CN115457028A - 一种扫描电镜样品裂纹图像自动分割标定方法及系统 - Google Patents

一种扫描电镜样品裂纹图像自动分割标定方法及系统 Download PDF

Info

Publication number
CN115457028A
CN115457028A CN202211268770.5A CN202211268770A CN115457028A CN 115457028 A CN115457028 A CN 115457028A CN 202211268770 A CN202211268770 A CN 202211268770A CN 115457028 A CN115457028 A CN 115457028A
Authority
CN
China
Prior art keywords
electron microscope
scanning electron
microscope image
image
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.)
Pending
Application number
CN202211268770.5A
Other languages
English (en)
Inventor
刘轩石
吕俊霞
刘陵恩
张宜旭
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202211268770.5A priority Critical patent/CN115457028A/zh
Publication of CN115457028A publication Critical patent/CN115457028A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/13—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及一种扫描电镜样品裂纹图像自动分割标定方法及系统。该方法包括获取实验样品在同一扫描区域内的多张扫描电镜图像；将多张扫描电镜图像进行合成，得到第一扫描电镜图像；对合成后的扫描电镜图像进行高斯滤波，得到第二扫描电镜图像；将第二扫描电镜图像进行均值偏移处理，得到第三扫描电镜图像；对第三扫描电镜图像利用Sobel算子进行处理，得到扫描电镜图像的边缘图像；采用分水岭算法对边缘图像进行区域分割处理，得到分割后的扫描电镜图像，分割后的扫描电镜图像包含有裂纹信息。本发明能够提高实验样品的检测效率。

Description

一种扫描电镜样品裂纹图像自动分割标定方法及系统
技术领域
本发明涉及图像处理领域，特别是涉及一种扫描电镜样品裂纹图像自动分割标定方法及系统。
背景技术
在激光工程中，许多实验样品会在加工时出现微裂纹，比如硬质合金的加工会导致表面出现许多微裂纹。各种裂纹缺陷的存在会降低实验样品的整体强度和疲劳寿命。目前，主要通过扫描电镜图像手动对实验样品进行分析以确定裂纹类型，并评估已识别裂纹的存在是否会对使用中的零件造成重大风险。但是手动检查扫描电镜图像既主观又耗时，不能很好的应用于大量的实验样品检测中。
发明内容
本发明的目的是提供一种扫描电镜样品裂纹图像自动分割标定方法及系统，能够提高实验样品的检测效率。
为实现上述目的，本发明提供了如下方案：
一种扫描电镜样品裂纹图像自动分割标定方法，包括：
获取实验样品在同一扫描区域内的多张扫描电镜图像；
将各所述扫描电镜图像进行合成，得到第一扫描电镜图像；
对所述第一扫描电镜图像进行高斯滤波，得到第二扫描电镜图像；
对所述第二扫描电镜图像进行均值偏移处理，得到第三扫描电镜图像；
对所述第三扫描电镜图像利用Sobel算子进行处理，得到扫描电镜图像的边缘图像；
采用分水岭算法对所述边缘图像进行区域分割处理，得到分割后的扫描电镜图像，所述分割后的扫描电镜图像包含有裂纹信息。
可选地，所述将各所述扫描电镜图像进行合成，得到第一扫描电镜图像，具体包括：
将各所述扫描电镜图像采用公式
Figure BDA0003893755110000011
进行合成，得到第一扫描电镜图像；
其中，f1(x，y)、f2(x，y)和f3(x，y)分别为扫描电镜对同一扫描区域进行的三次扫描电镜图像的像素点的灰度值，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值，g(x，y)为合成后的图像像素点的灰度值。
可选地，所述对所述第一扫描电镜图像进行高斯滤波，得到第二扫描电镜图像，具体包括：
对所述第一扫描电镜图像采用公式
Figure BDA0003893755110000021
进行高斯滤波，得到第二扫描电镜图像；
其中，G(x，y)的值为矩阵的权值，σ为矩阵像素点的方差，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值。
可选地，所述将所述第二扫描电镜图像进行均值偏移处理，得到第三扫描电镜图像，具体包括：
将所述第二扫描电镜图像采用公式
Figure BDA0003893755110000022
进行均值偏移处理，得到第三扫描电镜图像；
其中，
Figure BDA0003893755110000023
xi为n个样本点，i＝1，2…，n，Sh为以x为中心半径、h的高维球体，Sh表示计算一次的有效区域，所述有效区域中包含k个样本点，Mh(x)为x的偏移均值向量，Mh(x)用来对x进行迭代，值倾向于向有效区域中样本密度高的地方移动。
可选地，所述对所述第三扫描电镜图像利用Sobel算子进行处理，得到扫描电镜图像的边缘图像，具体包括：
对所述第三扫描电镜图像利用Sobel算子分别提取横向的边缘和竖向的边缘，得到横向边缘图像和竖向边缘图像；
根据所述横向边缘图像和所述竖向边缘图像采用公式
Figure BDA0003893755110000024
Figure BDA0003893755110000025
进行计算，得到整幅扫描电镜图像的边缘图像；
其中，f(xy)为两幅图像对应像素的像素值。fx(xy)和fy(x，y)分别表示图像横向的边缘和竖向的边缘。
可选地，所述采用分水岭算法对所述边缘图像进行区域分割处理，得到分割后的扫描电镜图像，具体包括：
对所述边缘图像进行区域划分，得到每个不连通区域中图像像素的最小值；
根据各所述图像像素的最小值采用形态学膨胀方法构筑分割线，得到含有分割线的扫描电镜图像，所述含有分割线的扫描电镜图像包含有裂纹信息，所述分割线为裂纹。
一种扫描电镜样品裂纹图像自动分割标定系统包括：
扫描电镜图像获取模块，用于获取实验样品在同一扫描区域内的多张扫描电镜图像；
第一扫描电镜图像确定模块，用于将各所述扫描电镜图像进行合成，得到第一扫描电镜图像；
第二扫描电镜图像确定模块，用于对所述第一扫描电镜图像进行高斯滤波，得到第二扫描电镜图像；
第三扫描电镜图像确定模块，用于将所述第二扫描电镜图像进行均值偏移处理，得到第三扫描电镜图像；
边缘图像确定模块，用于对所述第三扫描电镜图像利用Sobel算子进行处理，得到扫描电镜图像的边缘图像；
分割后扫描电镜图像确定模块，用于采用分水岭算法对所述边缘图像进行区域分割处理，得到分割后的扫描电镜图像，所述分割后的扫描电镜图像包含有裂纹信息。
可选地，所述第一扫描电镜图像确定模块，具体包括：
第一扫描电镜图像确定单元，用于将各所述扫描电镜图像采用公式
Figure BDA0003893755110000031
进行合成，得到第一扫描电镜图像；
其中，f1(x，y)、f2(x，y)和f3(x，y)分别为扫描电镜对同一扫描区域进行的三次扫描电镜图像的像素点的灰度值，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值，g(x，y)为合成后的图像像素点的灰度值。
可选地，所述第二扫描电镜图像确定模块，具体包括：
第二扫描电镜图像确定单元，用于对所述第一扫描电镜图像采用公式
Figure BDA0003893755110000032
进行高斯滤波，得到第二扫描电镜图像；
其中，G(x，y)的值为矩阵的权值，σ为矩阵像素点的方差，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值。
可选地，所述第三扫描电镜图像确定模块，具体包括：
第三扫描电镜图像确定单元，用于将所述第二扫描电镜图像采用公式
Figure BDA0003893755110000041
进行均值偏移处理，得到第三扫描电镜图像；
其中，
Figure BDA0003893755110000042
xi为n个样本点，i＝1，2…，n，Sh为以x为中心半径、h的高维球体，Sh表示计算一次的有效区域，所述有效区域中包含k个样本点，Mh(x)为x的偏移均值向量，Mh(x)用来对x进行迭代，值倾向于向有效区域中样本密度高的地方移动。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种扫描电镜样品裂纹图像自动分割标定方法及系统，该方法包括获取实验样品在同一扫描区域内的多张扫描电镜图像；将多张扫描电镜图像进行合成得到第一扫描电镜图像；对合成后的扫描电镜图像进行高斯滤波得到第二扫描电镜图像；将第二扫描电镜图像进行均值偏移处理得到第三扫描电镜图像；对第三扫描电镜图像利用Sobel算子进行处理得到扫描电镜图像的边缘图像；采用分水岭算法对边缘图像进行区域分割处理得到分割后的扫描电镜图像，分割后的扫描电镜图像包含有裂纹信息。由上述内容可知本发明采用平均思想对初始成像质量进行改善，并采用高斯滤波、均值偏移对图像进行模糊处理，最后采用Sobel和分水岭算法对图像进行分割和边缘检测，快速得到了包含有裂纹信息的扫描电镜图像，提高了实验样品的检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的扫描电镜样品裂纹图像自动分割标定方法流程图；
图2为本发明实施例2提供的扫描电镜样品裂纹图像自动分割标定系统结构图。
具体实施方式
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，都属于本发明保护的范围。
本发明的目的是提供一种扫描电镜样品裂纹图像自动分割标定方法及系统，能够提高实验样品的检测效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，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。
实施例1
在进行实验样品加工时，尤其是硬质合金，会导致许多表面缺陷，包括气孔、球化和微裂纹。当存在于刀具微观结构中时，微裂纹可导致碎屑和早期失效。裂纹的检测和识别可用于预测加工后的材料性能。使用了扫描电镜(SEM)可以在微观尺度更好地观察裂纹的存在并提取裂纹的几何形状和其他信息，也能精准地观测到其他材料自身或在加工时产生的缺陷。但是手动检查扫描电镜图像既主观又耗时，不能很好的应用于大量的样品检测中。针对上述问题，本发明提供了一种扫描电镜样品裂纹图像自动分割标定方法，图1为本发明扫描电镜样品裂纹图像自动分割标定方法流程图。如图1所示，一种扫描电镜样品裂纹图像自动分割标定方法包括：
步骤101：获取实验样品在同一扫描区域内的多张扫描电镜图像。
将实验样品置于扫描电镜真空腔室内使用扫描电镜对实验样品进行扫描，该实验样品为金属或合金。在扫描电镜显示端初次观察到存在裂纹的图像，或者出现其他材料缺陷现象的图像后，利用嵌入式设备控制扫描电镜采集实验样品图像，每一个需要进行拍照的区域进行三次拍照，得到多张扫描电镜图像。
步骤102：将各所述扫描电镜图像进行合成，得到第一扫描电镜图像。
将同一个拍照区域的多张扫描电镜图像转化为矩阵，分别为f1、f2、f3，然后对三个矩阵每个对应像素进行相加，然后除以3，放入另一矩阵中，再将该矩阵转化为图像显示。
步骤102具体包括：
将各所述扫描电镜图像采用公式
Figure BDA0003893755110000051
进行合成，得到第一扫描电镜图像；
其中，f1(x，y)、f2(x，y)和f3(x，y)分别为扫描电镜对同一扫描区域进行的三次扫描电镜图像的像素点的灰度值，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值，g(x，y)为合成后的图像像素点的灰度值。
步骤103：对所述第一扫描电镜图像进行高斯滤波，得到第二扫描电镜图像。
在二维图像中，以33邻域为例，高斯滤波是对域内的9个数做加权平均即每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到，其中心思想是邻域中每个点离中心点的距离不一样，不应该像均值滤波一样每个点的权重一样，而是离中心点越近，权值越大。而每个点的权重就是高斯分布。因此为了更好的去除噪声，对合成后的扫描电镜图像进行高斯滤波。
步骤103具体包括：
对所述第一扫描电镜图像采用公式
Figure BDA0003893755110000061
进行高斯滤波，得到第二扫描电镜图像；
其中，G(x，y)的值为矩阵的权值，σ为矩阵像素点的方差，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值。
步骤104：将所述第二扫描电镜图像进行均值偏移处理，得到第三扫描电镜图像，具体包括：
对所述第二扫描电镜图像采用公式
Figure BDA0003893755110000062
进行均值偏移处理，得到第三扫描电镜图像；
其中，
Figure BDA0003893755110000063
xi为n个样本点，i＝1，2…，n，Sh为以x为中心半径、h的高维球体，其表示计算一次的有效区域，该区域中包含k个样本点。Mh(x)则为x的偏移均值向量，可以用来对x进行迭代，其值倾向于向有效区域中样本密度高(即概率密度大)的地方移动，在最终收敛的时候获得灰度值在该有效区域中的峰值。通过调整Sh的区域，可以控制整幅扫描电镜图像的平滑程度。
步骤105：对所述第三扫描电镜图像利用Sobel算子进行处理，得到扫描电镜图像的边缘图像，具体包括：
步骤1051：对所述第三扫描电镜图像利用Sobel算子分别提取横向的边缘和竖向的边缘，得到横向边缘图像和竖向边缘图像。
对于横向边缘，可提取X方向的边缘，X方向一阶Sobel边缘检测算子如下所示：
Figure BDA0003893755110000071
对于竖向边缘，可提取Y方向的边缘，Y方向一阶Sobel边缘检测算子如下所示：
Figure BDA0003893755110000072
步骤1052：根据所述横向边缘图像和所述竖向边缘图像采用公式
Figure BDA0003893755110000073
Figure BDA0003893755110000074
进行计算，得到整幅扫描电镜图像的边缘图像；
其中，f(xy)为两幅图像对应像素的像素值。fx(xy)和fy(xy)分别表示图像横向的边缘和竖向的边缘。
即步骤1052是综合两个方向的边缘信息得到整幅扫描电镜图像的边缘，即边缘图像。fx(xy)和fy(x，y)分别表示图像X方向的边缘和Y方向的边缘。
步骤106：采用分水岭算法对所述边缘图像进行区域分割处理，得到分割后的扫描电镜图像，所述分割后的扫描电镜图像包含有裂纹信息。具体包括：
步骤1061：对所述边缘图像进行区域划分，得到每个不连通区域中图像像素的最小值。
步骤1062：根据各所述图像像素的最小值采用形态学膨胀方法构筑分割线，得到含有分割线的扫描电镜图像，所述含有分割线的扫描电镜图像包含有裂纹信息，所述分割线为裂纹。当两个不连通区域在第n次膨胀中聚合时，对来自n-1步的两个连通分量可以进行“与”操作提取处理，这样属于单个连通区域的所有点就形成了单一的连通分量，即完成了这两个区域的划分，同时消除了分割线割裂的问题。多次重复以上过程即可获得带有边缘信息(这里的边缘信息就是一条完整的分割线，即裂纹)的图像，消除了分割线割裂的问题。
将步骤105获得边缘图像转化为矩阵，并且依据其边缘信息进行区域划分，寻找到每个不连通区域中图像像素的最小值。利用每个不连通区域中的最小值进行分水岭算法，将分割后互不连通的区域分配不同的颜色并计算其像素面积，然后将处理后的矩阵并转化为图像，最终将图像和其他标定信息在电脑端进行输出。
利用分水岭算法对步骤105获得的图像f(x，y)进行区域分割处理。分水岭算法的核心思想是以三维形象化一幅图像为基础，将像素值的大小看作三维图像中的高度，将图像抽象为地形学。此时把一点看成水滴，将这些点放到任意位置上，水滴一定会下落到一个单一的最小值点，在该处的水会等可能的流向不止一个这样的最小值点，这样的最小值点的集合称为该最小值的汇水盆地或分水岭。令M1，M2，…，MR是表示f(x，y)的区域最小值点的坐标的集合。该图像为梯度图像。令C(Mi)表示与区域最小值Mi相联系的汇水盆地中的点的坐标集合。min和max用于表示f(x，y)的最小值和最大值。T(n)表示满足f(s，t)＜n的坐标(st)的集合，即
T(n)＝{(st)|f(s，t)＜n}
几何上，T(n)是f(x，y)中位于平面f(x，y)＝n下方的点的坐标集合。
随着水位以整数n＝min+1到n＝max+1不断上升，令C(Mi)表示汇水盆地中与淹没阶段n的最小值Mi相关联的点的坐标集，可以将C(Mi)看成由下式给出的二值图像：
Cn(Mi)＝C(Mi)∩T(n)
如果(x，y)∈C(Mi)和(xy)∈T(n)相“与”，则在位置(x，y)处有Cn(Mi)＝1,否则Cn(Mi)＝0。该阶段会将T(n)中的二值图像分离出来。
令Cn表示在淹没阶段n中已被水淹没的汇水盆地的并集：
Figure BDA0003893755110000081
然后令C[max+1]表示所有汇水盆地的并集：
Figure BDA0003893755110000082
在算法执行过程中，Cn(Mi)和T(n)中的元素不会被替换，当n增大时，这两个集合中的元素数量保持相同。因此C[n-1]中的每个连通分量都包含在T(n)的一个连通分量中。寻找分水岭也就是图像边缘的算法使用C[min+1]＝T[min+1]进行初始化。然后进行递归处理，由C[n-1]计算C[n]。最后将分割好的图像进行输出，同时输出分割好的各部分的像素面积。
现有的扫描电镜在环境较为复杂时成像质量并不能很高，受环境噪声影响较为严重。其次现有的扫描电镜成像系统不能对采集到的图像进行图像分割、边缘识别等复杂操作，对于所观察样品的裂纹等其他缺陷只能通过手动检查的方式，不能很好的应对大批量的样品检测。本发明采用灰度平均思想对初始成像质量进行改善，并采用高斯滤波、均值偏移函数对图像进行模糊处理，最后采用Sobel和分水岭算法对图像进行分割和边缘检测，快速得到了包含有裂纹信息的扫描电镜图像，提高了实验样品的检测效率。
实施例2
如图2所示，本实施例提供一种扫描电镜样品裂纹图像自动分割标定系统，包括：
扫描电镜图像获取模块201，用于获取实验样品在同一扫描区域内的多张扫描电镜图像。
第一扫描电镜图像确定模块202，用于将各所述扫描电镜图像进行合成，得到第一扫描电镜图像。
第二扫描电镜图像确定模块203，用于对所述第一扫描电镜图像进行高斯滤波，得到第二扫描电镜图像。
第三扫描电镜图像确定模块207，用于对所述第二扫描电镜图像进行均值偏移处理，得到第三扫描电镜图像。
扫描电镜图像的边缘图像确定模块205，用于对所述第三扫描电镜图像利用Sobel算子进行处理，得到扫描电镜图像的边缘图像。
分割后扫描电镜图像确定模块206，用于采用分水岭算法对所述边缘图像进行区域分割处理，得到分割后的扫描电镜图像，所述分割后的扫描电镜图像包含有裂纹信息。
所述第一扫描电镜图像确定模块202具体包括：
第一扫描电镜图像确定单元，用于将各所述扫描电镜图像采用公式
Figure BDA0003893755110000101
进行合成，得到第一扫描电镜图像；
其中，f1(x，y)、f2(x，y)和f3(xy)分别为扫描电镜对同一扫描区域进行的三次扫描电镜图像的像素点的灰度值，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值，g(x，y)为合成后的图像像素点的灰度值。
所述第二扫描电镜图像确定模块203具体包括：
第二扫描电镜图像确定单元，用于对所述第一扫描电镜图像采用公式
Figure BDA0003893755110000102
进行高斯滤波，得到第二扫描电镜图像；
其中，G(xy)的值为矩阵的权值，σ为矩阵像素点的方差，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值。
所述第三扫描电镜图像确定模块204具体包括：
第三扫描电镜图像确定单元，用于将所述第二扫描电镜图像采用公式
Figure BDA0003893755110000103
进行均值偏移处理，得到第三扫描电镜图像；
其中，
Figure BDA0003893755110000104
xi为n个样本点，i＝1，2…，n，Sh为以x为中心半径、h的高维球体，Sh表示计算一次的有效区域，所述有效区域中包含k个样本点，Mh(x)为x的偏移均值向量，Mh(x)用来对x进行迭代，值倾向于向有效区域中样本密度高的地方移动。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种扫描电镜样品裂纹图像自动分割标定方法，其特征在于，包括：
获取实验样品在同一扫描区域内的多张扫描电镜图像；
将各所述扫描电镜图像进行合成，得到第一扫描电镜图像；
对所述第一扫描电镜图像进行高斯滤波，得到第二扫描电镜图像；
对所述第二扫描电镜图像进行均值偏移处理，得到第三扫描电镜图像；
对所述第三扫描电镜图像利用Sobel算子进行处理，得到所述扫描电镜图像的边缘图像；
采用分水岭算法对所述边缘图像进行区域分割处理，得到分割后的扫描电镜图像，所述分割后的扫描电镜图像包含有裂纹信息。
2.根据权利要求1所述的扫描电镜样品裂纹图像自动分割标定方法，其特征在于，所述将各所述扫描电镜图像进行合成，得到第一扫描电镜图像，具体包括：
将各所述扫描电镜图像采用公式
Figure FDA0003893755100000011
进行合成，得到第一扫描电镜图像；
其中，f1(x，y)、f2(x，y)和f3(x，y)分别为扫描电镜对同一扫描区域进行的三次扫描电镜图像的像素点的灰度值，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值，g(x，y)为合成后的图像像素点的灰度值。
3.根据权利要求1所述的扫描电镜样品裂纹图像自动分割标定方法，其特征在于，所述对所述第一扫描电镜图像进行高斯滤波，得到第二扫描电镜图像，具体包括：
对所述第一扫描电镜图像采用公式
Figure FDA0003893755100000012
进行高斯滤波，得到第二扫描电镜图像；
其中，G(x，y)的值为矩阵的权值，σ为矩阵像素点的方差，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值。
4.根据权利要求1所述的扫描电镜样品裂纹图像自动分割标定方法，其特征在于，所述对所述第二扫描电镜图像进行均值偏移处理，得到第三扫描电镜图像，具体包括：
对所述第二扫描电镜图像采用公式
Figure FDA0003893755100000013
进行均值偏移处理，得到第三扫描电镜图像；
其中，
Figure FDA0003893755100000021
xi为n个样本点，i＝1，2…，n，Sh为以x为中心半径、h的高维球体，Sh表示计算一次的有效区域，所述有效区域中包含k个样本点，Mh(x)为x的偏移均值向量，Mh(x)用来对x进行迭代，值倾向于向有效区域中样本密度高的地方移动。
5.根据权利要求1所述的扫描电镜样品裂纹图像自动分割标定方法，其特征在于，所述对所述第三扫描电镜图像利用Sobel算子进行处理，得到所述扫描电镜图像的边缘图像，具体包括：
对所述第三扫描电镜图像利用Sobel算子分别提取横向的边缘和竖向的边缘，得到横向边缘图像和竖向边缘图像；
根据所述横向边缘图像和所述竖向边缘图像采用公式
Figure FDA0003893755100000022
Figure FDA0003893755100000023
进行计算，得到整幅所述扫描电镜图像的边缘图像；
其中，f(x，y)为两幅图像对应像素的像素值；fx(x，y)和fy(x，y)分别表示图像横向的边缘和竖向的边缘。
6.根据权利要求1所述的扫描电镜样品裂纹图像自动分割标定方法，其特征在于，所述采用分水岭算法对所述边缘图像进行区域分割处理，得到分割后的扫描电镜图像，具体包括：
对所述边缘图像进行区域划分，得到每个不连通区域中图像像素的最小值；
根据各所述图像像素的最小值采用形态学膨胀方法构筑分割线，得到含有分割线的扫描电镜图像，所述含有分割线的扫描电镜图像包含有裂纹信息，所述分割线为裂纹。
7.一种基于权利要求1至6任一项所述的方法的扫描电镜样品裂纹图像自动分割标定系统，其特征在于，包括：
扫描电镜图像获取模块，用于获取实验样品在同一扫描区域内的多张扫描电镜图像；
第一扫描电镜图像确定模块，用于将各所述扫描电镜图像进行合成，得到第一扫描电镜图像；
第二扫描电镜图像确定模块，用于对所述第一扫描电镜图像进行高斯滤波，得到第二扫描电镜图像；
第三扫描电镜图像确定模块，用于将所述第二扫描电镜图像进行均值偏移处理，得到第三扫描电镜图像；
边缘图像确定模块，用于对所述第三扫描电镜图像利用Sobel算子进行处理，得到所述扫描电镜图像的边缘图像；
分割后扫描电镜图像确定模块，用于采用分水岭算法对所述边缘图像进行区域分割处理，得到分割后的扫描电镜图像，所述分割后的扫描电镜图像包含有裂纹信息。
8.根据权利要求7所述的扫描电镜样品裂纹图像自动分割标定系统，其特征在于，所述第一扫描电镜图像确定模块，具体包括：
第一扫描电镜图像确定单元，用于将各所述扫描电镜图像采用公式
Figure FDA0003893755100000031
进行合成，得到第一扫描电镜图像；
其中，f1(x，y)、f2(x，y)和f3(x，y)分别为扫描电镜对同一扫描区域进行的三次扫描电镜图像的像素点的灰度值，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值，g(x，y)为合成后的图像像素点的灰度值。
9.根据权利要求7所述的扫描电镜样品裂纹图像自动分割标定系统，其特征在于，所述第二扫描电镜图像确定模块，具体包括：
第二扫描电镜图像确定单元，用于对所述第一扫描电镜图像采用公式
Figure FDA0003893755100000032
进行高斯滤波，得到第二扫描电镜图像；
其中，G(x，y)的值为矩阵的权值，σ为矩阵像素点的方差，x为扫描电镜图像像素的横坐标值，y为扫描电镜图像像素的纵坐标值。
10.根据权利要求7所述的扫描电镜样品裂纹图像自动分割标定系统，其特征在于，所述第三扫描电镜图像确定模块，具体包括：
第三扫描电镜图像确定单元，用于将所述第二扫描电镜图像采用公式
Figure FDA0003893755100000033
进行均值偏移处理，得到第三扫描电镜图像；
其中，
Figure FDA0003893755100000034
xi为n个样本点，i＝1，2…，n，Sh为以x为中心半径、h的高维球体，Sh表示计算一次的有效区域，所述有效区域中包含k个样本点，Mh(x)为x的偏移均值向量，Mh(x)用来对x进行迭代，值倾向于向有效区域中样本密度高的地方移动。
CN202211268770.5A 2022-10-17 2022-10-17 一种扫描电镜样品裂纹图像自动分割标定方法及系统 Pending CN115457028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211268770.5A CN115457028A (zh) 2022-10-17 2022-10-17 一种扫描电镜样品裂纹图像自动分割标定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211268770.5A CN115457028A (zh) 2022-10-17 2022-10-17 一种扫描电镜样品裂纹图像自动分割标定方法及系统

Publications (1)

Publication Number Publication Date
CN115457028A true CN115457028A (zh) 2022-12-09

Family

ID=84310758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211268770.5A Pending CN115457028A (zh) 2022-10-17 2022-10-17 一种扫描电镜样品裂纹图像自动分割标定方法及系统

Country Status (1)

Country Link
CN (1) CN115457028A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409408A (zh) * 2023-12-15 2024-01-16 北京大学 层理缝参数获取方法、装置、设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409408A (zh) * 2023-12-15 2024-01-16 北京大学 层理缝参数获取方法、装置、设备及可读存储介质
CN117409408B (zh) * 2023-12-15 2024-03-08 北京大学 层理缝参数获取方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN114723681B (zh) 一种基于机器视觉的混凝土裂缝缺陷检测方法
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
US6463175B1 (en) Structure-guided image processing and image feature enhancement
CN109146860B (zh) 全自动机械设备安装泄露检测方法及装置
CN109242870A (zh) 一种基于图像划分和纹理特征的海天线检测方法
CN110458843B (zh) 掩模图像的分割方法及系统
CN113506246B (zh) 基于机器视觉的混凝土3d打印构件精细检测方法
CN115457028A (zh) 一种扫描电镜样品裂纹图像自动分割标定方法及系统
CN115018835B (zh) 一种汽车起动机齿轮检测方法
CN111860176B (zh) 一种非金属夹杂全视场定量统计分布表征方法
CN114494318B (zh) 基于大津算法的角膜动态形变视频提取角膜轮廓的方法
CN110246139B (zh) 基于双阈值的浮游生物原位图像roi快速提取方法
CN115272664A (zh) 仪表盘示数展示方法、装置、电子设备和存储介质
CN114782473A (zh) 一种基于像素关系的金相组织晶界提取方法
CN115619799B (zh) 一种基于迁移学习的晶粒图像分割方法及系统
Nagase et al. Automatic calculation and visualization of nuclear density in whole slide images of hepatic histological sections
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置
JP7444137B2 (ja) 金属組織のセグメンテーション方法
CN115457044A (zh) 基于类激活映射的路面裂缝分割方法
CN114841971A (zh) 金属块凹坑缺陷检测方法、系统及装置
CN114862883A (zh) 一种目标边缘提取方法、图像分割方法及系统
CN110349129B (zh) 一种高密度柔性ic基板外观缺陷检测方法
CN113177602A (zh) 图像分类方法、装置、电子设备和存储介质
Mustapha et al. Crack Detection on Surfaces Using Digital Image Processing
CN116681697B (zh) 一种金刚石复合片的脱钴测量方法、装置及电子设备

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