CN117830184A - 一种金相图像增强方法及系统 - Google Patents
一种金相图像增强方法及系统 Download PDFInfo
- Publication number
- CN117830184A CN117830184A CN202410251198.4A CN202410251198A CN117830184A CN 117830184 A CN117830184 A CN 117830184A CN 202410251198 A CN202410251198 A CN 202410251198A CN 117830184 A CN117830184 A CN 117830184A
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- pixel block
- super pixel
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 239000002184 metal Substances 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 18
- 238000012545 processing Methods 0.000 abstract description 4
- 229910000859 α-Fe Inorganic materials 0.000 description 19
- 229910001562 pearlite Inorganic materials 0.000 description 17
- 229910001209 Low-carbon steel Inorganic materials 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000004321 preservation Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 239000013078 crystal Substances 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 229910001566 austenite Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种金相图像增强方法及系统,该方法包括:采集金属样品的金相图像;根据边缘图像中每条边缘曲线两侧邻域内的曲线分布以及灰度分布构建每条边缘曲线的边缘标记指数;根据灰度图像中超像素块的灰度值信息熵以及边缘标记指数构建超像素块的组织灰度底数;根据超像素块的组织灰度底数、灰度直方图中波峰对应的灰度值以及灰度占比,构建超像素块在小波变换各分解层次的阈值;根据灰度图像中超像素块在小波变换各分解层次的阈值优化灰度图像的小波变换,实现金相图像的增强。本发明旨在针对金相图像中不同组织结构和分解层次进行去噪,获得更好的图像增强效果。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种金相图像增强方法及系统。
背景技术
金相图像分析是材料科学领域中至关重要的手段,它能够揭示材料的微观结构和性能,从而深入理解材料的性质和应用潜力。金相图像是通过显微镜等设备观察和记录的,它们展现了材料内部结构和组织的详细情况,对于材料性能的评价、制造工艺的优化以及新材料的设计等方面都具有重要意义。金相图像分析有助于研究者更好地理解材料的性能和行为,从而为各种工程应用和科学研究提供有力支持。然而,在实际应用中,金相图像经常受到各种因素的影响,如光照不均、噪声干扰、对比度不足等,这使得图像的细节和特征难以被清晰地观察和分析。因此,为了更好地揭示金相图像中的细节和特征,一种有效的金相图像增强方法是十分必要的。
传统的金相图像增强方法主要依赖于手动调整以及简单的图像处理技术,如对比度调整等。这些方法在某些情况下可以取得一定的效果,但存在局限性。如对操作者技能要求高、处理时间长、效果不稳定等。在金相图像中使用小波去噪具有良好的效果,在传统的小波去噪中,通用的阈值是VisuShrink阈值,并且在所有的分解层次中使用固定的阈值,然而随着分解层次的增加,噪声应该是减少的,此时应该使用更小的阈值来保留更多的细节。因此如何选择一种合适的阈值函数,使得有更好的去噪效果,是一个需要解决的难题。
发明内容
为了解决上述技术问题,本发明提供一种金相图像增强方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种金相图像增强方法,该方法包括以下步骤:
采集金属样品的金相图像;
构建边缘增强后的金相图像;根据边缘图像中每条边缘曲线两侧邻域内的曲线分布以及灰度分布构建每条边缘曲线的边缘标记指数;获取边缘增强后的金相图像的灰度图像内各个超像素块;对于灰度图像中各个超像素块,获取超像素块的灰度值信息熵;根据超像素块的灰度值信息熵以及边缘标记指数获取超像素块的组织类型系数和灰度熵系数;根据超像素块在灰度直方图中的峰值分布构建超像素块各波峰灰度值的灰度占比;
基于组织类型系数以及灰度熵系数构建超像素块的组织灰度底数;根据超像素块的组织灰度底数、灰度直方图中波峰对应的灰度值及其灰度占比,构建超像素块在小波变换各分解层次的阈值;根据灰度图像中超像素块在小波变换各分解层次的阈值优化灰度图像的小波变换,实现金相图像的增强。
优选的,所述构建边缘增强后的金相图像,包括:
采用边缘检测算法获取金相图像的边缘图像,将边缘图像与金相图像通过OpenCV库中的cv2.add()函数进行叠加,得到边缘增强后的金相图像。
优选的,所述根据边缘图像中每条边缘曲线两侧邻域内的曲线分布以及灰度分布构建每条边缘曲线的边缘标记指数,包括:
分别获取边缘图像中每条边缘曲线两侧邻域内的边缘曲线数量、占比最大的灰度值;
计算每条边缘曲线两侧邻域内占比最大的灰度值之间的差值绝对值以及和值;将所述差值绝对值与所述和值的比值作为以自然常数为底数的指数函数的指数;
将每条边缘曲线两侧邻域内的边缘曲线数量之间的差值绝对值,乘以所述指数函数的计算结果作为每条边缘曲线的边缘标记指数。
优选的,所述获取边缘增强后的金相图像的灰度图像内各个超像素块,包括:
对于边缘增强后的金相图像采用超像素分割算法,获取分割图像;对分割图像采用色彩空间转换技术,获取灰度图像;灰度图像中包含各个超像素块。
优选的,所述根据超像素块的灰度值信息熵以及边缘标记指数获取超像素块的组织类型系数和灰度熵系数,包括:
其中,超像素块的组织类型系数和灰度熵系数的表达式分别为:
其中,是超像素块/>的组织类型系数,/>是超像素块/>的灰度熵系数,/>是超像素块/>的边缘曲线的边缘标记指数,/>是超像素块/>的灰度值信息熵,/>是取最小值函数,/>是取最大值函数。
优选的,所述根据超像素块在灰度直方图中的峰值分布构建超像素块各波峰灰度值的灰度占比,包括:
获取超像素块的灰度直方图中的各个峰值,将各个峰值的数值与超像素块内的像素点总数的比值,作为超像素块的灰度直方图中各个峰值对应灰度值的灰度占比。
优选的,所述基于组织类型系数以及灰度熵系数构建超像素块的组织灰度底数,包括:
将超像素块的组织类型系数的倒数、灰度熵系数以及数值1的和值,作为超像素块的组织灰度底数。
优选的,所述根据超像素块的组织灰度底数、灰度直方图中波峰对应的灰度值及其灰度占比,构建超像素块在小波变换各分解层次的阈值,包括:
其中,超像素块在第/>分解层次的阈值的表达式为:
其中,是超像素块/>在第/>分解层次的阈值,/>是归一化函数,/>是超像素块/>的灰度直方图中波峰的个数,/>是超像素块/>的灰度直方图中第n个波峰对应的灰度值,/>是灰度值/>的灰度占比,/>是以K为底数、j+1为真数的对数函数,/>是噪声方差,/>是信号长度。
优选的,所述根据灰度图像中超像素块在小波变换各分解层次的阈值优化灰度图像的小波变换,实现金相图像的增强,包括:
将灰度图像中各个超像素块在各分解层次的阈值替换传统小波变换的固定阈值,得到去噪后的图像;将去噪后的图像采用开运算,得到增强边缘特征后的图像。
第二方面,本发明实施例还提供了一种金相图像增强系统,包括存储器、处理器以及存储在所述存储器中并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任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明通过将边缘图像与金相图像进行叠加,边缘增强后的金相图像保留了金属中的晶界、相结构等重要信息,同时增强了边界的识别度,提高了对后续图像分析时的准确性;本发明通过统计边缘线两侧的边缘曲线的数量以及占比较大的灰度值差异,从曲线两侧的分布差异以及灰度分布角度分析每条边缘曲线的边缘特征情况,同时结合低碳钢金相图像中铁素体和珠光体这两种组织结构的特征,挖掘边缘曲线的区别特征,从而便于判断每条边缘曲线的类型;
然后对边缘增强后的金相图像进行SLIC图像分割,在超像素块中计算灰度值信息熵、组织类型系数和灰度熵系数,从而用于区分超像素块为铁素体组织结构和珠光体组织结构可能性,使得组织结构判断的条件分析更加全面,判断效果更好;最后,利用组织类型系数和灰度熵系数构造自适应的阈值函数进行小波去噪,通过这种方式,考虑到了不同组织结构在去噪时对保留细节的要求不同、不同分解层次的噪声含量不同,进而对于阈值有不同的要求,根据这两点构造自适应的阈值函数,既保证去噪效果,又尽可能多的保留细节,使得能够更好的针对不同组织结构和分解层次进行去噪,获得更好的图像增强效果。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明提供的一种金相图像增强方法的流程图;
图2为增强边缘特征后的图像的指标构建流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种金相图像增强方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种金相图像增强方法及系统的具体方案。
本发明一个实施例提供的一种金相图像增强方法及系统。
具体的,提供了如下的一种金相图像增强方法,请参阅图1,该方法包括以下步骤:
步骤S001,通过对金属样品进行取样、磨削、抛光、腐蚀和观察等步骤,获取金属样品的金相图像。
金相图像的获得主要依靠金相试样的制备和显微镜观察两个过程。首先将金属样品进行磨削和抛光,去除表面的杂质和氧化层,得到光滑平整的表面;然后将样品表面腐蚀,以显示出金属内部的晶界和相结构;最后将腐蚀后的金属样品表面放置到显微镜下进行观察,并使用数字相机对观察到的图像进行采集,得到金属样品的金相图像。
步骤S002,根据金相图像中金属样品的边缘信息、组织结构信息以及灰度分布情况,从而用于区分超像素块是铁素体和珠光体;利用组织类型系数和灰度熵系数构造超像素块在各分解层次上的自适应的阈值函数。
金相图像的获取需要经历样品制备、显微镜操作和图像采集等步骤,步骤繁琐且容易产生操作失误,使得采集到的金相图像有较多的噪声。从而在后续对于金相图像的观察分析,以及对于重要信息如晶界、相结构等特征的提取,也会造成较大的误差。所以需要降低金相图像的噪声水平,提高图像的清晰度和质量,同时也要注意尽可能多的保留重要信息,如晶界、相结构等。此外,在金相图像中,晶界通常呈现出比较暗淡或黑色的线条,分隔不同的晶粒,且金相图像晶界大都是边缘,所以首先以金相图像为输入,采用Canny边缘检测,得到边缘图像/>。然后将边缘图像/>与金相图像/>作为输入,通过OpenCV库的cv2.add()函数进行叠加,得到边缘增强后的金相图像/>。Canny边缘检测作为公知技术,具体过程不再赘述。
在边缘图像中,以其中一条边缘曲线/>为例,分别在与边缘曲线/>平行的两侧距离/>的邻域内,统计存在的边缘曲线的条数,分别记作/>、/>,其中/>为对应边缘曲线/>一侧的边缘曲线数量,将该侧记为/>侧,/>为另一侧的边缘曲线数量,将该侧记为/>侧,/>、/>侧只是为了清楚表示符号含义,无实际意义,对下面的计算也无影响。其中,边缘曲线存在于邻域是指边缘曲线中的任意一部分在这个邻域内,/>的取值由实施者自行设定。再分别统计/>、/>两侧邻域中占比最大的灰度值,分别记作/>、/>,从而计算边缘曲线的边缘标记指数/>:
其中,表示边缘曲线/>的边缘标记指数,/>、/>分别是边缘曲线/>的/>侧邻域内存在的边缘曲线的条数和占比最大的灰度值,/>、/>分别是边缘曲线/>的/>侧邻域内存在的边缘曲线的条数和占比最大的灰度值,/>是以自然常数e为底数的指数函数。
在低碳钢中,铁素体之间的晶界通常比较平直,呈现较为均匀的分布,相结构相对简单,晶界清晰,通常比较稳定,不易发生变形;而珠光体之间的晶界则呈现出明显的层状结构,晶界的形成与碳原子在奥氏体中的扩散和重新分布有关,具有较高的复杂性和多变性。所以,对低碳钢的金相图像进行边缘检测可以发现,在铁素体部分,边缘线的数量较少,而在珠光体中,边缘线普遍较短,并且分布密集。根据低碳钢的特性,如果边缘线两侧都是铁素体,则两侧的边缘线数量均较少,且两侧的占比最大的灰度值也相近,所以和/>均趋近于0,从而使得边缘标记指数/>趋近于0;如果边缘线两侧都是珠光体,则两侧的边缘线数量均较多,且两侧的占比最大的灰度值差别也较大,所以/>的值较大,/>趋近于0,从而指数函数趋近于1,边缘标记指数/>趋近于;如果边缘线一侧是铁素体,一侧是珠光体,则两侧的边缘线数量差别较大,且两侧的占比最大的灰度值差别也较大,所以/>和/>的值均较大,从而边缘标记指数/>也更大。
如果两侧都是铁素体,则边缘线为铁素体边缘线,记作类型;如果两侧都是珠光体,则边缘线为珠光体边缘线,记作/>类型;如果边缘线一侧是铁素体,一侧是珠光体,则将此边缘线记作/>类型。
然后以边缘增强后的金相图像为输入,采用SLIC算法进行图像分割,获得图像分割后的分割图像/>。然后以分割图像/>为输入,采用色彩空间转换技术,获得图像分割后的灰度图像/>及灰度图像/>中的各个超像素块。在获得的超像素块中,以超像素块/>为例,首先统计超像素块/>中所有像素点的灰度值,并计算超像素块/>的灰度值信息熵/>。信息熵的计算、SLIC算法和色彩空间转换均为公知技术,具体过程不再赘述。然后,结合上述分析,计算超像素块/>的组织类型系数/>和灰度熵系数/>:
其中,是超像素块/>的组织类型系数,/>是超像素块/>的灰度熵系数,/>是超像素块/>的边缘曲线的边缘标记指数,/>是超像素块/>的灰度值信息熵,/>是取最小值函数,/>是取最大值函数。
如果超像素块是珠光体,则超像素块/>的边缘曲线是/>类型或/>类型,从而相对较大;如果超像素块/>是铁素体,则超像素块/>的边缘曲线几乎都是/>类型,则相对较小。从而超像素块/>的组织类型系数/>越大,越可能是珠光体;组织类型系数越小,越可能是铁素体。如果超像素块/>中噪声更多,则超像素块/>的灰度值信息熵/>更大。超像素块/>的灰度熵系数/>越大,则超像素块/>的灰度值信息熵越大,超像素块/>中灰度值稳定性越差,从而超像素块/>的噪声越多。
如果包含的色彩越丰富,对于噪声的识别可能会越困难,越需要重点关注噪声,其次,越疑似噪声的灰度值,越应该给予更大的权重,所以通过统计超像素块中灰度直方图的峰值,得到占比较大的灰度值,并通过灰度占比对各个灰度值赋予不同的权重,以保证得到的自适应阈值可以更好的去噪。从而构建超像素块的灰度直方图,并分别统计各个波峰的对应的灰度值/>的灰度占比/>:
其中,是超像素块/>的灰度直方图中第n个波峰对应灰度值/>的灰度占比,是超像素块/>中灰度值为/>的像素点数量,/>是超像素块/>中像素点总数。
需要说明的是,灰度占比越大,则说明该超像素块中的该灰度值较为重要,在该超像素块中具有较大的权重。
最后以灰度图像输入到Haar小波变换中,得到去噪后的图像。Haar小波变换作为公知技术,具体过程不再赘述。传统的小波去噪的阈值函数使用的是VisuShrink阈值,并且在所有的分解层次中使用固定的阈值,然而随着分解层次的增加,噪声应该是减少的,此时应该使用更小的阈值来保留更多的细节。所以对阈值函数进行修改,对于超像素块/>在第/>分解层次的阈值/>的计算公式如下:
其中,是超像素块/>的组织灰度底数,/>是超像素块/>的组织类型系数,/>是超像素块/>的灰度熵系数;
是超像素块/>在第/>分解层次的阈值,/>是归一化函数,/>是超像素块/>的灰度直方图中波峰的个数,/>是超像素块/>的灰度直方图中第n个波峰对应的灰度值,/>是灰度值/>的灰度占比,/>是以K为底数、j+1为真数的对数函数,/>是噪声方差,是信号长度,其中,噪声方差与信号长度与VisuShrink阈值中的计算方式相同,VisuShrink阈值是公知的,具体不再赘述。
根据低碳钢的金相图像,低碳钢中铁素体中的颜色比较统一,相结构相对简单,细节相对较少且清晰,容易观察,不容易被忽略,所以在铁素体中重点是进行去噪;而珠光体颜色丰富,具有较高的复杂性和多变性,细节相对较多且复杂,不容易观察,所以在珠光体中重点是要保留更多的细节。在进行去噪时,在铁素体部分可以使用较大的阈值,使得去噪效果更强,而在珠光体部分可以使用较小的阈值,使得保留更多的细节。所以,当超像素块/>是铁素体时,其组织类型系数/>相对较小,所以/>相对较大且大于1,从而在相同的分解层次中在相同的分解层次中/>相对较小,而/>已经归一化,所以这个值对阈值的影响比/>对阈值的影响小,进而阈值/>相对更大,此时有更好的去噪效果;当超像素块/>是珠光体时,其组织类型系数/>相对较大,所以/>相对较小且大于1,从而在相同的分解层次中/>相对较大,而已经归一化,所以这个值对阈值的影响比/>对阈值的影响小,进而阈值/>相对更小,此时能保留更多的细节。
当超像素块中的噪声减少时,超像素块/>的灰度熵系数/>减小,所以/>减小且大于1,从而/>增大,而随着噪声的减少,/>的单调性不确定,但由于这个值已经归一化,所以这个值对阈值的影响比/>对阈值的影响小,进而阈值/>是减小的,此时能保留更多的细节。当/>时,阈值/>;随着分解层次/>的增加,噪声应该是减少的,所以灰度值信息熵/>应该是减少的,从而超像素块/>的灰度熵系数/>更小,进而阈值/>更小,也能保留更多的细节。
步骤S003,基于超像素块在各分解层次上的阈值,优化小波变换,实现金相图像的增强。
为了确保各种不同特征的图像块都能获得良好的去噪效果,本实施例采用了一种自适应阈值函数。利用上述步骤构造的阈值函数,根据金相图像中不同组织结构的颜色特征,对处于不同组织的图像块在不同的分解层次上,动态计算出阈值。这样的方法可以更好地去除不同区域的噪声,保留更多图像块内部的细节,实现对于灰度图像的增强。
以灰度图像作为Haar小波变换的输入,自适应确定小波去噪基于不同分解层次下的阈值,得到去噪后的图像。小波去噪作为公知技术,具体过程不再赘述。之后,将去噪后的图像为输入,采用开运算,得到增强边缘特征后的图像。其中,增强边缘特征后的图像的指标构建流程图如图2所示。开运算作为公知技术,具体过程不再赘述。最终得到的图像中,既有良好的去噪效果,又增强了边缘特征,从而实现了对于金相图像的增强。
至此,本实施例完成。
基于与上述方法相同的发明构思,本发明实施例还提供了一种金相图像增强系统,包括存储器、处理器以及存储在所述存储器中并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一种金相图像增强方法中任意一项所述方法的步骤。
综上所述,本发明实施例通过将边缘图像与金相图像进行叠加,边缘增强后的金相图像保留了金属中的晶界、相结构等重要信息,同时增强了边界的识别度,提高了对后续图像分析时的准确性;本发明实施例通过统计边缘线两侧的边缘曲线的数量以及占比较大的灰度值差异,从曲线两侧的分布差异以及灰度分布角度分析每条边缘曲线的边缘特征情况,同时结合低碳钢金相图像中铁素体和珠光体这两种组织结构的特征,挖掘边缘曲线的区别特征,从而便于判断每条边缘曲线的类型;
然后对边缘增强后的金相图像进行SLIC图像分割,在超像素块中计算灰度值信息熵、组织类型系数和灰度熵系数,从而用于区分超像素块为铁素体组织结构和珠光体组织结构可能性,使得组织结构判断的条件分析更加全面,判断效果更好;最后,利用组织类型系数和灰度熵系数构造自适应的阈值函数进行小波去噪,通过这种方式,考虑到了不同组织结构在去噪时对保留细节的要求不同、不同分解层次的噪声含量不同,进而对于阈值有不同的要求,根据这两点构造自适应的阈值函数,既保证去噪效果,又尽可能多的保留细节,使得能够更好的针对不同组织结构和分解层次进行去噪,获得更好的图像增强效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种金相图像增强方法,其特征在于,该方法包括以下步骤:
采集金属样品的金相图像;
构建边缘增强后的金相图像;根据边缘图像中每条边缘曲线两侧邻域内的曲线分布以及灰度分布构建每条边缘曲线的边缘标记指数;获取边缘增强后的金相图像的灰度图像内各个超像素块;对于灰度图像中各个超像素块,获取超像素块的灰度值信息熵;根据超像素块的灰度值信息熵以及边缘标记指数获取超像素块的组织类型系数和灰度熵系数;根据超像素块在灰度直方图中的峰值分布构建超像素块各波峰灰度值的灰度占比;
基于组织类型系数以及灰度熵系数构建超像素块的组织灰度底数;根据超像素块的组织灰度底数、灰度直方图中波峰对应的灰度值及其灰度占比,构建超像素块在小波变换各分解层次的阈值;根据灰度图像中超像素块在小波变换各分解层次的阈值优化灰度图像的小波变换,实现金相图像的增强。
2.如权利要求1所述的一种金相图像增强方法,其特征在于,所述构建边缘增强后的金相图像,包括:
采用边缘检测算法获取金相图像的边缘图像,将边缘图像与金相图像通过OpenCV库中的cv2.add()函数进行叠加,得到边缘增强后的金相图像。
3.如权利要求2所述的一种金相图像增强方法,其特征在于,所述根据边缘图像中每条边缘曲线两侧邻域内的曲线分布以及灰度分布构建每条边缘曲线的边缘标记指数,包括:
分别获取边缘图像中每条边缘曲线两侧邻域内的边缘曲线数量、占比最大的灰度值;
计算每条边缘曲线两侧邻域内占比最大的灰度值之间的差值绝对值以及和值;将所述差值绝对值与所述和值的比值作为以自然常数为底数的指数函数的指数;
将每条边缘曲线两侧邻域内的边缘曲线数量之间的差值绝对值,乘以所述指数函数的计算结果作为每条边缘曲线的边缘标记指数。
4.如权利要求1所述的一种金相图像增强方法,其特征在于,所述获取边缘增强后的金相图像的灰度图像内各个超像素块,包括:
对于边缘增强后的金相图像采用超像素分割算法,获取分割图像;对分割图像采用色彩空间转换技术,获取灰度图像;灰度图像中包含各个超像素块。
5.如权利要求1所述的一种金相图像增强方法,其特征在于,所述根据超像素块的灰度值信息熵以及边缘标记指数获取超像素块的组织类型系数和灰度熵系数,包括:
其中,超像素块的组织类型系数和灰度熵系数的表达式分别为:
其中,是超像素块/>的组织类型系数,/>是超像素块/>的灰度熵系数,/>是超像素块/>的边缘曲线的边缘标记指数,/>是超像素块/>的灰度值信息熵,/>是取最小值函数,/>是取最大值函数。
6.如权利要求1所述的一种金相图像增强方法,其特征在于,所述根据超像素块在灰度直方图中的峰值分布构建超像素块各波峰灰度值的灰度占比,包括:
获取超像素块的灰度直方图中的各个峰值,将各个峰值的数值与超像素块内的像素点总数的比值,作为超像素块的灰度直方图中各个峰值对应灰度值的灰度占比。
7.如权利要求1所述的一种金相图像增强方法,其特征在于,所述基于组织类型系数以及灰度熵系数构建超像素块的组织灰度底数,包括:
将超像素块的组织类型系数的倒数、灰度熵系数以及数值1的和值,作为超像素块的组织灰度底数。
8.如权利要求1所述的一种金相图像增强方法,其特征在于,所述根据超像素块的组织灰度底数、灰度直方图中波峰对应的灰度值及其灰度占比,构建超像素块在小波变换各分解层次的阈值,包括:
其中,超像素块在第/>分解层次的阈值的表达式为:
其中,是超像素块/>在第/>分解层次的阈值,/>是归一化函数,/>是超像素块/>的灰度直方图中波峰的个数,/>是超像素块/>的灰度直方图中第n个波峰对应的灰度值,是灰度值/>的灰度占比,/>是以K为底数、j+1为真数的对数函数,/>是噪声方差,/>是信号长度。
9.如权利要求1所述的一种金相图像增强方法,其特征在于,所述根据灰度图像中超像素块在小波变换各分解层次的阈值优化灰度图像的小波变换,实现金相图像的增强,包括:
将灰度图像中各个超像素块在各分解层次的阈值替换传统小波变换的固定阈值,得到去噪后的图像;将去噪后的图像采用开运算,得到增强边缘特征后的图像。
10.一种金相图像增强系统,包括存储器、处理器以及存储在所述存储器中并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1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410251198.4A CN117830184B (zh) | 2024-03-06 | 2024-03-06 | 一种金相图像增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410251198.4A CN117830184B (zh) | 2024-03-06 | 2024-03-06 | 一种金相图像增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117830184A true CN117830184A (zh) | 2024-04-05 |
CN117830184B CN117830184B (zh) | 2024-05-31 |
Family
ID=90506119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410251198.4A Active CN117830184B (zh) | 2024-03-06 | 2024-03-06 | 一种金相图像增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830184B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN110308151A (zh) * | 2019-07-22 | 2019-10-08 | 重庆大学 | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 |
CN110675332A (zh) * | 2019-08-20 | 2020-01-10 | 广东技术师范大学 | 一种金属腐蚀图像质量的增强方法 |
CN111445434A (zh) * | 2019-10-17 | 2020-07-24 | 烟台艾易新能源有限公司 | 一种金属工件等级分选系统的图像处理方法 |
US20220004798A1 (en) * | 2020-07-02 | 2022-01-06 | BlinkAI Technologies, Inc. | Systems and Methods of Nonlinear Image Intensity Transformation for Denoising and Low-Precision Image Processing |
CN115359044A (zh) * | 2022-10-18 | 2022-11-18 | 南通群富金属科技有限公司 | 一种基于图像增强的金属件表面划痕检测方法 |
CN116777916A (zh) * | 2023-08-24 | 2023-09-19 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
CN117522870A (zh) * | 2024-01-04 | 2024-02-06 | 陕西凯迈航空航天机电设备有限公司 | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 |
-
2024
- 2024-03-06 CN CN202410251198.4A patent/CN117830184B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN110308151A (zh) * | 2019-07-22 | 2019-10-08 | 重庆大学 | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 |
CN110675332A (zh) * | 2019-08-20 | 2020-01-10 | 广东技术师范大学 | 一种金属腐蚀图像质量的增强方法 |
CN111445434A (zh) * | 2019-10-17 | 2020-07-24 | 烟台艾易新能源有限公司 | 一种金属工件等级分选系统的图像处理方法 |
US20220004798A1 (en) * | 2020-07-02 | 2022-01-06 | BlinkAI Technologies, Inc. | Systems and Methods of Nonlinear Image Intensity Transformation for Denoising and Low-Precision Image Processing |
CN115359044A (zh) * | 2022-10-18 | 2022-11-18 | 南通群富金属科技有限公司 | 一种基于图像增强的金属件表面划痕检测方法 |
CN116777916A (zh) * | 2023-08-24 | 2023-09-19 | 济宁安泰矿山设备制造有限公司 | 基于泵机金属外壳的缺陷检测方法 |
CN117522870A (zh) * | 2024-01-04 | 2024-02-06 | 陕西凯迈航空航天机电设备有限公司 | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117830184B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Bi-histogram equalization using modified histogram bins | |
Sudha et al. | Speckle noise reduction in ultrasound images by wavelet thresholding based on weighted variance | |
CN115861135A (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
Wang et al. | Generalizing cell segmentation and quantification | |
CN114298916B (zh) | 一种基于灰度拉伸和局部增强的X-Ray图像增强方法 | |
CN116664457B (zh) | 一种用于增强去噪的图像处理方法 | |
CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
Bhardwaj et al. | A Novel Method for Despeckling of Ultrasound Images Using Cellular Automata-Based Despeckling Filter | |
CN117408929A (zh) | 基于图像特征的肿瘤ct图像区域动态增强方法 | |
CN109934102B (zh) | 一种基于图像超分辨率的指静脉识别方法 | |
Liu et al. | One-dimensional image surface blur algorithm based on wavelet transform and bilateral filtering | |
CN105469358B (zh) | 一种图像处理方法 | |
CN113191968B (zh) | 三维超声图像盲去噪模型的建立方法及其应用 | |
CN117830184B (zh) | 一种金相图像增强方法及系统 | |
CN114022539A (zh) | 一种显微镜图像细胞位置判断方法 | |
CN112085705B (zh) | 一种基于改进樽海鞘群算法的图像分割方法及装置 | |
Peng et al. | A multiscale morphological approach to local contrast enhancement for ultrasound images | |
CN109377461B (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
CN114219774B (zh) | 图像质量评估方法、装置、终端及计算机可读存储介质 | |
Lai et al. | Novel mean-shift based histogram equalization using textured regions | |
Gantenapalli et al. | Selective mean filtering for reducing impulse noise in digital color images | |
CN112465719A (zh) | 变换域图像去噪方法及系统 | |
CN116389771B (zh) | 一种结合双域信息和方向特征的多尺度分块压缩感知方法 | |
Ying et al. | Breast ultrasound image despeckling using multi-filtering DFrFT and adaptive fast BM3D | |
Jia et al. | Weighted guided image filtering with entropy evaluation weighting |
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 |