图像分割技术在金相分析中的应用

理化检验-物理分册PTCA(PART:APHYS.TEST.)2005年第41卷5

实验技术与方法

图像分割技术在金相分析中的应用

汤力琨,罗代升,王正勇,龙建忠

(四川大学电子信息学院,成都610065)

摘　要:介绍了常用的图像分割方法及其优缺点和金相图像分析中的图像分割方法。针对金相

图像分割中存在的问题,提出了两步分割的图像分割方法。这种方法是先用阈值分割法把目标从背景中分割开来,然后采用数学形态学、打孔、找凹点和连分割线的方法进行粘连分割。与已有的金相图像分割方法相比,这种方法具有较强的强健性、自适应性和非监督性。

关键词:金相图像分析;图像分割;数学形态学;阈值分割;粘连分割

中图分类号:TG115.21　　　文献标识码:A　　　文章编号:100124012(2005)0520236204

IMAGESEGMENTATIONTECHNIQUEAPPLIEDIN

METALLOGRAPHICALANALYSIS

TANGLi2kun,LUODai2sheng,WANGZheng2yong,LONGJian2zhong

(SchoolofElectronicsandInformationEngineering,SichuanUniv.,Chengdu610065,China)

Abstract:Inthispaper,thetraditionalmethodsofimagesegmentationandtheiradvantagesand

disadvantagesareintroducedfirst.Thenthemethodsofimagesegmentationformetallographicanalysisareintroduced.Tosolvetheproblemsexistinginmetallographicanalysis,atwo2stepmethodofimagesegmentationisproposed.Inthemethod,theobjectsaresegmentedfirstbythresholding.Thenthejointoroverlappedobjectsareseparatedbymathematicmorphology,holeopening,concavepointfinding,paredwiththeexistingsegmentationmethodsinmetallographicanalysis,thismethodisrobust,adaptive,andunsupervised.

Keywords:Metallographicimageanalysis;Imagesegmentation;Mathematicmorphology,Thresholding

separation;Joinseparation

1　概述

图像分割是图像处理和计算机视觉中的基本任

务,在实际工作中的应用非常广阔。随着实际工程中图像的数量和大小上的增加,对分割的要求也越来越高。人们提出了很多分割的方法,如:基于像素分类的方法、感知遗传算法、人工神经网络的方法、基于模糊集理论的方法,此外,基于信息论和基于小波分析的分割技术也逐渐被应用。图像分割技术在显微图像分析中有着至关重要意义,因为只有通过对金相图像的有效分割,才便于测定显微组织的

收稿日期:2004205218

作者简介:汤力琨(1977-),男,硕士研究生。

各种数据,通过对这些数据和直观的分割图像的分析,才能更好地检验金相样品是否符合要求。因此结合实际金相图像分析的工程项目,笔者提出了一种图像分割方法,用于分割粘连的金相图像。

2　金相分析中的图像分割算法

2.1　常用的金相图像分割方法

在金相图像分析中,最常用的分割方法是灰度门限化法,又叫阈值法[1],它可分为单阈值和多阈值分割。它适合于物体和背景的灰度都较均匀和反差都较大的情况,往往作为一系列图像处理的第一步分割。区域增长法也可以用于金相图像的分割,它包括单连接、混合连接以及中心连接的区域增长方法,其特点是都按某种方式扫描图像,找出各区域的

236

边界,以边界来分割不同的区域,此方法分割速度较慢,分割出的边界不太平滑。聚类法[2]是一种模式识别的方法,它不需要训练样本数据,因此它是无监督的模式识别方法。聚类方法有分层聚类法,动态聚类法,K均值算法[3]等。聚类法对噪音和非同质的灰度非常敏感。人工神经网络法[4]由于其巨量并行性,实时性和分布式存贮与处理带来的系统冗余能力等,使它在模式识别、图像处理领域受到广泛应用,这种方法结构和编程都较复杂。感知遗传算法包括多层和单层感知遗传算法[5]。多层感知遗传算法,即所谓的金字塔形的结构[6],有较强的适用性及高度的并行性[7];单层感知遗传分割算法强健性较差。遗传算法的普遍问题是收敛性和局部性问题。模糊集合法可以和模式识别[8]的各种方法相结合,形成模糊门限值技术、模糊聚类技术和模糊边界检测技术等。小波分析方法是当前工程学科中一个迅速发展的新领域,利用小波进行金相图像分割引起了关注。2.2　新的金相图像分割方法

众所周知,一般的合金厂矿需要对生产的产品进行分析检验。但是一个普遍存在的问题是样品图像中待检验的目标往往有粘连,而且不同的目标粘连情况各有不同。这就给分析带来了一个问题,就是在分析目标之前,怎样才能有效的把目标分割开来。针对这个问题笔者提出了一种新的分割方法,用于金相图像的目标粘连分割。此方法分为两步操作:第一步是提取金相图像中的目标,即把目标从背景中分割开来;第二步是对已经提取出来的目标进行粘连分割,即把大量重叠或者连接的目标根据目标的尺寸大小、形状等准则,将其分割成单个目标。

第一步分割采用阈值法[9],阈值法最关键的问题是确定最佳阈值,这可通过图像处理的方法求得。此方法比前述的其它方法速度快,编程也最简单,非常易于实现。经第一步图像分割方法分割的图像见图1所示,a图是样品的原始图像,b图是分割结果的图像,其中白色线围着的为粗略提取出来的目标。

第一步的分割完成后,只是把目标从背景中分割出来,原图中重叠或者多个相连的金相目标仍然有大量的连在一起,并没有被有效地分割开来。这种情况对显微组织的分析影响较大,造成统计单个视场目标的数量的误差很大,从而造成对样品的检验不正确,使用户无法准确的判断产品是否达到要求。这就要进行第二步的粘连分割,

即进一步把重

汤力琨等:图像分割技术在金相分析中的应用

(a)　

碳化钨样品的原始图

(b)　分割图

图1　第一步分割结果图

Fig.1　SegmentedImageafterthe1ststep

叠的或者连在一起的目标分割开来。

第二步的分割步骤是:先打开孔洞,即把相连的目标之间的孔洞打开;再找凹点[10],即找出相连目标边界上的凹点;然后画分割线,即连接凹点。接着判断分割线是否正确。判断标准包括:①分割线的长度要小于某个阈值;②短边界的长度要小于某个阈值;③分割线上的点是否是目标上的点;④从同一凹点出发的分割线中取长度最短的一条。从而将重叠或相连的目标分割开来。第二步图像分割的结

果图见图2(白色的线为分割线)。

从图2可以看出大部分的目标被分割开来,但是还有一些遗留问题,包括对于目标边界圆滑,凹陷不是很明显的部分就无法分割开来;另外,对于分割线的判断也不够准确,出现了错分。

针对在图2中出现的问题,采取如下解决方法:在打开孔洞的时候先把距离最小的相邻两个孔洞打通,则两个孔洞合为了一个新的大孔洞,以此新孔洞再和周围距离最近的孔洞打通。依次这样做下去;在画分隔线的时候增加判断标准,即首先对于已经用过的凹点就不再使用;其次短边界的长度与分割线的长度之比小于某个阈值;另外,在分割前先加强

237

图2　第二步分割结果图

Fig.2　SegmentedImageafterthe2ndstep

已经提取的目标的边界,即先通过填孔、自动连接、

去噪、目标边缘平滑和细化后提取边界,再通过数学形态学,这样在分割前让大量的重叠和连接的目标已经通过边界分割开来了。经过以上处理后的结果见图3(白色的线为分割线)

。

图3　粘连分割后的最终结果图

Fig.3　FinalsegmentedImageafterthejointseparation

3　金相分析系统的构成及图像分析

金相分析系统的构成包括硬件和软件两部分构成,硬件部分包括显微镜、摄像机、解码器、图像采集卡、计算机和打印机等。软件包括图像采集、处理和

分析三部分,图像采集即摄取图像;图像处理包括数学形态学和分割处理等;图像分析主要按照用户的要求来测量各种参数。

金相分析系统工作原理:通过CCD摄像机采集显微组织微观图像,经数字化后输入计算机,图像在其显示器上显示,通过软件包对数字化后的图像数据进行各种分析处理,最后经打印机打印出图文并茂的报表。

用户在该分析系统中的实际操作流程是:对待分析的金相样品选取多个薄片,对每个薄片选取多个视场,读入或采集图像。先对图像进行预处理,然

238

汤力琨等:

图像分割技术在金相分析中的应用后进行图像分割,再进行数据测量和分析。由每个薄片的多个视场得到的数据进行平均得到单个薄片的数据,再由多个薄片数据进行平均得到样品的数据,最后打印出报表或者分布图。在金相图像分析中,还需进行定标。定标的过程是,首先选择一个薄片,接着读入一幅图像或者通过显微镜采集一幅图像作为一个视场,之后选择标尺确定图像的点长度和点面积,然后进行图像预处理和分割,再进行参数

的测量。测量的结果作为定标的标准。

金相图像分析需要的基本参数包括:待分析样品中目标的个数、目标的面积、目标的等效圆直径、目标的圆周长、圆度、目标的重心坐标、过重心的长径和短径,这些参数通过图像处理的方法求得。目标的个数通过对分割后的图像中目标进行标号得到;目标的面积S为目标区域内的像素点的总数乘以像素点的点面积得到;在已经求得每个目标面积

的情况下按照公式S=πr2,反过来求得等效圆直径;通过统计每个目标边界像素点总和乘以像素点的点长度求得圆周长L;在求得周长和面积的情况

下求圆度R=4

π×S/L2;通过公式,重心(i,j)=(M10/M00,M01/M00),其中M10,M00和M01为力矩,

求得重心坐标。在求得重心的情况下每旋转一定的角度画通过重心的直线,通过比较可以求得过重心的长径和短径。在求得这些基本数据的基础上,根

据实际需要,按照金相分析的有关国家标准或行业标准,来求其它的样品参数,如晶粒度、邻接度、平均自由程、体积分数和深度信息等。

4　实验结果讨论与结论

以南京硬质合金厂对样品中碳化钨和粘结相的分析为例,图1为待分析样品原图,图中浅灰色为碳化钨,黑色背景为粘结相。经过图像预处理后采用笔者提出的图像分割方法进行分割取样,然后对经过分割后的图像进行了8个基本数据测试,测试数据见表1。碳化钨和粘结相的粒度分布见图4和图5。

由实验结果可见,对于计算和统计图像中有粘连和重叠的目标的各种参数都有赖于对目标的准确分割。把两步图像分割的方法运用于显微组织的分析中,其分割效果非常明显,分割率基本上达到80%以上,达到了用户的要求。用户能根据此结果,

再配合相关的分布图和报表显得非常的直观明了,便于对产品进行准确的检测和评定。另外,两步分

表1　测量数据表

Tab.1　Listofmeasuringdata

面积

等效圆重心x重心y长径

短径

/μm2直径

圆周长

圆度

/μm/μm坐标

坐标

(过重心)

/μm29.356.1135.940.28566218.643.165.39

2.62

9.690.72114663.611.49113.8112.0481.410.2162813722.885.1917.434.7119.670.566420147.212.9715.114.3917.380.628117366.42.20.120.42.120.34830250.750.2356.638.4937.140.5164209114.535.020.020.160.2137280.10.10.010.110.1145290.10.10.120.41.310.91626310.560.250.220.532.120.60839310.880.3436.556.8228.40.569234748.933.990.010.110.11101320.10.10.010.110.11100340.10.10.010.110.11260350.10.19.94

3.56

12.54

0.795

169

55

4.18

2.

64

图4　碳化钨粒度分布图

Fig.4　DistributionofWCparticle

size

图5　粘结相粒度分布图

Fig.5　Distributionofjointparticlesize

割法不仅准确有效,而且分割速度快,手动干预少,分析操作也非常方便。

显微组织的图像分割作为一种特殊的图像分割

汤力琨等:图像分割技术在金相分析中的应用

领域对分割的要求会越来越高。计算机辅助分割方

法在检测产品的质量上已经显示了强大的作用。虽

然全自动的分割方法永远不会取代检测人员的地位,但是它已经渐渐成为了检测人员的得力助手。这一领域的研究还面临着很多的挑战,例如目标很小,并且颜色非常接近时的分割效果还不甚理想。总的来说,显微组织的图像分割不仅与分割方法的软件因素有关,也与显微镜、外界环境等硬件条件有关。随着硬件条件的不断更新,更多的专业图像分割方法的研究出现,可使显微组织图像分割方法在材料研究领域的应用更为广阔。参考文献:

[1]　刘健庄,栗文清.灰度图像的二维Otsu自动阈值分割

法[J].自动化学报,1993,19(1):101-105.

[2]　DeraviF,PalSK.GrayLevelThresholdingUsing

SecondOrderStastics[J].PatternRecognitionLett,1983,(3):243.

[3]　孙即祥.现代模式识别[M].长沙:国防科技大学出版

社,2002.

[4]　HaralickRM,ShapiroLG.Survey:ImageSegmen2

tationTechniques[J].ComputerVision,GraphicsandImageProcessing,1985,29:100-132.

[5]　赵荣椿,迟耀斌,朱重光.图像分割技术进展[J].中国

体视学与图像分析,1998,3(2):121-127.

[6]　龙甫荟,郑南宁.基于多层感知遗传算法的图像分割新

方法[J].控制理论与应用,1998,15(2):23-25.

[7]　AhujaN.ATransformforMultiscaleImageSegmen2

tationbyIntegratedEdgeDetection[J].IEEETransandMachineIntelligence,1996,18(12):1211-1235.[8]　GhoshA,PalNR,PalSK.ImageSegmentationU2

singaNeuralNetwork[J].BiolCybern,1991,66:151.

[9]　阮秋琦.数字图像处理学[M].北京:电子工业出版社,

2001.

[10]　陶德元,何小海,罗代升.激光共焦显微生物医学图像

分割方法的研究[J].四川大学学报(自然科学版),

2001,38(1):11-15.

版权声明

凡投稿本刊的文章,均视为同意本刊

授权的合作媒体使用。本刊支付的稿酬已包含授权费用。

《理化检验2物理分册》编辑部

239

本文来源：https://www.bwwdw.com/article/b6v1.html