CN115294148A - 基于分水岭算法的颗粒物粒径分析方法、装置和存储介质 - Google Patents
基于分水岭算法的颗粒物粒径分析方法、装置和存储介质 Download PDFInfo
- Publication number
- CN115294148A CN115294148A CN202211001606.8A CN202211001606A CN115294148A CN 115294148 A CN115294148 A CN 115294148A CN 202211001606 A CN202211001606 A CN 202211001606A CN 115294148 A CN115294148 A CN 115294148A
- Authority
- CN
- China
- Prior art keywords
- image
- particulate matter
- particle size
- preset reference
- processing
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003921 particle size analysis Methods 0.000 title claims abstract description 54
- 239000013618 particulate matter Substances 0.000 claims abstract description 160
- 239000002245 particle Substances 0.000 claims abstract description 120
- 238000012545 processing Methods 0.000 claims abstract description 60
- 230000011218 segmentation Effects 0.000 claims abstract description 59
- 239000003550 marker Substances 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012805 post-processing Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 30
- 239000004576 sand Substances 0.000 description 27
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 239000004568 cement Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000004567 concrete Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004062 sedimentation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004570 mortar (masonry) Substances 0.000 description 2
- 239000011087 paperboard Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 235000012239 silicon dioxide Nutrition 0.000 description 2
- 239000000377 silicon dioxide Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000011869 Shapiro-Wilk test Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及的基于分水岭算法的颗粒物粒径分析方法、装置和存储介质，其中，该基于分水岭算法的颗粒物粒径分析方法包括：获取带预设参照物的颗粒物图像；对带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像；将第一标记图像中的像素点作为初始标记，基于初始标记，利用基于标记的分水岭分割算法处理颗粒物图像，得到与颗粒物图像对应的第一分割图像；根据预设参照物的实际面积与预设参照物在第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，进而得到颗粒物的等效粒径数据。通过本申请，解决了相关技术中对颗粒物粒径分析时效性较低、准确率不高的问题，实现了灵活快速且精准的颗粒物粒径分析的有益效果。
Description
技术领域
本申请涉及粒径分析技术领域，特别是涉及基于分水岭算法的颗粒物粒径分析方法、装置和存储介质。
背景技术
颗粒物的粒径分析应用非常广泛，包括土壤颗粒大小分布分析、河流海域沉积物分析、各种颗粒材料的分析等等，例如，作为建筑材料的沙子不同粒径的有不同的用途，严格控制水泥、砂石、水的比例和沙子粒径大小，能够提高混凝土的品质。
目前在颗粒物的粒径分析方面主要采用三种技术。第一种为筛分法，其耗费时间较长，时效性较差，无法快速分析颗粒物的粒径；筛分过程中颗粒物会有损耗，导致经济效益有所下降；部分颗粒物由于水分或摩擦生电而粘合在一起，导致颗粒物总体粒径偏大。第二种为沉降法，可分为密度计法和移液管法，沉降法主要针对粒径小于0.075mm的粒土，使用面较窄；沉降耗费时间较长，时效性不高，且检验涉及水，会对后期分析水沙比造成干扰；第三种为激光粒度仪法，虽然准确率较高，但仪器成本昂贵，且操作复杂；同时还需要消耗大量的人力搬运颗粒物到激光粒度仪所在场所进行颗粒物分析，灵活性较差，整体时效性也会降低。
目前针对相关技术中对颗粒物粒径分析时效性较低、准确率不高的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种基于分水岭算法的颗粒物粒径分析方法、装置和存储介质，以至少解决相关技术中对颗粒物粒径分析时效性较低、准确率不高的问题。
第一方面，本申请实施例提供了一种基于分水岭算法的颗粒物粒径分析方法，包括：获取带预设参照物的颗粒物图像；对所述带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像；将所述第一标记图像中的像素点作为初始标记，基于所述初始标记，利用基于标记的分水岭分割算法处理所述颗粒物图像，得到与所述颗粒物图像对应的第一分割图像；根据所述预设参照物的实际面积与所述预设参照物在所述第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于所述颗粒物的横截面积计算得到所述颗粒物的等效粒径数据。
第二方面，本申请实施例提供了一种基于分水岭算法的颗粒物粒径分析装置，包括：
获取模块，用于获取带预设参照物的颗粒物图像。
处理模块，用于对所述带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像。
分割模块，用于将所述第一标记图像中的像素点作为初始标记，基于所述初始标记，利用基于标记的分水岭分割算法处理所述颗粒物图像，得到与所述颗粒物图像对应的第一分割图像。
分析模块，用于根据所述预设参照物的实际面积与所述预设参照物在所述第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于所述颗粒物的横截面积计算得到所述颗粒物的等效粒径数据。
第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上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如第一方面所述的基于分水岭算法的颗粒物粒径分析方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的基于分水岭算法的颗粒物粒径分析方法。
相比于相关技术，本申请实施例提供的基于分水岭算法的颗粒物粒径分析方法、装置和存储介质，通过获取带预设参照物的颗粒物图像；对所述带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像；将所述第一标记图像中的像素点作为初始标记，基于所述初始标记，利用基于标记的分水岭分割算法处理所述颗粒物图像，得到与所述颗粒物图像对应的第一分割图像；根据所述预设参照物的实际面积与所述预设参照物在所述第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于所述颗粒物的横截面积计算得到所述颗粒物的等效粒径数据；解决了相关技术中对颗粒物粒径分析时效性较低、准确率不高的问题，实现了灵活快速且精准的颗粒物粒径分析的有益效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的基于分水岭算法的颗粒物粒径分析方法的终端的硬件结构框图；
图2是根据本申请实施例的基于分水岭算法的颗粒物粒径分析方法的流程图；
图3是根据本申请优选实施例的基于分水岭算法的颗粒物粒径分析方法的流程图；
图4是根据本申请优选实施例的基于分水岭算法的颗粒物粒径分析方法的用户界面展示图；
图5是根据本申请实施例的基于分水岭算法的颗粒物粒径分析装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本实施例提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。以运行在终端上为例，图1是本申请实施例的基于分水岭算法的颗粒物粒径分析方法的终端的硬件结构框图。如图1所示，终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限定。例如，终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的基于分水岭算法的颗粒物粒径分析方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端10的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
本实施例提供了一种运行于上述终端的基于分水岭算法的颗粒物粒径分析方法，图2是根据本申请实施例的基于分水岭算法的颗粒物粒径分析方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取带预设参照物的颗粒物图像。
在本实施例中，通过获取带预设参照物的颗粒物图像，将实际采样的颗粒物数据转换成计算机可识别处理的图像数据，进而能够进一步利用分水岭算法对图像数据进行处理计算，并最终提高颗粒物粒径分析的时效性，采用获取图像作为数据集，能够在颗粒物挖掘现场进行颗粒物的粒径分析，不需要带回实验室进行分析，提高了时效性与灵活性；直接在获取图像时放置参照物，操作简单，却能够为后续的分析减少大量的计算时间与工作量，不仅能提高效率，还能减少运算错误与误差累计，提高了颗粒物粒径分析的精准度。
步骤S202，对带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像。
在本实施例中，通过对带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像，消除了噪声的影响，降低了计算量，提高了粒径分析的效率与准确率。
步骤S203，将第一标记图像中的像素点作为初始标记，基于初始标记，利用基于标记的分水岭分割算法处理颗粒物图像，得到与颗粒物图像对应的第一分割图像。
在本实施例中，通过将第一标记图像中的像素点作为分水岭分割算法中的初始标记，结合该标记，利用基于标记的分水岭分割算法处理颗粒物图像，方法简洁、复杂度低、速度快，且提取出的物体边缘轮廓线是封闭的，能准确定位目标物体，保证了粒径分析数据的准确性。
步骤S204，根据预设参照物的实际面积与预设参照物在第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于颗粒物的横截面积计算得到颗粒物的等效粒径数据。
通过上述步骤S201至步骤S204，采用获取带预设参照物的颗粒物图像；对带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像；将第一标记图像中的像素点作为初始标记，基于初始标记，利用基于标记的分水岭分割算法处理颗粒物图像，得到与颗粒物图像对应的第一分割图像；根据预设参照物的实际面积与预设参照物在第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于颗粒物的横截面积计算得到颗粒物的等效粒径数据，解决了相关技术中对颗粒物粒径分析时效性较低、准确率不高的问题，实现了灵活快速且精准的颗粒物粒径分析的有益效果。
需要说明的是，在本实施例中，通过对图像数据进行分析，不需要将颗粒物采样带回实验室进行分析，不仅灵活性高，而且降低了颗粒物粒径分析的成本与时间；本实施例中通过在数据集图像中直接加入固定参照物的方式，操作简单，却能够大大减少后续的计算量，提高了时效性；同时，本实施例方法稳定性好，可重复性高，其在不同环境不同时间分析出的结果均一致；采用基于标记的分水岭分割算法处理颗粒物图像，方法简洁、速度快，且能准确定位目标物体，保证了粒径分析数据的准确性。
在其中一些实施例中，对带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像，包括如下步骤：
步骤1、对带预设参照物的颗粒物图像进行预处理，得到第一处理图像。
步骤2、对第一处理图像进行距离变换，得到第二处理图像，其中，距离变换包括欧氏距离变换。
步骤3、将第二处理图像进行腐蚀处理，得到第三处理图像。
步骤4、将第三处理图像进行二值化处理，得到第一标记图像，其中，二值化包括三角法图像二值化。
通过上述步骤中的对带预设参照物的颗粒物图像进行预处理，对第一处理图像进行距离变换，得到第二处理图像，其中，距离变换包括欧氏距离变换；将第二处理图像进行腐蚀处理，得到第三处理图像；将第三处理图像进行二值化处理，得到第一标记图像，其中，二值化包括三角法图像二值化，降低了噪声影响，同时快速得到了后续分水岭算法中需要的标记图像，进而实现了高时效性的颗粒物粒径的分析，提升了粒径分析的准确度。
在其中一些实施例中，对带预设参照物的颗粒物图像进行预处理，得到第一处理图像，包括如下步骤：
步骤1、将带预设参照物的颗粒物图像进行锐化处理，得到第一颗粒物图像，其中，锐化处理包括拉普拉斯锐化。
步骤2、对第一颗粒物图像进行灰度化处理，得到第二颗粒物图像。
步骤3、将第二颗粒物图像进行二值化处理，得到第三颗粒物图像，其中，二值化包括三角法图像二值化。
步骤4、对第三颗粒物图像进行中值滤波降噪处理，得到第一处理图像。
通过上述步骤中的将带预设参照物的颗粒物图像进行锐化处理，得到第一颗粒物图像，其中，锐化处理包括拉普拉斯锐化；对第一颗粒物图像进行灰度化处理，得到第二颗粒物图像；将第二颗粒物图像进行二值化处理，得到第三颗粒物图像，其中，二值化采用最匹配该图像单峰颜色直方图的三角法图像二值化，使得颗粒物的轮廓更加明显以方面后面的识别，然后运用中值滤波降噪处理第三颗粒物图像，在保证了成像质量不变的情况下，将二值化过程中出现的噪点最小化，实现了高准确率的颗粒物粒径分析。
在其中一些实施例中，利用基于标记的分水岭分割算法处理颗粒物图像，得到与颗粒物图像对应的第一分割图像，包括如下步骤：
步骤1、基于最小覆盖算法对第一标记图像进行平滑处理。
步骤2、将平滑处理后的第一标记图像中的像素点作为初始标记，基于初始标记，利用基于标记的分水岭分割算法处理颗粒物图像，得到第二分割图像。
步骤3、对第二分割图像进行图像后处理，得到与颗粒物图像对应的第一分割图像，其中，图像后处理包括阈值调整、孔洞填充。
通过上述步骤中的基于最小覆盖算法对第一标记图像进行平滑处理；将平滑处理后的第一标记图像中的像素点作为初始标记，基于初始标记，利用基于标记的分水岭分割算法处理颗粒物图像，得到第二分割图像；对第二分割图像进行图像后处理，得到与颗粒物图像对应的第一分割图像，其中，图像后处理包括阈值调整、孔洞填充，使得颗粒物粒径分析的准确度进一步提高；最小覆盖算法能改进梯度图像，使得最小区域仅发生在标记过的位置，如果需要移动这些局部最小区域，其他像素值就要上推，帮助平滑了标记图像，同时进行阈值调整、孔洞填充等图像后处理，使得最终的分割结果不会出现过分割，从而实现了高准确率的颗粒物粒径分析。
在其中一些实施例中，根据预设参照物的实际面积与预设参照物在第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，包括如下步骤：
步骤1、提取第一分割图像中的每个连通域的像素点个数，其中，连通域用于表征对应的图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。
步骤2、计算预设参照物的实际面积与预设参照物对应的连通域的像素点个数的比例。
步骤3、根据比例与颗粒物对应的连通域的像素点个数的乘积，得到颗粒物的横截面积。
通过上述步骤中的提取第一分割图像中的每个连通域的像素点个数，方面快速的得到各个连通域的像素面积，进而将预设参照物的实际面积与预设参照物对应的连通域的像素点个数的比例乘以颗粒物对应连通域的像素点个数，即可得到颗粒物的横截面积，不仅可解释性强、准确率高，而且计算量少，提高了颗粒物粒径分析的时效性，为了方便测量操作、便于携带，选取的预设参照物通尺寸通常远大于颗粒物的尺寸，比如硬币，因此预设参照物对应连通域即第一分割图像中的最大连通域。
在其中一些实施例中，基于颗粒物的横截面积计算得到颗粒物的等效粒径数据，包括：将颗粒物的横截面积等效为目标圆形的面积，并确定目标圆形的直径，其中，颗粒物的等效粒径数据包括目标圆形的直径。
通过将颗粒物的横截面积等效为圆形的面积，使得计算简便，减少了工作量，由于沙粒的形状通常接近于球体，其横截面与圆形近似，等效得到的误差在可接受范围内，但是却大大简化了计算操作，实现了高效的颗粒物粒径分析。
在其中一些实施例中，基于颗粒物的横截面积计算得到颗粒物的等效粒径数据之后，包括还如下步骤：
步骤1、根据颗粒物的等效粒径数据与密度，计算得到颗粒物的质量。
步骤2、由颗粒物的等效粒径数据和颗粒物的质量得到颗粒物的粒径分布。
通过上述步骤中根据颗粒物的等效粒径数据与密度，计算得到颗粒物的质量；由颗粒物的等效粒径数据和颗粒物的质量得到颗粒物的粒径分布，简单方便的将本实施例方法进行功能扩展，采用不同材料的密度，可以用于分析不同种类的颗粒物，因此提高了灵活性与实用性。
下面通过优选实施例对本申请实施例进行描述和说明。
图3是根据本申请优选实施例的基于分水岭算法的颗粒物粒径分析方法的流程图。如图3所示，该基于分水岭算法的颗粒物粒径分析方法包括如下步骤：
步骤S301，基于分水岭算法的颗粒物粒径分析应用部署。为了实时进行分析处理，可将本申请实施例应用部署于Web服务器中，使用Node.js和Ajax实现前端与Web服务器的交互，通过对Web服务器不断发生请求，然后得到处理后的数据并将其展现出来；后端将核心代码放入springboot框架，并将springboot应用部署在服务器中，对外开放一个端口，前端可通过访问这个端口请求数据。同时为了让用户更直观、便捷的得到颗粒物的粒径分析结果，本实施例对颗粒物的粒径数据和粒径分布进行可视化处理，在用户界面的设计中，采用HTML语言实现界面元素的布置，CSS组件实现界面的布局，若删掉它，界面元素只是从上往下简单地罗列，JavaScript语言实现界面与用户的交互，包括选择图片，输入数据等；用户界面展示如图4所示。
需要说明的是，在图4中，No表示颗粒物编号，Particle size表示粒径，data表示数据，Proportion表示占比，distribution表示分布。
步骤S302，获取带预设参照物的颗粒物图像。本实施例应用于一种工业常用颗粒物——沙子的粒径分析，沙子作为粘接砂浆、抹面砂浆及混凝土的主要原料等，成为了工业必需品。从来源上沙子可分为海沙、河沙和山沙；根据粒径不同，沙子可分为细沙、中沙、粗沙，不同粒径的沙子有不同的用途。在水泥工业中，加入水泥中的沙粒能起到骨架作用，增加水泥强度，同时严格控制水泥、砂石、水的比例和沙子粒径大小，能够提高混凝土的品质。在沙子采集现场，将一元硬币作为预设参照物，置于黑色卡纸上，同时对沙子进行随机采样，也放于黑色卡纸之上，拍摄图片；
步骤S303，对带预设参照物的颗粒物图像进行预处理，得到第一处理图像。预处理具体包括：依次将颗粒物图像进行拉普拉斯锐化处理、灰度化处理、三角法图像二值化处理、中值滤波降噪处理。
步骤S304，对第一处理图像进行欧氏距离变换，得到第二处理图像。在二值图像中，1表示前景点，0表示背景点；在灰度图像中，像素的灰度值表示为该像素到最近前景点的距离；设前景为O，背景为B，距离图为D，则距离变换定义为：
D(p)＝min(disf(p,q)),p∈O,q∈B
其中，
D(p)表示像素点p的距离变换，p的坐标为(x1,y1)，q的坐标为(x2,y2)。
步骤S305，将第二处理图像依次进行腐蚀处理、二值化处理、得到第一标记图像。此处优选三角法图像二值化处理。
步骤S306，基于最小覆盖算法对第一标记图像进行平滑处理。
步骤S307，将平滑处理后的第一标记图像中的像素点作为初始标记，基于初始标记，利用基于标记的分水岭分割算法处理颗粒物图像，得到第二分割图像。
步骤S308，对第二分割图像进行阈值调整、孔洞填充的图像后处理，得到与颗粒物图像对应的第一分割图像。
步骤S309，根据预设参照物的实际面积与预设参照物在第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于颗粒物的横截面积计算得到颗粒物的等效粒径数据。
首先提取出第一分割图像中被分割得到的各个连通域的像素点个数，取出预设参照物对应连通域(因硬币尺寸远大于沙粒尺寸，则此处选取第一分割图像中的最大连通域)的像素点个数为Sp，定义第i个沙粒的像素点个数为Spi，通过查询或测量可知一元硬币面积S为4.52cm2，可计算得到第i个沙粒横截面积Si为
将颗粒物的横截面积等效为目标圆形的面积，并确定目标圆形的直径，该目标圆形的直径即为颗粒物的等效粒径(沙粒的等效投影径)，等效粒径d计算公式为：
其中，π为圆周率。
步骤S310，计算得到颗粒物的粒径分布。由于将颗粒物的形状通常接近于球体，则其等效体积V为：
根据颗粒物密度σ，得到颗粒物的等效质量Ms为：
Ms＝σ＝V
沙子主要成分为二氧化硅，此处可直接采用二氧化硅的密度，如果是其他颗粒物，通过其材料密度，即可以得到对应的质量。
再结合颗粒物的含水量参数，可得到加水方案。从重力传感器传回的总质量为Mg，可计算得到水的质量Mw：
Mw＝Mg-Ms
进而得到水石比Mw:Ms。
为了检验所抽样颗粒物是否具有代表性，本实施例还对所得到的粒径分布数据进行正态性检验，以更好地为工作人员给出建议；本实施例优选选择了Shapiro–Wilk检验(W检验)，Shapiro–Wilk检验是顺序排列样本值y(i)y(i)和系数a(i)之间相关系数的平方或者是线性回归的确定系数R2。
最后将可视化数据图片、处理图片、一系列参数均返还给前端；前端接受后端的图片和数值数据，将其展示在用户界面。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。例如，步骤S301与步骤S302。
本实施例还提供了基于分水岭算法的颗粒物粒径分析装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本申请实施例的基于分水岭算法的颗粒物粒径分析装置的结构框图，如图5所示，该装置包括：获取模块51、处理模块52、分割模块53、分析模块54。
获取模块51，用于获取带预设参照物的颗粒物图像。
处理模块52，与获取模块51耦合连接，用于对带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像。
分割模块53，与处理模块52耦合连接，用于将第一标记图像中的像素点作为初始标记，基于初始标记，利用基于标记的分水岭分割算法处理颗粒物图像，得到与颗粒物图像对应的第一分割图像。
分析模块54，与分割模块53耦合连接，用于根据预设参照物的实际面积与预设参照物在第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于颗粒物的横截面积计算得到颗粒物的等效粒径数据。
通过本申请实施例提供的基于分水岭算法的颗粒物粒径分析装置，采用获取带预设参照物的颗粒物图像；对带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像；将第一标记图像中的像素点作为初始标记，基于初始标记，利用基于标记的分水岭分割算法处理颗粒物图像，得到与颗粒物图像对应的第一分割图像；根据预设参照物的实际面积与预设参照物在第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于颗粒物的横截面积计算得到颗粒物的等效粒径数据。解决了相关技术中对颗粒物粒径分析时效性较低、准确率不高的问题，实现了灵活快速且精准的颗粒物粒径分析的有益效果。
在其中一些实施例中，该处理模块52进一步包括：
第一处理单元，用于对带预设参照物的颗粒物图像进行预处理，得到第一处理图像。
第一变换单元，与第一处理单元耦合连接，用于对第一处理图像进行距离变换，得到第二处理图像，其中，距离变换包括欧氏距离变换。
第二处理单元，与第一变换单元耦合连接，用于将第二处理图像进行腐蚀处理，得到第三处理图像。
第三处理单元，与第二变换单元耦合连接，用于将第三处理图像进行二值化处理，得到第一标记图像，其中，二值化包括三角法图像二值化。
在其中一些实施例中，该第一处理单元进一步包括：
锐化组件，用于将带预设参照物的颗粒物图像进行锐化处理，得到第一颗粒物图像，其中，锐化处理包括拉普拉斯锐化。
灰度化组件，与锐化组件耦合连接，用于对第一颗粒物图像进行灰度化处理，得到第二颗粒物图像。
二值化组件，与灰度化组件耦合连接，用于将第二颗粒物图像进行二值化处理，得到第三颗粒物图像，其中，二值化包括三角法图像二值化。
降噪组件，与二值化组件耦合连接，对第三颗粒物图像进行中值滤波降噪处理，得到第一处理图像。
在其中一些实施例中，该分割模块53进一步包括：
平滑单元，用于基于最小覆盖算法对第一标记图像进行平滑处理；
分割处理单元，与平滑单元耦合连接，用于将平滑处理后的第一标记图像中的像素点作为初始标记，基于初始标记，利用基于标记的分水岭分割算法处理颗粒物图像，得到第二分割图像；
后处理单元，与分割处理单元耦合连接，用于对第二分割图像进行图像后处理，得到与颗粒物图像对应的第一分割图像，其中，图像后处理包括阈值调整、孔洞填充。
在其中一些实施例中，分析模块54用于提取第一分割图像中的每个连通域的像素点个数，其中，连通域指的是图像中具有相同像素值且位置相邻的前景像素点组成的图像区域；计算预设参照物的实际面积与预设参照物对应的连通域的像素点个数的比例；根据比例与颗粒物对应的连通域的像素点个数的乘积，得到颗粒物的横截面积。
在其中一些实施例中，分析模块54用于将颗粒物的横截面积等效为目标圆形的面积，并确定目标圆形的直径，其中，颗粒物的等效粒径数据包括目标圆形的直径。
在其中一些实施例中，分析模块54用于根据颗粒物的等效粒径数据与密度，计算得到颗粒物的质量；由颗粒物的等效粒径数据和颗粒物的质量得到颗粒物的粒径分布。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取带预设参照物的颗粒物图像。
S2，对带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像。
S3，将第一标记图像中的像素点作为初始标记，基于初始标记，利用基于标记的分水岭分割算法处理颗粒物图像，得到与颗粒物图像对应的第一分割图像。
S4，根据预设参照物的实际面积与预设参照物在第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于颗粒物的横截面积计算得到颗粒物的等效粒径数据。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
另外，结合上述实施例中的基于分水岭算法的颗粒物粒径分析方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种基于分水岭算法的颗粒物粒径分析方法。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于分水岭算法的颗粒物粒径分析方法，其特征在于，包括：
获取带预设参照物的颗粒物图像；
对所述带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像；
将所述第一标记图像中的像素点作为初始标记，基于所述初始标记，利用基于标记的分水岭分割算法处理所述颗粒物图像，得到与所述颗粒物图像对应的第一分割图像；
根据所述预设参照物的实际面积与所述预设参照物在所述第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于所述颗粒物的横截面积计算得到所述颗粒物的等效粒径数据。
2.根据权利要求1所述的方法，其特征在于，对所述带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像，包括：
对所述带预设参照物的颗粒物图像进行预处理，得到第一处理图像；
对所述第一处理图像进行距离变换，得到第二处理图像，其中，所述距离变换包括欧氏距离变换；
将所述第二处理图像进行腐蚀处理，得到第三处理图像；
将所述第三处理图像进行二值化处理，得到所述第一标记图像，其中，所述二值化包括三角法图像二值化。
3.根据权利要求2所述的方法，其特征在于，对所述带预设参照物的颗粒物图像进行预处理，得到第一处理图像，包括：
将所述带预设参照物的颗粒物图像进行锐化处理，得到第一颗粒物图像，其中，所述锐化处理包括拉普拉斯锐化；
对所述第一颗粒物图像进行灰度化处理，得到第二颗粒物图像；
将所述第二颗粒物图像进行二值化处理，得到第三颗粒物图像，其中，所述二值化包括三角法图像二值化；
对所述第三颗粒物图像进行中值滤波降噪处理，得到所述第一处理图像。
4.根据权利要求1所述的方法，其特征在于，利用基于标记的分水岭分割算法处理所述颗粒物图像，得到与所述颗粒物图像对应的第一分割图像，包括：
基于最小覆盖算法对所述第一标记图像进行平滑处理；
将所述平滑处理后的第一标记图像中的像素点作为初始标记，基于所述初始标记，利用基于标记的分水岭分割算法处理所述颗粒物图像，得到第二分割图像；
对所述第二分割图像进行图像后处理，得到与所述颗粒物图像对应的第一分割图像，其中，所述图像后处理包括阈值调整、孔洞填充。
5.根据权利要求1所述的方法，其特征在于，根据所述预设参照物的实际面积与所述预设参照物在所述第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，包括：
提取所述第一分割图像中的每个连通域的像素点个数，其中，所述连通域用于表征对应的图像中具有相同像素值且位置相邻的前景像素点组成的图像区域；
计算所述预设参照物的实际面积与所述预设参照物对应的连通域的像素点个数的比例；
根据所述比例与所述颗粒物对应的连通域的像素点个数的乘积，得到所述颗粒物的横截面积。
6.根据权利要求1所述的方法，其特征在于，基于所述颗粒物的横截面积计算得到所述颗粒物的等效粒径数据，包括：
将所述颗粒物的横截面积等效为目标圆形的面积，并确定所述目标圆形的直径，其中，所述颗粒物的等效粒径数据包括所述目标圆形的直径。
7.根据权利要求1所述的方法，其特征在于，基于所述颗粒物的横截面积计算得到所述颗粒物的等效粒径数据之后，所述方法还包括：
根据所述颗粒物的等效粒径数据与密度，计算得到所述颗粒物的质量；
由所述颗粒物的等效粒径数据和所述颗粒物的质量得到颗粒物的粒径分布。
8.一种基于分水岭算法的颗粒物粒径分析装置，其特征在于，包括：
获取模块，用于获取带预设参照物的颗粒物图像；
处理模块，用于对所述带预设参照物的颗粒物图像进行预处理和距离变换，得到第一标记图像；
分割模块，用于将所述第一标记图像中的像素点作为初始标记，基于所述初始标记，利用基于标记的分水岭分割算法处理所述颗粒物图像，得到与所述颗粒物图像对应的第一分割图像；
分析模块，用于根据所述预设参照物的实际面积与所述预设参照物在所述第一分割图像中的像素面积的比例，计算得到颗粒物的横截面积，并基于所述颗粒物的横截面积计算得到所述颗粒物的等效粒径数据。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的基于分水岭算法的颗粒物粒径分析方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于分水岭算法的颗粒物粒径分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211001606.8A CN115294148A (zh) | 2022-08-19 | 2022-08-19 | 基于分水岭算法的颗粒物粒径分析方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211001606.8A CN115294148A (zh) | 2022-08-19 | 2022-08-19 | 基于分水岭算法的颗粒物粒径分析方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115294148A true CN115294148A (zh) | 2022-11-04 |
Family
ID=83830097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211001606.8A Pending CN115294148A (zh) | 2022-08-19 | 2022-08-19 | 基于分水岭算法的颗粒物粒径分析方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115294148A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563244A (zh) * | 2023-05-11 | 2023-08-08 | 中国食品药品检定研究院 | 一种亚可见颗粒质控方法、系统及设备 |
-
2022
- 2022-08-19 CN CN202211001606.8A patent/CN115294148A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563244A (zh) * | 2023-05-11 | 2023-08-08 | 中国食品药品检定研究院 | 一种亚可见颗粒质控方法、系统及设备 |
| CN116563244B (zh) * | 2023-05-11 | 2024-04-23 | 中国食品药品检定研究院 | 一种亚可见颗粒质控方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112446327B (zh) | 一种基于无锚框的遥感图像目标检测方法 | |
| Liasis et al. | Building extraction in satellite images using active contours and colour features | |
| CN109029381A (zh) | 一种隧道裂缝的检测方法、系统及终端设备 | |
| CN109961446B (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
| CN106663324A (zh) | 用于图像扫描的系统和方法 | |
| Wei et al. | Automated bughole detection and quality performance assessment of concrete using image processing and deep convolutional neural networks | |
| CN108960012B (zh) | 特征点检测方法、装置及电子设备 | |
| CN113592792A (zh) | 堆石图像粒径识别方法、装置、电子设备及存储介质 | |
| CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
| CN108335310B (zh) | 一种便携式粒形粒度检测方法及系统 | |
| CN105791635B (zh) | 基于gpu的视频增强去噪方法及装置 | |
| CN115294148A (zh) | 基于分水岭算法的颗粒物粒径分析方法、装置和存储介质 | |
| CN116157867A (zh) | Lfa测试条的神经网络分析 | |
| Elkhateeb et al. | A novel coarse-to-Fine Sea-land segmentation technique based on Superpixel fuzzy C-means clustering and modified Chan-Vese model | |
| Shostko et al. | Optical-electronic system of automatic detection and higt-precise tracking of aerial objects in real-time. | |
| Li et al. | Pixel-level detection and measurement of concrete crack using faster region-based convolutional neural network and morphological feature extraction | |
| CN110188815B (zh) | 一种特征点采样方法、装置、设备及存储介质 | |
| CN111583417B (zh) | 一种图像语义和场景几何联合约束的室内vr场景构建的方法、装置、电子设备和介质 | |
| CN106683109B (zh) | 基于语义条件随机场模型的sar图像分割方法 | |
| Wang et al. | Fast blur detection algorithm for UAV crack image sets | |
| CN113838078B (zh) | 采煤塌陷地裂缝的识别与提取方法、装置及存储介质 | |
| CN104616302A (zh) | 一种目标实时识别方法 | |
| Gong et al. | Fine feature sensitive marching squares | |
| Xiao et al. | Road detection in high-resolution SAR images using Duda and path operators | |
| DE102022114091A1 (de) | 3D-Modellierungsverfahren und -system |
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 |