CN117953044B - 基于扫描电镜的甘露醇粒径检测方法 - Google Patents

Abstract

本发明涉及粒径分布测量技术领域，提出了基于扫描电镜的甘露醇粒径检测方法，包括：获取扫描电镜图像并划分为超像素区域，建立判断窗口，获取像素点的表征关键指数，确定第一表征聚类簇；获取扫描电镜图像的边缘，获取横向跨度、纵向跨度、边缘宽度和两个边缘之间的欧氏距离，获取边缘的自身特征突出度，获取边缘的对比特征显著度，进而获取边缘的表征能力系数，确定第二表征聚类簇，建立表征像素点集合，进而获取扫描电镜图像中的关键点和特征描述符；确定特征相似度和特征相似度判断阈值，根据相似度判断阈值完成基于扫描电镜的甘露醇粒径检测。本发明旨在解决不同粒径的甘露醇特征提取不准确，使甘露醇粒径的判别误判的问题。

Description

基于扫描电镜的甘露醇粒径检测方法

技术领域

本发明涉及粒径分布测量技术领域，具体涉及基于扫描电镜的甘露醇粒径检测方法。

背景技术

甘露醇是一种糖醇，在医药上是良好的利尿剂。甘露醇粒径对药品影响研究表明：甘露醇的粒径越小，药品质量越为稳定。所以，通常都会采用粒径更小的甘露醇进行药品的制备，目前，一般采用粒径大小为2μm的甘露醇。由于5μm的甘露醇成本低于2μm的甘露醇，一些商家会采用5μm的甘露醇冒充2μm的甘露醇售卖。甘露醇的粒径涉及药品的质量问题，所以，制药厂商不仅对药品本身的材料质量、规格有着严格的要求，还会对甘露醇的粒径进行严格把关。

通常，会采用扫描电镜对甘露醇的粒径进行抽样检测，并利用计算机将检测的甘露醇粒径扫描电镜图像与标准粒径图像进行匹配，实现智能化的粒径检测，保证粒径符合制药标准。2μm和5μm粒径的甘露醇尺寸极小，在扫描电镜中生成的图像中特征差异较小，传统的图像特征提取算法以及匹配算法难以准确地提取图像特征，区分甘露醇粒径，导致对甘露醇粒径的判别出现误差，进而影响药品质量。

发明内容

本发明提供基于扫描电镜的甘露醇粒径检测方法，以解决不同粒径的甘露醇在图像中的特征接近，导致的特征提取不准确，使甘露醇粒径的判别误判的问题，所采用的技术方案具体如下：

本发明一个实施例提供了基于扫描电镜的甘露醇粒径检测方法，该方法包括以下步骤：

对甘露醇进行抽样检测，获取原始扫描电镜图像并进行预处理，获取扫描电镜图像；

将扫描电镜图像划分为超像素区域，建立超像素区域的判断窗口，获取扫描电镜图像中的角点，确定像素点的粒径特征凸显指数，获取像素点的全局粒径特征突出指数，进而获取像素点的表征关键指数，根据表征关键指数确定第一表征聚类簇；

对扫描电镜图像进行边缘检测，确定边缘，获取边缘的横向跨度和纵向跨度，获取边缘宽度，确定两个边缘之间的欧氏距离，获取边缘的自身特征突出度，根据边缘的边缘中心点与扫描电镜图像中所有角点的距离和、两个边缘之间的欧氏距离和像素点的灰度值，获取边缘的对比特征显著度，根据角点，边缘的自身特征突出度和对比特征显著度，获取边缘的表征能力系数，根据表征能力系数确定第二表征聚类簇，建立表征像素点集合，进而获取扫描电镜图像中的关键点和特征描述符；

获取先验数据库中2μm粒径的扫描电镜图像中的关键点和特征描述符，确定待检测粒径的扫描电镜图像和2μm粒径的扫描电镜图像的特征相似度，确定先验数据库中2μm粒径的扫描电镜图像之间的特征相似度，进而确定特征相似度判断阈值，根据相似度判断阈值完成基于扫描电镜的甘露醇粒径检测；

所述粒径特征凸显指数的表达式为：

式中，为第i个像素点的粒径特征凸显指数，/>为第i个像素点所在的超像素区域对应的判断窗口内，每两个不同角点之间的欧氏距离的均值，/>为第i个像素点所在的超像素区域对应的判断窗口内包含的像素数量，/>为第i个像素点的灰度值，/>为第i个像素点所在的超像素区域对应的判断窗口内第j个像素点的灰度值；

所述全局粒径特征突出指数的表达式为：

式中，为第i个像素点的全局粒径特征突出指数，/>为第i个像素点所在的超像素区域对应的判断窗口中角点数量，/>为第i个像素点的粒径特征凸显指数，E为判断窗口总数，/>为第i个像素点所在的超像素区域对应的判断窗口内包含的像素点的灰度值均值，为第f个判断窗口内包含的像素点的灰度值均值，e为自然常数；

所述自身特征突出度的表达式为：

式中，为第a个边缘的自身特征突出度，S为扫描电镜图像中的边缘数量，/>为第a个边缘在所有纵坐标位置上的边缘宽度的平均值，/>为第a个边缘的纵向跨度，为第w个边缘的纵向跨度，/>为第a个边缘的横向跨度，/>为第w个边缘的横向跨度；

所述对比特征显著度的表达式为：

式中，为第a个边缘的对比特征显著度，/>第a个边缘的边缘中心点与扫描电镜图像中所有角点的距离和，/>为第a个边缘和第w个边缘之间的欧氏距离，/>为第a个边缘上像素点的灰度值的最大值，/>为第w个边缘上像素点的灰度值的最大值。

进一步，所述建立超像素区域的判断窗口，包括的具体方法为：

将超像素区域的最小外接矩形作为超像素区域的判断窗口。

进一步，所述像素点的表征关键指数，获取的具体方法为：

将像素点的全局粒径特征突出指数与扫描电镜图像中像素点对应灰度值的信息熵的乘积，记为像素点的表征关键指数。

进一步，所述根据表征关键指数确定第一表征聚类簇，包括的具体方法为：

以像素点之间的表征关键指数差值绝对值作为度量距离，对扫描电镜图像中所有像素点的表征关键指数进行聚类，获取聚类簇，将聚类簇内包含的表征关键指数的均值最大的聚类簇作为第一表征聚类簇。

进一步，所述获取边缘的横向跨度和纵向跨度，获取的具体方法为：

将边缘中横坐标最大和横坐标最小的两个像素点之间的欧氏距离，记为横向跨度；

将边缘中纵坐标最大和纵坐标最小的两个像素点之间的欧氏距离，记为纵向跨度。

进一步，所述边缘宽度，获取的具体方法为：

将同一边缘内在纵坐标相同像素点个数，作为边缘在纵坐标位置上的边缘宽度。

进一步，所述两个边缘之间的欧氏距离，获取的具体方法为：

将边缘的纵向中心点作为边缘的中心点，将两个边缘的中心点之间的欧氏距离记为两个边缘之间的欧氏距离。

进一步，所述边缘的表征能力系数，获取的具体方法为：

将边缘的自身特征突出度与对比特征显著度的和与边缘上的角点数量的乘积，记为边缘的表征能力系数。

进一步，所述根据表征能力系数确定第二表征聚类簇，建立表征像素点集合，包括的具体方法为：

使用大津阈值法对所有边缘的表征能力系数进行划分，获取表征能力系数的划分阈值，将表征能力系数大于等于划分阈值的边缘包含的所有像素点组成的聚类簇记为第二表征聚类簇，将第一表征聚类簇以及第二表征聚类簇中包含的所有像素点组成的集合记为表征像素点集合。

进一步，所述进而确定特征相似度判断阈值，根据相似度判断阈值完成基于扫描电镜的甘露醇粒径检测，包括的具体方法为：

将先验数据库中每两张不同的2μm粒径的扫描电镜图像的特征相似度的最大值记为特征相似度判断阈值U；

当扫描电镜图像与2μm粒径的扫描电镜图像的特征相似度小于等于特征相似度判断阈值U时，认为扫描电镜图像对应的甘露醇粒径为2μm；

当扫描电镜图像与2μm粒径的扫描电镜图像的特征相似度大于特征相似度判断阈值U时，认为扫描电镜图像对应的甘露醇粒径为5μm，完成基于扫描电镜的甘露醇粒径检测。

本发明的有益效果是：

本发明从高倍数放大的扫描电镜中，2μm和5μm粒径的甘露醇局部区域的灰度差异较小，仅通过灰度极值选取特征关键点，匹配准确率不足的问题出发，根据甘露醇的粒径越小时，甘露醇在扫描电镜图像中可辨别区块越小，分布越密集，并且区块中的起伏状况越为复杂，褶皱越多的特征进行分析，对扫描电镜图像中像素点表征的特征明显程度进行评价，获取像素点的表征关键指数，并根据表征关键指数确定第一表征聚类簇；然后，考虑到甘露醇的粒径越小，纹理越为复杂，会产生越多的起伏区域和较暗的凹陷区域，较暗的凹陷区域中可能存在许多区块的褶皱特征以及边界特征的情况，对像素点所在位置的边界特征突出情况进行进一步的分析，获取边缘的表征能力系数并根据获取边缘的表征能力系数确定第二表征聚类簇，即表示扫描电镜图像中的特征的能力较强的边缘组成的集合，进而确定表征像素点集合；最后，根据表征像素点集合确定扫描电镜图像中的关键点和特征描述符和特征相似度判断阈值，根据相似度判断阈值完成基于扫描电镜的甘露醇粒径检测，解决了传统AKAZE算法在对关键点的选取时仅考虑了像素点在局部的灰度值大小，进而对2μm，5μm粒径的甘露醇扫描电镜图像关键点的选取难以真正地表示图像的特征，最终导致对甘露醇粒径判断出现偏差的问题，提高了AKAZE算法在对甘露醇扫描电镜图像进行粒径检测时的精确度。

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，下面将对实施例或现有技术描述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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于扫描电镜的甘露醇粒径检测方法流程示意图；

图2为第一表征聚类簇获取流程图。

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。

请参阅图1，其示出了本发明一个实施例所提供的基于扫描电镜的甘露醇粒径检测方法流程图，该方法包括以下步骤：

步骤S001、对甘露醇进行抽样检测，获取扫描电镜图像。

针对同一批甘露醇进行抽样检测，将样品放入样品室，并进行真空处理，设置扫描电镜放大倍数为3000倍，完成对焦和校准后，使用扫描电镜拍摄甘露醇样品的原始扫描电镜图像。

对原始扫描电镜图像使用拉普拉斯算子进行锐化，使用小波去噪算法进行去噪，获取扫描电镜图像。其中，使用拉普拉斯算子对图像进行锐化和使用小波去噪算法进行去噪均为公知技术，不再赘述。

至此，获取扫描电镜图像。

步骤S002、将扫描电镜图像划分为超像素区域，建立超像素区域的判断窗口，获取扫描电镜图像中的角点，获取像素点的表征关键指数，根据表征关键指数确定第一表征聚类簇。

AKAZE算法（Accelerated-KAZE）是一种常用的图像特征提取和匹配算法，常用于扫描电镜图像的匹配，能够在输入的两张图像中快速寻找图像中的特征关键点，并在特征关键点附近利用MLDB算法快速构建特征关键点的特征描述符，输出特征关键点和特征描述符，再通过对比两张图像的特征关键点以及特征描述符进行图像匹配。然而，AKAZE算法的特征关键点是根据局部区域的灰度极值点选取的，在甘露醇在高倍数放大的扫描电镜中，2μm和5μm粒径的甘露醇局部区域的灰度差异较小，仅通过灰度极值选取特征关键点，匹配准确率不足，还需要结合其它特征进行特征关键点的选取，提升匹配准确率，进而提升甘露醇粒径的判别准确度。

具体的，在甘露醇的扫描电镜图像中，甘露醇主要表现为紧密连接的多个大小不同，明暗不同的区块。当甘露醇的粒径越小时，甘露醇在扫描电镜图像中可辨别区块越小，分布越密集，并且区块中的起伏状况越为复杂，褶皱越多；相反，当甘露醇的粒径越大时，甘露醇在扫描电镜中的可辨别区块越大，区块表面越为平整，褶皱越少，较小的区块分布越为离散。

对扫描电镜图像使用超像素分割算法进行处理，将扫描电镜图像划分为超像素区域，本实施例中，超像素分割数目设定为200。分别对每个超像素区域作最小外接矩形，并将最小外接矩形作为超像素区域的判断窗口。对扫描电镜图像使用Harris角点检测算法进行角点检测，获取扫描电镜图像中的角点。其中，Harris角点检测算法、超像素分割均为公知技术，不再赘述。统计每个像素点对应灰度值在扫描电镜图像中的出现概率。

根据像素点所在的超像素区域对应的判断窗口，确定像素点的粒径特征凸显指数。

式中，为第i个像素点的粒径特征凸显指数，/>为第i个像素点所在的超像素区域对应的判断窗口内，每两个不同角点之间的欧氏距离的均值，/>为第i个像素点所在的超像素区域对应的判断窗口内包含的像素数量，/>为第i个像素点的灰度值，/>为第i个像素点所在的超像素区域对应的判断窗口内第j个像素点的灰度值。

当第i个像素点所在的超像素区域对应的判断窗口内，不同角点之间的欧氏距离越为杂乱、第i个像素点所在的超像素区域对应的判断窗口内的像素点与第i个像素点之间的灰度值差异越大时，第i个像素点的粒径特征凸显指数越大，此时，第i个像素点在其所在的超像素区域对应的判断窗口内，粒径特征凸显程度越大，像素点越应该被选取为特征关键点。

根据像素点的粒径特征凸显指数以及判断窗口内像素点灰度值和角点，获取像素点的全局粒径特征突出指数。

式中，为第i个像素点的全局粒径特征突出指数，/>为第i个像素点所在的超像素区域对应的判断窗口中角点数量，/>为第i个像素点的粒径特征凸显指数，E为判断窗口总数，/>为第i个像素点所在的超像素区域对应的判断窗口内包含的像素点的灰度值均值，为第f个判断窗口内包含的像素点的灰度值均值，e为自然常数。

当第i个像素所在的超像素区域对应的判断窗口中，像素点的粒径特征凸显程度越大且判断窗口中的角点越多时，像素点的全局粒径特征突出指数越大，此时，第i个像素点在其所在的超像素区域对应的判断窗口相较于全图而言粒径特征更为突出，像素点位置越可能对应粒径较小的甘露醇；同时，当像素点所在的判断窗口的灰度均值相较于扫描电镜图像中其余判断窗口的灰度均值差异越大时，像素点的全局粒径特征突出指数越大，此时，第i个像素点在其所在的超像素区域对应的判断窗口相较于全图而言粒径特征更为突出，像素点越应该被选取为特征关键点。

根据扫描电镜图像中像素点的灰度值，获取扫描电镜图像中像素点对应灰度值的信息熵，信息熵的计算方法为公知技术，不再赘述。当扫描电镜图像中像素点对应灰度值的信息熵越大时，扫描电镜图像中像素点的灰度值分布越为杂乱，扫描电镜图像越可能对应粒径较小的甘露醇。

根据扫描电镜图像中像素点的灰度值和像素点的全局粒径特征突出指数，获取像素点的表征关键指数。

式中，为第i个像素点的表征关键指数，/>为第i个像素点的全局粒径特征突出指数，/>为扫描电镜图像中像素点对应灰度值的信息熵。

当扫描电镜图像中像素点对应灰度值的信息熵越大，像素点的全局粒径特征突出指数越大时，像素点的表征关键指数越大，此时，扫描电镜图像中的特征越为明显，第i个像素点所在位置表征的特征信息越多，即第i个像素点越应该被选取为特征关键点。

将扫描电镜图像中所有像素点的表征关键指数作为K-mediods聚类算法的输入，本实施例选择的超参数K为2，并将像素点之间的表征关键指数差值绝对值作为度量距离，K-mediods聚类算法的输出为2个聚类簇。其中，使用K-mediods算法进行聚类为公知技术，不再赘述。计算每个聚类簇内包含的表征关键指数的均值，将表征关键指数均值最大的聚类簇作为第一表征聚类簇。

至此，获取第一表征聚类簇，第一表征聚类簇获取流程图如图2所示。

步骤S003、对扫描电镜图像进行边缘检测，确定边缘，获取边缘的横向跨度和纵向跨度，获取边缘宽度，确定两个边缘之间的欧氏距离，获取边缘的自身特征突出度，获取边缘的对比特征显著度，进而获取边缘的表征能力系数，根据表征能力系数确定第二表征聚类簇，建立表征像素点集合，进而获取扫描电镜图像中的关键点和特征描述符。

在扫描电镜图像中，甘露醇的粒径越小，纹理越为复杂，会产生越多的起伏区域。在这些起伏区域中，存在一些较暗的凹陷区域，在相对较暗的凹陷区域中，甘露醇区块的清晰程度下降，像素点的表征关键指数较小。所以，仅依据表征关键指数选取关键点可能会导致特征关键点不包含相对较暗的凹陷区域内的像素点。实际上，较暗的凹陷区域中可能存在许多区块的褶皱特征以及边界特征，这些褶皱以及边界上的像素点也能够反映甘露醇的粒径，若忽视这些区域内的关键点选取，则可能对甘露醇粒径的大小判断出现误差。因此，还需要针对像素点所在位置的边界特征突出情况进行进一步的分析。

具体的，扫描电镜图像中的边界特征主要表现为图像中的边缘，边缘的自身特征越明显越突出，则能够表示特征的能力也就越强。对扫描电镜图像使用canny算子进行边缘检测，获取二值化扫描电镜图像，再利用膨胀腐蚀算法，确定二值化扫描电镜图像中所有的边缘。其中Canny算子、膨胀腐蚀算法为公知技术，不再赘述。

对二值化扫描电镜图像中每一条边缘分别进行分析。

获取边缘中横坐标最大、横坐标最小、纵坐标最大及纵坐标最小的4个像素点。计算横坐标最大和横坐标最小的两个像素点之间的欧氏距离，将其记为横向跨度；计算纵坐标最大和纵坐标最小的两个像素点之间的欧氏距离，将其记为纵向跨度。

将一条边缘内在纵坐标相同像素点个数，作为该边缘在该纵坐标位置上的边缘宽度。若边缘在某一纵坐标上只有一个像素点，则边缘宽度为1，在本实施例中，仅获取大于0的边缘宽度。

将边缘的纵向中心点作为边缘的中心点，将两个边缘的中心点之间的欧氏距离记为两个边缘之间的欧氏距离。统计边缘上角点的数量。分别计算每一个边缘中心点与扫描电镜图像中所有角点的距离和。

根据扫描电镜图像中边缘的边缘宽度、纵向跨度和横向跨度，获取边缘的自身特征突出度。

式中，为第a个边缘的自身特征突出度，S为扫描电镜图像中的边缘数量，/>为第a个边缘在所有纵坐标位置上的边缘宽度的平均值，/>为第a个边缘的纵向跨度，为第w个边缘的纵向跨度，/>为第a个边缘的横向跨度，/>为第w个边缘的横向跨度。

当边缘在所有纵坐标位置上的边缘宽度越宽，且其横纵向的跨度与扫描电镜图像中其余边缘的横纵向跨度差异越大时，边缘的自身特征突出度越大，此时，边缘在扫描电镜图像中的自身特征越为突出，越应该选择边缘上的像素点作为特征关键点。

根据边缘的边缘中心点与扫描电镜图像中所有角点的距离和、两个边缘之间的欧氏距离和像素点的灰度值，获取边缘的对比特征显著度。

式中，为第a个边缘的对比特征显著度，/>第a个边缘的边缘中心点与扫描电镜图像中所有角点的距离和，/>为第a个边缘和第w个边缘之间的欧氏距离，/>为第a个边缘上像素点的灰度值的最大值，/>为第w个边缘上像素点的灰度值的最大值，e为自然底数。

边缘的边缘中心点与扫描电镜图像中所有角点的距离和越小，边缘与其余边缘之间的欧氏距离越小，边缘上像素点的灰度值差异越大时，边缘的对比特征显著度越大，此时，该边缘与其余边缘的特征相比突出程度更高，更能够表示图像中的特征，越应该选择边缘上的像素点作为特征关键点。

根据角点，边缘的自身特征突出度和对比特征显著度，获取边缘的表征能力系数。

式中，为第a个边缘的表征能力系数，/>为第a个边缘的对比特征显著度，/>为第a个边缘上的角点数量，/>为第a个边缘的自身特征突出度。

当第a个边缘上的角点数量越多，且其自身特征突出度以及对比特征显著度越大，边缘的表征能力系数越大，此时，边缘表示扫描电镜图像中的特征的能力越强，越应该选择边缘上的像素点作为特征关键点。

至此，获得扫描电镜图像中所有边缘的表征能力系数。

使用大津阈值法对所有边缘的表征能力系数进行划分，获取表征能力系数的划分阈值X，将所有表征能力系数大于等于划分阈值X的边缘记为可表征边缘，并所有可表征边缘包含的所有像素点组成的聚类簇记为第二表征聚类簇。其中，大津阈值法为公知技术，不再赘述。

将第一表征聚类簇以及第二表征聚类簇中包含的所有像素点组成的集合记为表征像素点集合。

将扫描电镜图像作为AKAZE算法的输入，将上述构建的表征像素点集合作为AKAZE算法的特征关键点，并利用MLDB算法对每个关键点进行特征描述符的计算，最终输出为扫描电镜图像中的关键点和特征描述符。其中，AKAZE算法、MLDB算法均为公知技术，不再赘述。

至此，获取扫描电镜图像中的关键点和特征描述符。

步骤S004、获取先验数据库中2μm粒径的扫描电镜图像中的关键点和特征描述符，确定特征相似度，进而确定特征相似度判断阈值，根据相似度判断阈值完成基于扫描电镜的甘露醇粒径检测。

从先验数据库中获得2μm粒径的扫描电镜图像，按照获取扫描电镜图像中的关键点和特征描述符的方法，获取2μm粒径的扫描电镜图像中的关键点和特征描述符。

将待检测粒径的扫描电镜图像中的关键点和2μm粒径的扫描电镜图像关键点作为曼哈顿距离算法的输入，输出为两个扫描电镜图像的关键点的曼哈顿距离。其中，曼哈顿距离的计算为公知技术，不再赘述。

将待检测粒径的扫描电镜图像中所有关键点的特征描述符和2μm粒径的扫描电镜图像中所有关键点的特征描述符作为输入，利用Levenshtein距离算法，输出为两个扫描电镜图像中所有关键点的特征描述符的Levenshtein距离。其中，Levenshtein距离的计算为公知技术，不再赘述。

将待检测粒径的扫描电镜图像和2μm粒径的扫描电镜图像的关键点的曼哈顿距离以及特征描述符的Levenshtein距离的和，记为待检测粒径的扫描电镜图像和2μm粒径的扫描电镜图像的特征相似度。

按照获取“待检测粒径的扫描电镜图像和2μm粒径的扫描电镜图像的特征相似度”的方法，获取先验数据库中每两张不同的2μm粒径的扫描电镜图像的特征相似度，将先验数据库中每两张不同的2μm粒径的扫描电镜图像的特征相似度的最大值记为特征相似度判断阈值U。

当扫描电镜图像与2μm粒径的扫描电镜图像的特征相似度小于等于特征相似度判断阈值U时，认为扫描电镜图像对应的甘露醇粒径为2μm；当扫描电镜图像与2μm粒径的扫描电镜图像的特征相似度大于特征相似度判断阈值U时，认为扫描电镜图像对应的甘露醇粒径为5μm。

至此，完成基于扫描电镜的甘露醇粒径检测。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于扫描电镜的甘露醇粒径检测方法，其特征在于，该方法包括以下步骤：

对甘露醇进行抽样检测，获取原始扫描电镜图像并进行预处理，获取扫描电镜图像；

将扫描电镜图像划分为超像素区域，建立超像素区域的判断窗口，获取扫描电镜图像中的角点，确定像素点的粒径特征凸显指数，获取像素点的全局粒径特征突出指数，进而获取像素点的表征关键指数，根据表征关键指数确定第一表征聚类簇；

对扫描电镜图像进行边缘检测，确定边缘，获取边缘的横向跨度和纵向跨度，获取边缘宽度，确定两个边缘之间的欧氏距离，获取边缘的自身特征突出度，根据边缘的边缘中心点与扫描电镜图像中所有角点的距离和、两个边缘之间的欧氏距离和像素点的灰度值，获取边缘的对比特征显著度，根据角点，边缘的自身特征突出度和对比特征显著度，获取边缘的表征能力系数，根据表征能力系数确定第二表征聚类簇，结合第一表征聚类簇建立表征像素点集合，进而获取扫描电镜图像中的关键点和特征描述符；

获取先验数据库中2μm粒径的扫描电镜图像中的关键点和特征描述符，确定待检测粒径的扫描电镜图像和2μm粒径的扫描电镜图像的特征相似度，确定先验数据库中2μm粒径的扫描电镜图像之间的特征相似度，进而确定特征相似度判断阈值，根据相似度判断阈值完成基于扫描电镜的甘露醇粒径检测；

所述粒径特征凸显指数的表达式为：

式中，为第i个像素点的粒径特征凸显指数，/>为第i个像素点所在的超像素区域对应的判断窗口内，每两个不同角点之间的欧氏距离的均值，/>为第i个像素点所在的超像素区域对应的判断窗口内包含的像素数量，/>为第i个像素点的灰度值，/>为第i个像素点所在的超像素区域对应的判断窗口内第j个像素点的灰度值；

所述全局粒径特征突出指数的表达式为：

式中，为第i个像素点的全局粒径特征突出指数，/>为第i个像素点所在的超像素区域对应的判断窗口中角点数量，/>为第i个像素点的粒径特征凸显指数，E为判断窗口总数，/>为第i个像素点所在的超像素区域对应的判断窗口内包含的像素点的灰度值均值，为第f个判断窗口内包含的像素点的灰度值均值，e为自然常数；

所述自身特征突出度的表达式为：

式中，为第a个边缘的自身特征突出度，S为扫描电镜图像中的边缘数量，/>为第a个边缘在所有纵坐标位置上的边缘宽度的平均值，/>为第a个边缘的纵向跨度，/>为第w个边缘的纵向跨度，/>为第a个边缘的横向跨度，/>为第w个边缘的横向跨度；

所述对比特征显著度的表达式为：

式中，为第a个边缘的对比特征显著度，/>第a个边缘的边缘中心点与扫描电镜图像中所有角点的距离和，/>为第a个边缘和第w个边缘之间的欧氏距离，/>为第a个边缘上像素点的灰度值的最大值，/>为第w个边缘上像素点的灰度值的最大值；

所述像素点的表征关键指数，获取的具体方法为：

将像素点的全局粒径特征突出指数与扫描电镜图像中像素点对应灰度值的信息熵的乘积，记为像素点的表征关键指数；

所述获取边缘的横向跨度和纵向跨度，获取的具体方法为：

将边缘中横坐标最大和横坐标最小的两个像素点之间的欧氏距离，记为横向跨度；

将边缘中纵坐标最大和纵坐标最小的两个像素点之间的欧氏距离，记为纵向跨度；

所述边缘宽度，获取的具体方法为：

将同一边缘内在纵坐标相同像素点个数，作为边缘在纵坐标位置上的边缘宽度；

所述边缘的表征能力系数，获取的具体方法为：

将边缘的自身特征突出度与对比特征显著度的和与边缘上的角点数量的乘积，记为边缘的表征能力系数。

2.根据权利要求1所述的基于扫描电镜的甘露醇粒径检测方法，其特征在于，所述建立超像素区域的判断窗口，包括的具体方法为：

将超像素区域的最小外接矩形作为超像素区域的判断窗口。

3.根据权利要求1所述的基于扫描电镜的甘露醇粒径检测方法，其特征在于，所述根据表征关键指数确定第一表征聚类簇，包括的具体方法为：

以像素点之间的表征关键指数差值绝对值作为度量距离，对扫描电镜图像中所有像素点的表征关键指数进行聚类，获取聚类簇，将聚类簇内包含的表征关键指数的均值最大的聚类簇作为第一表征聚类簇。

4.根据权利要求1所述的基于扫描电镜的甘露醇粒径检测方法，其特征在于，所述两个边缘之间的欧氏距离，获取的具体方法为：

将边缘的纵向中心点作为边缘的中心点，将两个边缘的中心点之间的欧氏距离记为两个边缘之间的欧氏距离。

5.根据权利要求1所述的基于扫描电镜的甘露醇粒径检测方法，其特征在于，所述根据表征能力系数确定第二表征聚类簇，结合第一表征聚类簇建立表征像素点集合，包括的具体方法为：

使用大津阈值法对所有边缘的表征能力系数进行划分，获取表征能力系数的划分阈值，将表征能力系数大于等于划分阈值的边缘包含的所有像素点组成的聚类簇记为第二表征聚类簇，将第一表征聚类簇以及第二表征聚类簇中包含的所有像素点组成的集合记为表征像素点集合。

6.根据权利要求1所述的基于扫描电镜的甘露醇粒径检测方法，其特征在于，所述进而确定特征相似度判断阈值，根据相似度判断阈值完成基于扫描电镜的甘露醇粒径检测，包括的具体方法为：

将先验数据库中每两张不同的2μm粒径的扫描电镜图像的特征相似度的最大值记为特征相似度判断阈值U；

当扫描电镜图像与2μm粒径的扫描电镜图像的特征相似度小于等于特征相似度判断阈值U时，认为扫描电镜图像对应的甘露醇粒径为2μm；

当扫描电镜图像与2μm粒径的扫描电镜图像的特征相似度大于特征相似度判断阈值U时，认为扫描电镜图像对应的甘露醇粒径为5μm，完成基于扫描电镜的甘露醇粒径检测。