进行计算，得到i个不同方向上的熵值，对其求取均值，得到该SEM图像通过灰度共生矩阵计算出来的熵值；对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值。本实施例提供的多特征融合的三元正极材料SEM图像粗糙度提取装置，提出了使用分形维数和信息熵结合的方式来表征三元正极材料的粗糙度，实现了对SEM图像纹理特征的提取，多种方式提取的特征量形成互补，使得SEM图像粗糙度提取更加全面、有效。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种多特征融合的三元正极材料粗糙度提取方法，其特征在于，包括以下步骤：
获取三元正极材料在不同烧结温度下的SEM图像，对获取的SEM图像进行预处理；
使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示；
采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取；
将提取的所述分形维数与所述纹理特征进行融合，得到多特征融合的三元正极材料SEM图像的粗糙度。
2.如权利要求1所述的多特征融合的三元正极材料粗糙度提取方法，其特征在于，所述获取三元正极材料在不同烧结温度下的SEM图像，对获取的SEM图像进行预处理的步骤包括：
对三元正极材料在不同烧结温度下的SEM图像上的标签进行裁剪；
对裁剪标签后的SEM图像中亮度不均匀背景进行提取，再使用裁剪前的原SEM图像减去不均匀背景，得到消除不均匀亮度后的SEM图像；
对消除不均匀亮度后的SEM图像进行滤波处理，去除SEM图像表面的噪点。
3.如权利要求1所述的多特征融合的三元正极材料粗糙度提取方法，其特征在于，所述使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示的步骤包括：
将输入的SEM图像转换为灰度曲面图像，设f(x，y)为三维空间的曲面，(i，j)表示像素位置，曲面上点的高度为该点对应到图像中所处位置的像素点的灰度值；
假设以曲面中的某一个点作为中心，对于离中心点距离大于r的像素点，使用厚度为2r的平面覆盖，则该曲面的表面积可以通过覆盖平面的上下表面之间的体积除以2r得到，将该平面称为地毯；
假设图像f(x,y)在尺度r下，上下表面分别表示为Ur(x,y)、Br(x，y)，则上下表面可表示为：
U0(x，y)＝B0(x，y)＝f(x，y)
Ur(x，y)＝max{Ur-1(x，y)+1，maxd[(x，y)，(m，n)]≤1[Ur-1(m，n)]}
Br(x，y)＝min{Br-1(x，y)-1}，mind[(x，y)，(m，n)]≤1[Br-1(m，n)]
其中，U0(x，y)为上表面，B0(x，y)为下表面，f(x,y)为三维空间的曲面，d[(x，y)，(m，n)]为点(x,y)到点(m，n)的距离，Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面；
计算地毯覆盖所形成的空间的体积以及曲面的面积分别为：
Vr＝∑x，y[Ur(x，y)-Br(x，y)]
Figure FDA0003544973810000021
其中，Vr为地毯覆盖所形成的空间的体积，Sr为曲面的面积，Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面；
预处理后的SEM图像的分形维数为：
log(Sr)＝(3-D)log(r)+log(c)
其中，Sr为曲面的面积，D为地毯维数，c为常数，r为间隔值。
4.如权利要求1所述的多特征融合的三元正极材料粗糙度提取方法，其特征在于，所述采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取的步骤包括：
采用不同大小的灰度量化级构建三元正极材料SEM图像的灰度共生矩阵，灰度共生矩阵可表示为：
Figure FDA0003544973810000022
其中，P(i，j)为灰度共生矩阵中的点对，f(x,y)表示一幅二维图像，S为图像区域中有特定空间关系的像素对的集合，其尺寸为M*N，灰度级数为G；
从所构建的灰度共生矩阵中提取三元正极材料SEM图像的纹理特征参数熵值Ent，熵值Ent表示图像的信息量，所述熵值Ent计算公式如下：
Figure FDA0003544973810000031
其中，G表示图像的灰度级数，P(i，j)为灰度共生矩阵中的点对；
选择合适的步长d与生成方向θ，构建灰度共生矩阵P；
对灰度共生矩阵i个方向上的熵值进行计算，得到i个不同方向上的熵值，对其求取均值，得到该SEM图像通过灰度共生矩阵计算出来的熵值；
对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值。
5.如权利要求4所述的多特征融合的三元正极材料粗糙度提取方法，其特征在于，所述对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值的步骤包括：
对计算出的分形维数和熵值先进行归一化处理，再将两者平均融合，公式如下：
D_NORM＝(D-DMIN)/(DMAX-DMIN)
Ent_NORM＝(Ent-EntMIN)/(EntMAX-EntMIN)
R＝(D_NORM+Ent_NORM)/2
其中，D为分形维数，Ent为熵值，R为分形熵值，D_NORM为归一化后的分形维数、Ent_NORM为归一化后的熵值。
6.一种多特征融合的三元正极材料粗糙度提取装置，其特征在于，包括：
获取模块(10)，用于获取三元正极材料在不同烧结温度下的SEM图像，对获取的SEM图像进行预处理；
第一提取模块(20)，用于使用双毯法提取预处理后的SEM图像的分形特征，并用分形维数表示；
第二提取模块(30)，用于采用灰度共生矩阵对预处理后的SEM图像的纹理特征进行分析与提取；
融合模块(40)，用于将提取的所述分形维数与所述纹理特征进行融合，得到多特征融合的三元正极材料SEM图像的粗糙度。
7.如权利要求6所述的多特征融合的三元正极材料粗糙度提取方法，其特征在于，所述获取模块(10)包括：
裁剪单元(11)，用于对三元正极材料在不同烧结温度下的SEM图像上的标签进行裁剪；
第一提取单元(12)，用于对裁剪标签后的SEM图像中亮度不均匀背景进行提取，再使用裁剪前的原SEM图像减去不均匀背景，得到消除不均匀亮度后的SEM图像；
滤波处理单元(13)，用于对消除不均匀亮度后的SEM图像进行滤波处理，去除SEM图像表面的噪点。
8.如权利要求6所述的多特征融合的三元正极材料粗糙度提取方法，其特征在于，所述第一提取模块(20)包括：
定义单元(21)，用于将输入的SEM图像转换为灰度曲面图像，设f(x,y)为三维空间的曲面，(i，j)表示像素位置，曲面上点的高度为该点对应到图像中所处位置的像素点的灰度值；
第一假设单元(22)，用于假设以曲面中的某一个点作为中心，对于离中心点距离大于r的像素点，使用厚度为2r的平面覆盖，则该曲面的表面积可以通过覆盖平面的上下表面之间的体积除以2r得到，将该平面称为地毯；
第二假设单元(23)，用于假设图像f(x,y)在尺度r下，上下表面分别表示为Ur(x，y)、Br(x，y)，则上下表面可表示为：
U0(x，y)＝B0(x，y)＝f(x，y)
Ur(x，y)＝max{Ur-1(x，y)+1，maxd[(x，y)，(m，n)]≤1[Ur-1(m，n)]}
Br(x，y)＝min{Br-1(x，y)-1}，mind[(x，y)，(m，n)]≤1[Br-1(m，n)]
其中，U0(x，y)为上表面，B0(x，y)为下表面，f(x，y)为三维空间的曲面，d[(x，y)，(m，n)]为点(x，y)到点(m，n)的距离，Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面；
第一计算单元(24)，用于计算地毯覆盖所形成的空间的体积以及曲面的面积分别为：
Vr＝∑x，y[Ur(x，y)-Br(x，y)]
Figure FDA0003544973810000041
其中，Vr为地毯覆盖所形成的空间的体积，Sr为曲面的面积，Ur(x，y)为地毯覆盖所形成的空间的上表面，Br(x，y)为地毯覆盖所形成的空间的下表面；
预处理后的SEM图像的分形维数为：
log(Sr)＝(3-D)log(r)+log(c)
其中，Sr为曲面的面积，D为地毯维数，c为常数，r为间隔值。
9.如权利要求6所述的多特征融合的三元正极材料粗糙度提取方法，其特征在于，所述第二提取模块(30)包括：
第一构建单元(31)，用于采用不同大小的灰度量化级构建三元正极材料SEM图像的灰度共生矩阵，灰度共生矩阵可表示为：
Figure FDA0003544973810000051
其中，P(i，j)为灰度共生矩阵中的点对，f(x,y)表示一幅二维图像，S为图像区域中有特定空间关系的像素对的集合，其尺寸为M*N，灰度级数为G；
第二提取单元(32)，用于从所构建的灰度共生矩阵中提取三元正极材料SEM图像的纹理特征参数熵值Ent，熵值Ent表示图像的信息量，所述熵值Ent计算公式如下：
Figure FDA0003544973810000052
其中，G表示图像的灰度级数，P(i，j)为灰度共生矩阵中的点对；
第二构建单元(33)，用于选择合适的步长d与生成方向θ，构建灰度共生矩阵P；
第二计算单元(34)，用于对灰度共生矩阵i个方向上的熵值进行计算，得到i个不同方向上的熵值，对其求取均值，得到该SEM图像通过灰度共生矩阵计算出来的熵值；
融合单元(35)，用于对分形维数和熵值进行平均融合，得到一个综合的表征三元正极材料表面粗糙度的新指标分形-熵值。
10.如权利要求9所述的多特征融合的三元正极材料粗糙度提取方法，其特征在于，所述融合单元(35)包括：
处理子单元，用于对计算出的分形维数和熵值先进行归一化处理，再将两者平均融合，公式如下：
D_NORM＝(D-DMIN)/(DMAX-DMIN)
Ent_NORM＝(Ent-EntMIN)/(EntMAX-EntMIN)
R＝(D_NORM+Ent_NORM)/2
其中，D为分形维数，Ent为熵值，R为分形熵值，D_NORM为归一化后的分形维数、Ent_NORM为归一化后的熵值。
CN202210250194.5A 2022-03-14 2022-03-14 一种多特征融合的三元正极材料粗糙度提取方法及装置 Pending CN114638958A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210250194.5A CN114638958A (zh) 2022-03-14 2022-03-14 一种多特征融合的三元正极材料粗糙度提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210250194.5A CN114638958A (zh) 2022-03-14 2022-03-14 一种多特征融合的三元正极材料粗糙度提取方法及装置

Publications (1)

Publication Number Publication Date
CN114638958A true CN114638958A (zh) 2022-06-17

Family

ID=81947158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210250194.5A Pending CN114638958A (zh) 2022-03-14 2022-03-14 一种多特征融合的三元正极材料粗糙度提取方法及装置

Country Status (1)

Country Link
CN (1) CN114638958A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117761075A (zh) * 2023-11-13 2024-03-26 江苏嘉耐高温材料股份有限公司 一种长寿命功能材料的微孔分布形态检测系统、方法
CN117934461A (zh) * 2024-03-21 2024-04-26 广州航海学院 一种侧边抛磨光纤抛磨表面粗糙度分析方法、系统及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117761075A (zh) * 2023-11-13 2024-03-26 江苏嘉耐高温材料股份有限公司 一种长寿命功能材料的微孔分布形态检测系统、方法
CN117761075B (zh) * 2023-11-13 2024-07-23 江苏嘉耐高温材料股份有限公司 一种长寿命功能材料的微孔分布形态检测系统、方法
CN117934461A (zh) * 2024-03-21 2024-04-26 广州航海学院 一种侧边抛磨光纤抛磨表面粗糙度分析方法、系统及设备
CN117934461B (zh) * 2024-03-21 2024-06-07 广州航海学院 一种侧边抛磨光纤抛磨表面粗糙度分析方法、系统及设备

Similar Documents

Publication Publication Date Title
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN114638958A (zh) 一种多特征融合的三元正极材料粗糙度提取方法及装置
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN114723701A (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
JP5941674B2 (ja) 細胞輪郭線形成装置及びその方法、細胞輪郭線形成プログラム
CN110727819B (zh) 一种尺度自适应病理全切片图像数据库检索方法
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN115082465B (zh) 基于扫描电镜图像处理的羊毛羊绒分类方法
CN105913067A (zh) 图像轮廓特征的提取方法及其装置
CN117635609B (zh) 一种塑胶产品生产质量视觉检测方法
CN115760826B (zh) 一种基于图像处理的轴承磨损状况诊断方法
CN113362276A (zh) 板材视觉检测方法及系统
CN113252103A (zh) 一种基于matlab图像识别技术计算物料堆体积及质量的方法
CN117635615B (zh) 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN115063620A (zh) 一种基于比特分层罗茨风机轴承磨损检测方法
CN114494165A (zh) 一种基于聚类的光条提取方法及装置
CN113838081A (zh) 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置
Alaei et al. Document image quality assessment based on texture similarity index
CN109376770B (zh) 一种应用于底片检查机的网格区域识别方法及装置
CN116645418A (zh) 基于2d和3d相机的屏幕按钮检测方法、装置及其相关介质
CN113239944B (zh) 一种图像特征提取方法、装置、电子设备及介质
CN115880181A (zh) 一种增强图像对比度的方法、装置及终端
CN114881984A (zh) 一种大米加工精度的检测方法、装置、电子设备及介质
CN114913152A (zh) 基于机器视觉的木材切削表面去毛刺质量评估方法及系统
CN109949273B (zh) 一种基于纹理对称性的皮肤图像纹理分割方法及系统

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