專利名稱：：柴油機排放顆粒物微觀結(jié)構(gòu)特征自動定量評價方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種對柴油機排放顆粒物微觀結(jié)構(gòu)特征參數(shù)的評價方法。
背景技術(shù)：
：直徑微小的大氣懸浮顆粒物由于懸浮時間長、比表面積大，極容易吸附有毒有害物質(zhì)，對人體健康威脅很大。數(shù)量眾多的柴油機車所排放的廢氣是城市大氣中懸浮顆粒物的重要來源之一，因此對柴油車微粒排放的研究受到了廣泛的關(guān)注。目前柴油車顆粒物的形成機理特別是微粒自身結(jié)構(gòu)和理化特性在其生成、演化歷程中的變化規(guī)律已成為內(nèi)燃機工程和環(huán)保領(lǐng)域關(guān)注的熱點。柴油機燃燒過程中形成的微粒具有極其復雜的微觀結(jié)構(gòu)特征，這種微觀結(jié)構(gòu)特征與微粒本身的多種理化性能有著密切的關(guān)系。如，許多研究者已經(jīng)發(fā)現(xiàn)對于柴油機排放的這類以碳元素為核心的微粒，其氧化特性隨內(nèi)部微觀結(jié)構(gòu)的變化而變化，特別是那些具有無定形微觀結(jié)構(gòu)的碳質(zhì)微粒，要比具有規(guī)則石墨化微觀結(jié)構(gòu)的碳質(zhì)微粒更容易被氧化，其氧化反應活化能更低。因此，采用合理的方法自動定量評價柴油機燃燒過程中所排放顆粒物微觀結(jié)構(gòu)特征參數(shù)的變化，不僅可以深化研究柴油機微粒物的生成機理和排放規(guī)律，更重要在于有助于提出柴油機燃燒過程中形成微粒物的有效控制方法。
發(fā)明內(nèi)容本發(fā)明的目的是通過對柴油機排放的碳質(zhì)微粒微觀形貌圖像進行數(shù)學變換處理，提出一種自動提取顆粒物微觀結(jié)構(gòu)特征定量信息的技術(shù)方法。以下結(jié)合附圖對本發(fā)明的技術(shù)方案進行說明本發(fā)明主要是解決如何準確提取微粒微觀結(jié)構(gòu)特征參數(shù)。這些微粒微觀結(jié)構(gòu)特征參數(shù)主要包括微晶尺寸La、層面間距d和曲率C。其中La是以碳元素為核心的微粒微觀組織結(jié)構(gòu)中的一個重要結(jié)構(gòu)參數(shù)，它定義為微晶碳層上每條微晶碳層的長度；d的定義是微粒微觀結(jié)構(gòu)中相鄰兩個微晶碳層的垂直距離；C的定義為微晶碳層的微晶尺寸與此微晶碳層兩端像素點間直線距離的比值。上述特征參數(shù)的定義見附圖1。上述3個微粒微觀結(jié)構(gòu)特征參數(shù)對微粒的多種物理_化學性能影響很大，特別是它們是微粒氧化穩(wěn)定性和高溫穩(wěn)定性的主要決定因素，對它們的準確評價有助于提高柴油機微粒排放的控制技術(shù)的應用效果。對柴油機排放顆粒物微觀結(jié)構(gòu)參數(shù)自動定量評價方法，包括四大步驟，而其中最主要的是步驟3，即微粒微觀形貌圖像數(shù)學變換處理方法。本發(fā)明提出的其具體技術(shù)方法由以下步驟完成1.樣品前處理將Ig從柴油機排氣中收集的微粒樣品精細研磨后置于150ml二氯乙烷(CH2Cl2)中萃取24小時，期間使用超聲波振蕩器加速所述萃取過程。將萃取后的微粒樣品置于IOml無水乙醇(CH3CH2OH)中，使用超聲波振蕩器振蕩30分鐘，使研磨后的微粒樣品均勻分散于無水乙醇中，形成穩(wěn)定的懸浮液。取一滴分散好的微粒-乙醇懸浮液置于場發(fā)射透射電子顯微鏡(TEM)鎳網(wǎng)微柵上，待乙醇自由揮發(fā)后，微粒樣品前處理工作即完成。2.微粒微觀形貌圖像的獲取利用場發(fā)射透射電子顯微鏡(TEM)對步驟1完成的微粒樣品形貌進行觀測，獲取微粒微觀形貌電子顯微鏡照片。3.微粒微觀形貌圖像數(shù)學變換處理方法。這個步驟包括了6個主要過程3.1圖像規(guī)格化微粒微觀形貌圖像在拍攝過程中，由于人為的因素，可能造成所獲取的微觀形貌圖像的對比度不同、灰度范圍有差異。為了將不同微觀形貌圖像的平均灰度、方差、對比度等統(tǒng)計特性指標調(diào)整到一個統(tǒng)一的范圍，使不同的源圖像具有相同的灰度均值和方差，需要對源圖像進行規(guī)格化處理。設(shè)I(i，j)為像素點(i，j)的灰度，其中i和j分別為所述微粒微觀形貌圖像中以像素點為單位的橫、縱坐標，M和N分別代表源微粒形貌圖像的灰度均值和灰度方差，N(i，j)是規(guī)格化后點(i，j)的灰度。圖像規(guī)格化定義如下<formula>formulaseeoriginaldocumentpage8</formula>式中，<formula>formulaseeoriginaldocumentpage8</formula>式中A和B為微粒源圖像具有的橫、縱像素點數(shù)量，在選擇處理圖像的范圍時，應盡量使A和B相近；Μ『V0是預先設(shè)定的規(guī)格化后的圖像灰度均值和方差，兩者取值范圍均為0255之間的整數(shù)。3.2方向圖計算首先，將規(guī)格化后的微粒圖像分成大小為QXQ的子塊，其中Q的取值范圍為0.35lOnm，而對于面積小于QXQ的子塊，則予以去除。這樣就將AXB大小的整個微粒圖像分成PXP個互不重疊的子塊，其中的P可通過下面的公式計算<formula>formulaseeoriginaldocumentpage8</formula>式中S為形貌圖像中每兩個相鄰像素點所對應的實際距離。然后，采用Sobel算子(見圖2)計算每個子塊像素點(u，ν)的水平和豎直方向梯度值δφ,ν)和φ^，ν)，如公式(e)和(f)所示<formula>formulaseeoriginaldocumentpage8</formula>再利用公式(g)_⑴估計中心在點(i，j)子塊的局部方向<formula>formulaseeoriginaldocumentpage9</formula><formula>formulaseeoriginaldocumentpage9</formula>O(U)=^tan->(^4)如果<formula>formulaseeoriginaldocumentpage9</formula>()如果σ(，Λ)=ο公式(i)中的θ即為所在子塊的局部方向角。3.3圖像分割包括方差法、方向法和復合法。采用由方差法和方向法共同組成的復合方法分割上述微粒形貌圖像。其基本原理如下如果圖像某一區(qū)域的灰度統(tǒng)計特性中灰度的方差很大，則此區(qū)域?qū)趫D像的前景區(qū)域；反之對應于圖像的背景區(qū)域。此外，如果圖像某一區(qū)域的方向直方圖中存在峰值，則表明該區(qū)域為前景區(qū)域，反之為背景區(qū)域。3.3.1方差法3.3.1.1按照步驟3.2中的方法將微粒形貌圖像劃分為互不重疊的PXP的子塊，對每一圖像子塊分別進行處理；3.3.1.2按照公式(j)、(k)計算每一圖像子塊的灰度均值和方差Means=—YjJdNiu,ν),(」)<formula>formulaseeoriginaldocumentpage9</formula>式中N(u，v)是子塊(k，l)中第u行第ν列的圖像點灰度值，Means為圖像子塊的灰度均值，Vars為圖像子塊的方差。3.3.1.3對于每一圖像子塊，當Vars小于定義的閥值Tl(取值范圍為0255之間的正整數(shù))時，將其設(shè)定為背景區(qū)域；否則，作為前景區(qū)域，保留其灰度值。3.3.2方向法3.3.2.1按照步驟3.2中的方法計算微粒形貌圖像的方向圖；3.3.2.2按照步驟3.2中的方法計算方向直方圖；3.3.2.3按下列標準對每一圖像子塊進行分割①如果所述方向直方圖中的峰值超過定義的閥值T2(取值范圍為0255之間的正整數(shù))時，則該區(qū)域被視為前景；②如果所述方向直方圖中的峰值差值小于定義的閥值Τ3(取值范圍為0255之間的正整數(shù))，則該區(qū)域被定義為背景；③如果所述方向方差大于定義的閥值Τ4(取值范圍為010000之間的正整數(shù))，則該區(qū)域被定義為前景。3.3.3復合法設(shè)A，B分別是微粒形貌圖像經(jīng)過方向法和方差法分割后得到的圖像，C為用復合方法得到的分割圖像，則如果《<7；(1)(l'J)~\A{iJ\其它3.4圖像增強圖像增強方法采用Gabor濾波器的實部，也就是偶對稱的Gabor濾波器，其函數(shù)形式如下啦廠成/)=exp|—去務+會|cos(2^)(m)式中，χφ=xcos<i)+ysin<i)(η)=-xsinΦ+ycosΦ(ο)式中Φ是微晶碳層的方向，垂直于Gabor濾波器；f是微晶碳層的頻率；Sy分別是Gabor濾波器在χ軸和y軸上的高斯常數(shù)。從式(m)(ο)可以看出，為了取得良好的增強效果，必須確定Φ、f、參數(shù)，以及Gabor濾波器在χ軸和y軸上的高斯常數(shù)δx和δy；3.4.1按照步驟3.2和3.3中方向圖計算的方法計算每個圖像子塊的方向圖；3.4.2計算微晶碳層的頻率3.4.2.1把按照3.1步驟規(guī)格化后的圖像按步驟3.2中的方法分割成QXQ大小的互不重疊的子塊；以圖像子塊中心點(i，j)為中心，子塊碳層方向為短軸，作一個尺寸為2QXQ大小的長方形窗口，在窗口中按公式(ρ)計算幅值X[k]ιP~\Xlk)=-~XN(u,v)k=0，1，...，2Ρ-1(ρ)/=0式中，u=i+(d-~)cos(0(i,j))+(k-P)sin(0(i,j))(1)v=j+(d-~)sin(0(i,j))+(P-k)cos(0(i,j))(r)3.4.2.2離散信號X[k]組成了一個二維的正弦波，從得到的X[k]中找到所有的極大值點，并計算這些極大值點的平均距離，或稱為極大值點間的平均像素點數(shù)，記為T(i，j)，則微晶碳層的頻率可表示為F(i，j)=1/T(i，j)。3.4.2.3如果X[k]信號中沒有連續(xù)的峰值，那么頻率值就設(shè)為_1，表示無效頻率。3.4.3確定Gabor濾波器在χ軸和y軸上的高斯常數(shù)δχ和δ,·將Gabor濾波器應用于規(guī)格化后的圖像N(u，ν)可得到增強后的碳質(zhì)微粒微觀形貌圖像E(i，j)E(hJ)=^^h(u,v.O(i,j)),F(i,j)N(i-u,j-v)(s)WgWg—~V=---—22(s)式中N為規(guī)格化后的微粒形貌圖像，0為微晶碳層方向圖、F為微晶碳層頻率，Wg為Gabor濾波器的尺寸大小，Wg取值范圍為O100的整數(shù)。3.5二值化3.5.1按步驟3.2中的方法把微粒形貌圖像分成PXP大小的子塊；3.5.2對每一子塊進行如下處理(1)按公式(k)的方法求每一子塊的平均灰度；(2)統(tǒng)計子塊內(nèi)大于等于T及小于等于T的像素個數(shù)N1和Ns，其中T=Means；(3)如果INs-N11<δ(δ取值范圍為0100的整數(shù))，則T為所求閥值；否則如果Ns>N1，則T=T-I；而在Ns-N1彡δJ.Ns彡N1時，T=T+1。3.6圖像細化3.6.1構(gòu)造如附圖4所示的8個消除模板，其中1表示前景點，0表示背景點，X表示即可為前景點又可為背景點；3.6.2構(gòu)造如附圖5所示的六個保留模板；3.6.3從微粒微觀圖像的左上角像素點開始，按照從左到右、從上到下的順序?qū)π蚊矆D像進行掃描；3.6.4對于某一前景像素點(以P5為例)，抽取出14個像素領(lǐng)域，如附圖6所示，將P5的前8個領(lǐng)域像素(Pl，P2，P3，P4，P6，P7，P8，P9)與專利附圖4所示的8個消除模板相比較，如果這8個領(lǐng)域元素和8個消除模板中的一個匹配時(模板中非“X”值的所有元素與該元素定義的8個領(lǐng)域中的像素值都相等時稱匹配)，則去除P5(即P5=0)，否則，P5保留；3.6.5如果該像素在所述步驟3.6.4中被去除，則將該像素的14個領(lǐng)域像素再和附圖5所示的6個保留模板進行比較，同時去除圖7所示的三種保留模板情況；如果與其中一個匹配，則P5保留，否則P5才真正刪除；3.6.6對所述微粒微觀形貌圖像中的所有像素點進行迭代，直到?jīng)]有一個像素值被改變位置。圖像細化后的結(jié)果如附圖8所示。4.柴油機排放顆粒物微觀結(jié)構(gòu)特征參數(shù)的提取和計算根據(jù)步驟3進行微粒微觀形貌圖像變換處理后，提取出微粒微觀結(jié)構(gòu)特征數(shù)字圖像；再根據(jù)微粒微觀結(jié)構(gòu)特征參數(shù)的定義，自動計算出微晶尺寸、層面間距和曲率這3個微粒微觀形貌特征參數(shù)。采用上述方法即可實現(xiàn)微粒微觀形貌特征參數(shù)的自動定量提取。圖1微粒微觀結(jié)構(gòu)特征參數(shù)的定義圖2Sobel算子模板示意3方向窗的選取示意4消除模板示意5保留模板示意6抽取的領(lǐng)域示意7保留模板去除的三種情況示意8細化后的微粒微觀形貌圖圖9實施例1的原始微觀圖像圖10實施例1截取的待處理圖像圖11實施例1圖像處理后的結(jié)果圖12實施例2的原始微觀圖像圖13實施例2截取的待處理圖像圖14實施例2圖像處理后的結(jié)果圖15實施例3的原始微觀圖像圖16實施例3截取的待處理圖像圖17實施例3圖像處理后的結(jié)果具體實施例方式以下通過具體的實施例對本發(fā)明進行詳細的描述，但本發(fā)明所涵蓋的內(nèi)容并不限于下述實施例。實施例一1.樣品前處理將Ig從CY6102柴油機(取樣工況轉(zhuǎn)速lOOOr/min、噴油壓力ΙΙΟΜρ、當量燃空比0.41)排氣中收集的微粒樣品精細研磨后置于150ml二氯乙烷中萃取24小時，期間使用超聲波振蕩器加速其萃取過程。將萃取后的微粒樣品置于IOml無水乙醇中，使用超聲波振蕩器振蕩30分鐘，使微粒樣品均勻分散于無水乙醇中，形成穩(wěn)定的懸浮液。取一滴分散好的所述微粒_乙醇懸浮液置于TEM鎳網(wǎng)微柵上，待乙醇自由揮發(fā)后，微粒樣品前處理完成。2.微粒微觀形貌圖像的獲取利用場發(fā)射透射電子顯微鏡對微粒形貌進行觀測，獲取微粒微觀形貌電子顯微鏡照片，如附圖9所示。在微粒微觀形貌電子顯微鏡照片中選擇微粒微觀結(jié)構(gòu)特征比較明顯的部分，提取出237X262個像素大小的圖像，如附圖10所示，進行微粒微觀結(jié)構(gòu)特征參數(shù)的提取。3.微粒微觀形貌圖像數(shù)學變換3.1圖像規(guī)格化圖像規(guī)格化參數(shù)Mtl和Vtl分別設(shè)定為O和255，然后按照公式(a)(c)進行圖像規(guī)格化。3.2方向圖計算設(shè)Q=0.35nm,每個子塊的面積為0.1225nm2，經(jīng)計算得到S=O.265mm,P=1.79XIO40然后，采用Sobel算子按照公式(e)和(f)計算每個子塊像素點(u，ν)的水平和豎直方向的梯度值飯…,V)和辦(Μ,V);再利用公式(g)(h)估計每個子塊的局部方向。3.3圖像分割設(shè)定Tl=0、T2=255、Τ3=0、Τ4=255。按照公式(j)(1)描述的復合法進行圖像分割。3.4圖像增強在獲取所述微粒微觀形貌圖像每個子塊的方向圖后，按公式(ρ)(r)計算幅值X[k]，并計算這些極大值點的平均距離，即得到微晶碳層的頻率F(i，j)=1/T(i，j)。設(shè)定Wg取值為0；采用Gabor濾波器，按照公式(s)中的方法得到增強后的微粒微觀形貌圖像。3.5二值化按照Q=O.35nm分割圖像子塊，設(shè)定δ取值為0，對每一子塊進行如下處理按公式(j)的方法求每一子塊的平均灰度；統(tǒng)計子塊內(nèi)大于等于τ及小于等于T的像素個數(shù)N1和Ns，其中T=Means；如果|Ns-N11<δ，則T為所求閥值；否則如果Ns>N1,則T=T-I;而在INs-N1I彡δ且隊彡N1時，T=Τ+1。3.6圖像細化采用如附圖4所示的8個消除模板和附圖5所示的六個保留模板；從圖像的左上角像素點開始，按照從左到右、從上到下的順序?qū)π蚊矆D像中每一個像素點如步驟3.6所述進行處理，實施例1圖像細化后的結(jié)果如附圖11所示。4微觀結(jié)構(gòu)特性參數(shù)計算經(jīng)計算，實施例1的各微觀結(jié)構(gòu)特性參數(shù)分別為La=1.0662nm；d=0.392131nm；C=1.305869。實施例二1樣品前處理將Ig從CY6102柴油機(取樣工況轉(zhuǎn)速lOOOr/min、噴油壓力ΙΙΟΜρ、當量燃空比0.53)排氣中收集的微粒樣品精細研磨后置于150ml二氯乙烷中萃取24小時，期間使用超聲波振蕩器加速萃取過程。將萃取后的微粒樣品置于IOml無水乙醇中，使用超聲波振蕩器振蕩30分鐘，使微粒樣品均勻分散于無水乙醇中，形成穩(wěn)定的懸浮液。取一滴分散好的所述微粒_乙醇懸浮液置于TEM鎳網(wǎng)微柵上，待乙醇自由揮發(fā)后，微粒樣品前處理完成。2微粒微觀形貌圖像的獲取利用場發(fā)射透射電子顯微鏡對微粒形貌進行觀測，獲取微粒微觀形貌電子顯微鏡照片，如附圖12所示。在微粒微觀形貌電子顯微鏡照片中選擇微粒微觀結(jié)構(gòu)特征比較明顯的部分，提取出253X242個像素大小的圖像，如附圖13所示，進行微粒微觀結(jié)構(gòu)特征參數(shù)的提取。3微粒微觀形貌圖像數(shù)學變換3.1圖像規(guī)格化圖像規(guī)格化參數(shù)Mtl和Vtl分別設(shè)定為255和0，然后按照公式(a)(c)進行圖像規(guī)格化。3.2方向圖計算設(shè)Q=5nm,每個子塊的面積為25nm2，經(jīng)計算得到S=O.265mm,P=2.54X103。然后，采用Sobel算子按照公式(e)和(f)計算每個子塊像素點(u，ν)的水平和豎直方向的梯度值δφ,ν)和辦(w，v);再利用公式(g)(h)估計每個子塊的局部方向。3.3圖像分割設(shè)定Tl=255、T2=0、Τ3=255、Τ4=0。按照公式(j)(1)描述的復合法進行圖像分割。3.4圖像增強在獲取微粒微觀形貌圖像每個子塊的方向圖后，按公式(ρ)(r)計算幅值X[k]，并計算這些極大值點的平均距離，即得到微晶碳層的頻率F(i，j)=1/T(i，j)。設(shè)定Wg取值為100；采用Gabor濾波器，按照公式(s)中的方法得到增強后的微粒微觀形貌圖像。3.5二值化按照Q=5nm分割圖像子塊，設(shè)定δ取值為0，對每一子塊進行如下處理按公式(j)的方法求每一子塊的平均灰度；統(tǒng)計子塊內(nèi)大于等于T及小于等于T的像素個數(shù)N1和Ns，其中T=Means；如果|Ns-N11<δ，則T為所求閥值；否則如果Ns>N1,則T=T-I；而在Ns-N1彡δ且隊彡N1時，T=Τ+1。3.6圖像細化采用如附圖4所示的8個消除模板和附圖5所示的六個保留模板；從圖像的左上角像素點開始，按照從左到右、從上到下的順序?qū)π蚊矆D像中每一個像素點如步驟3.6所述進行處理，實施例2圖像細化后的結(jié)果如附圖14所示。4微觀結(jié)構(gòu)特性參數(shù)計算經(jīng)計算，實施例二的各微觀結(jié)構(gòu)特性參數(shù)分別為La=1.04720nm；d=0.35414nm；C=1.50231。實施例三1樣品前處理將Ig從CY6102柴油機(取樣工況轉(zhuǎn)速1200r/min、噴油壓力ΙΙΟΜρ、當量燃空比0.41)排氣中收集的微粒樣品精細研磨后置于150ml二氯乙烷中萃取24小時，期間使用超聲波振蕩器加速萃取過程。將萃取后的微粒樣品置于IOml無水乙醇中，使用超聲波振蕩器振蕩30分鐘，使微粒樣品均勻分散于所述無水乙醇中，形成穩(wěn)定的懸浮液。取一滴分散好的所述微粒-乙醇懸浮液置于TEM鎳網(wǎng)微柵上，待乙醇自由揮發(fā)后，微粒樣品前處理完成。2微粒微觀形貌圖像的獲取利用場發(fā)射透射電子顯微鏡對微粒形貌進行觀測，獲取微粒微觀形貌電子顯微鏡照片，如附圖15所示。在微粒微觀形貌電子顯微鏡照片中選擇微粒微觀結(jié)構(gòu)特征比較明顯的部分，提取出579X552個像素大小的圖像，如附圖16所示，進行微粒微觀結(jié)構(gòu)特征參數(shù)的提取。3微粒微觀形貌圖像數(shù)學變換3.1圖像規(guī)格化圖像規(guī)格化參數(shù)Mtl和V。分別設(shè)定為100和150，然后按照公式(a)(c)進行圖像規(guī)格化。3.2方向圖計算設(shè)Q=10nm，每個子塊的面積為lOOnm2，經(jīng)計算得到S=O.265mm,P=1.46XIO40然后，采用Sobel算子按照公式(e)和(f)計算每個子塊像素點(u，ν)的水平和豎直方向的梯度值&(W,V)和辦(W,V);再利用公式(g)(h)估計每個子塊的局部方向。3.3圖像分割設(shè)定Tl=100、T2=100、T3=100、T4=1000。按照公式(j)(1)描述的復合法進行圖像分割。3.4圖像增強在獲取微粒微觀形貌圖像每個子塊的方向圖后，按公式(ρ)(r)計算幅值X[k]，并計算這些極大值點的平均距離，即得到微晶碳層的頻率F(i，j)=1/T(i，j)。設(shè)定Wg取值為50；采用Gabor濾波器，按照公式(s)中的方法得到增強后的微粒微觀形貌圖像。3.5二值化按照Q=IOnm分割圖像子塊，設(shè)定δ取值為100，對每一子塊進行如下處理按公式(j)的方法求每一子塊的平均灰度；統(tǒng)計子塊內(nèi)大于等于τ及小于等于T的像素個數(shù)N1和Ns，其中T=Means；如果|Ns-N11<δ，則T為所求閥值；否則如果Ns>N1,則T=T-I;而在INs-N1I彡δ且隊彡N1時，T=Τ+1。3.6圖像細化采用如附圖4所示的8個消除模板和附圖5所示的六個保留模板；從圖像的左上角像素點開始，按照從左到右、從上到下的順序?qū)π蚊矆D像中每一個像素點按步驟3.6所述進行處理，實施例三圖像細化后的結(jié)果如附圖17所示。4微觀結(jié)構(gòu)特性參數(shù)計算經(jīng)計算，實施例三的各微觀結(jié)構(gòu)特性參數(shù)分別為La=1.963nm；d=0.362nm；C=1.231。本發(fā)明根據(jù)微粒微觀形貌圖像的特點，采用了包括圖像Gabor濾波法、局部閥值法、改進的OPTA法等一系列數(shù)學算法對微粒微觀結(jié)構(gòu)特征參數(shù)——微晶尺寸、曲率、層面間距進行了提取。應用本方法可以自動、快速、準確的評價微粒微觀結(jié)構(gòu)特征，從而提供了一種微粒排放控制技術(shù)在汽車及內(nèi)燃機上應用效果的快速、自動考核方法。權(quán)利要求柴油機排放顆粒物微觀結(jié)構(gòu)特征自動定量評價方法，其特征是自動定量評價柴油機排放碳質(zhì)顆粒物的微晶尺寸(La)、層面間距(d)和曲率(C)3個微觀結(jié)構(gòu)特性參數(shù)，其中微晶尺寸(La)定義是微晶碳層上每條微晶碳層的長度；層面間距(d)的定義是微粒微觀結(jié)構(gòu)中相鄰兩個微晶碳層的垂直距離；曲率(C)的定義是微晶碳層的微晶尺寸與此微晶碳層兩端像素點間直線距離的比值，自動定量評價的過程包括以下步驟(1)樣品前處理將1g從柴油機排氣中收集的微粒樣品精細研磨后置于150ml二氯乙烷中萃取24小時，期間使用超聲波振蕩器加速萃取過程，將萃取后的微粒樣品置于10ml無水乙醇中，使用超聲波振蕩器振蕩30分鐘，使研磨后的微粒樣品均勻分散于所述無水乙醇中，形成穩(wěn)定的懸浮液，取一滴分散好的微粒-乙醇懸浮液置于場發(fā)射透射電子顯微鏡鎳網(wǎng)微柵上，待乙醇自由揮發(fā)后，微粒樣品前處理工作完成；(2)微粒微觀形貌圖像的獲取采用場發(fā)射透射電子顯微鏡對步驟(1)所述微粒樣品形貌進行觀測，獲取微粒微觀形貌電子顯微鏡照片；(3)對步驟(2)所獲取微粒微觀形貌的圖像進行數(shù)學變換處理(3.1)圖像規(guī)格化對源圖像進行規(guī)格化處理設(shè)I(i，j)為像素點(i，j)的灰度，其中i和j分別為微粒微觀形貌圖像中以像素點為單位的橫、縱坐標，M和N分別代表源微粒形貌圖像的灰度均值和灰度方差，N(i，j)是規(guī)格化后點(i，j)的灰度，圖像規(guī)格化定義如下式中，<mrow><mi>M</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mi>A</mi><mo>*</mo><mi>B</mi></mrow></mfrac><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>A</mi><mo>-</mo><mn>1</mn></mrow></munderover><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>B</mi><mo>-</mo><mn>1</mn></mrow></munderover><mi>I</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>b</mi><mo>)</mo></mrow></mrow><mrow><mi>V</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mi>A</mi><mo>*</mo><mi>B</mi></mrow></mfrac><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>A</mi><mo>-</mo><mn>1</mn></mrow></munderover><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>B</mi><mo>-</mo><mn>1</mn></mrow></munderover><msup><mrow><mo>(</mo><mi>I</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>-</mo><mi>M</mi><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>c</mi><mo>)</mo></mrow></mrow>式中A和B為微粒源圖像具有的橫、縱像素點數(shù)量；M0、V0是預先設(shè)定的規(guī)格化后的圖像灰度均值和方差，兩者取值范圍均為0～255之間的整數(shù)。(3.2)方向圖計算將規(guī)格化后的微粒圖像分成大小為Q×Q的子塊，其中Q的取值范圍為0.35～10nm，對于面積小于Q×Q的子塊予以去除，將A×B大小的整個微粒圖像分成P×P個互不重疊的子塊，其中P通過(d)式計算<mrow><mi>P</mi><mo>=</mo><mfrac><mrow><mi>Min</mi><mrow><mo>(</mo><mi>A</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow><mo>&times;</mo><mi>S</mi></mrow><mi>Q</mi></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>d</mi><mo>)</mo></mrow></mrow>式中S為形貌圖像中每兩個相鄰像素點所對應的實際距離；采用Sobel算子計算每個子塊像素點(u，v)的水平方向的梯度值和豎直方向的梯度值如式(e)和(f)所示<mrow><mo>&PartialD;</mo><mi>x</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>=</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><mn>2</mn><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>+</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mn>2</mn><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>-</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>e</mi><mo>)</mo></mrow></mrow><mrow><mo>&PartialD;</mo><mi>y</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>=</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><mn>2</mn><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mn>2</mn><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow>再利用式(g)、(h)、(i)估計中心在點(i，j)子塊的局部方向<mrow><msub><mi>V</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>u</mi><mo>=</mo><mi>i</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow><mrow><mi>i</mi><mo>+</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow></munderover><munderover><mi>&Sigma;</mi><mrow><mi>v</mi><mo>=</mo><mi>j</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow><mrow><mi>j</mi><mo>+</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow></munderover><mo>&PartialD;</mo><mi>x</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>&PartialD;</mo><mi>y</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>g</mi><mo>)</mo></mrow></mrow><mrow><msub><mi>V</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>u</mi><mo>=</mo><mi>i</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow><mrow><mi>i</mi><mo>+</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow></munderover><munderover><mi>&Sigma;</mi><mrow><mi>v</mi><mo>=</mo><mi>j</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow><mrow><mi>j</mi><mo>+</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow></munderover><mrow><mrow><mo>(</mo><mo>&PartialD;</mo><msup><mi>x</mi><mn>2</mn></msup><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>-</mo><mo>&PartialD;</mo><msup><mi>y</mi><mn>2</mn></msup><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>)</mo></mrow></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>h</mi><mo>)</mo></mrow></mrow><mrow><mfencedopen='{'close=''><mtable><mtr><mtd><mi>&theta;</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><msup><mi>tan</mi><mrow><mo>-</mo><mn>1</mn><mrow><mo>(</mo><mfrac><mrow><msub><mi>V</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></mrow><mrow><msub><mi>V</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></mrow></mfrac><mo>)</mo></mrow></mrow></msup></mtd><mtd><mi>if</mi><mrow><mo>(</mo><msub><mi>V</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>&NotEqual;</mo><mn>0</mn></mtd></mtr><mtr><mtd><mi>&theta;</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mi>&pi;</mi><mn>2</mn></mfrac></mtd><mtd><mi>if</mi><mrow><mo>(</mo><msub><mi>V</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>=</mo><mn>0</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow>公式(i)中的θ即為所在子塊的局部方向角；(3.3)進行圖像分割，包括方差法、方向法、復合法；(3.3.1)方差法(3.3.1.1)按照步驟(3.2)將微粒形貌圖像劃分為互不重疊的P×P的子塊，對每一圖像子塊分別進行處理；(3.3.1.2)按照(j)、(k)式計算每一圖像子塊的灰度均值和方差<mrow><mi>Means</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mi>P</mi><mo>&times;</mo><mi>P</mi></mrow></mfrac><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></mrow><mrow><mi>Vars</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mi>P</mi><mo>&times;</mo><mi>P</mi></mrow></mfrac><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><msup><mrow><mo>(</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>-</mo><mi>Means</mi><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow>式中N(u，v)是子塊(k，l)中第u行第v列的圖像點灰度值，Means為圖像子塊的灰度均值，Vars為圖像子塊的方差；(3.3.1.3)對于每一圖像子塊，當Vars小于定義的閥值T1時，將其設(shè)定為背景區(qū)域，否則作為前景區(qū)域，保留其灰度值，T1取值范圍為0～255之間的正整數(shù)；(3.3.2)方向法(3.3.2.1)按照步驟(3.2)計算微粒形貌圖像的方向圖和方向直方圖；(3.3.2.2)按下列標準對每一圖像子塊進行分割①如果所述方向直方圖中的峰值超過定義的閥值T2時，則該區(qū)域被視為前景，T2取值范圍為0～255之間的正整數(shù)；②如果所述方向直方圖中的峰值差值小于定義的閥值T3，則該區(qū)域被定義為背景T3取值范圍為0～255之間的正整數(shù)；③如果所述方向方差大于定義的閥值T4，則該區(qū)域被定義為前景，T4取值范圍為0～10000之間的正整數(shù)；(3.3.3)復合法設(shè)A，B分別是微粒形貌圖像經(jīng)過方向法和方差法分割后得到的圖像，C為用復合方法得到的分割圖像，則(3.4)圖像增強采用偶對稱的Gabor濾波器，其函數(shù)形式如下<mrow><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>:</mo><mi>&phi;</mi><mo>,</mo><mi>f</mi><mo>)</mo></mrow><mo>=</mo><mi>exp</mi><mo>{</mo><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mo>[</mo><mfrac><msubsup><mi>x</mi><mi>&phi;</mi><mn>2</mn></msubsup><msubsup><mi>&delta;</mi><mi>x</mi><mn>2</mn></msubsup></mfrac><mo>+</mo><mfrac><msubsup><mi>y</mi><mi>&phi;</mi><mn>2</mn></msubsup><msubsup><mi>&delta;</mi><mi>y</mi><mn>2</mn></msubsup></mfrac><mo>]</mo><mo>}</mo><mi>cos</mi><mrow><mo>(</mo><mn>2</mn><mi>&pi;f</mi><msub><mi>x</mi><mi>&phi;</mi></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>m</mi><mo>)</mo></mrow></mrow>式中，xφ＝xcosφ+ysinφ(n)yφ＝-xsinφ+ycosφ(o)式中φ是微晶碳層的方向，垂直于Gabor濾波器；f是微晶碳層的頻率；δx和δy分別是Gabor濾波器在x軸和y軸上的高斯常數(shù)，圖像增強即需要確定φ、f參數(shù)，以及Gabor濾波器在x軸和y軸上的高斯常數(shù)δx和δy；(3.4.1)按照所述步驟(3.2)中方向圖計算的方法計算每個圖像子塊的方向圖；(3.4.2)計算微晶碳層的頻率(3.4.2.1)按照步驟(3.1)圖像規(guī)格化處理過的圖像再按步驟(3.2)中的方法分割成P×P大小的互不重疊的子塊；以圖像子塊中心點(i，j)為中心，子塊碳層方向為短軸，作一個尺寸為2P×P大小的長方形窗口，在窗口中按公式(p)計算幅值X[k]；<mrow><mi>X</mi><mo>[</mo><mi>k</mi><mo>]</mo><mo>=</mo><mfrac><mn>1</mn><mi>P</mi></mfrac><munderover><mi>&Sigma;</mi><mrow><mi>d</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>P</mi><mo>-</mo><mn>1</mn></mrow></munderover><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow></mrow>k＝0，1，…，2P-1(p)式中，<mrow><mi>u</mi><mo>=</mo><mi>i</mi><mo>+</mo><mrow><mo>(</mo><mi>d</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac><mo>)</mo></mrow><mi>cos</mi><mrow><mo>(</mo><mi>O</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>+</mo><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mi>P</mi><mo>)</mo></mrow><mi>sin</mi><mrow><mo>(</mo><mi>O</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>q</mi><mo>)</mo></mrow></mrow><mrow><mi>v</mi><mo>=</mo><mi>j</mi><mo>+</mo><mrow><mo>(</mo><mi>d</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac><mo>)</mo></mrow><mi>sin</mi><mrow><mo>(</mo><mi>O</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>+</mo><mrow><mo>(</mo><mi>P</mi><mo>-</mo><mi>k</mi><mo>)</mo></mrow><mi>cos</mi><mrow><mo>(</mo><mi>O</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mrow>(3.4.2.2)離散信號X[k]組成了一個二維的正弦波，從得到的X[k]中找到所有的極大值點，并計算這些極大值點的平均距離，或稱為極大值點間的平均像素點數(shù)，記為T(i，j)，則微晶碳層的頻率可表示為F(i，j)＝1/T(i，j)；(3.4.2.3)如果X[k]信號中沒有連續(xù)的峰值，那么頻率值就設(shè)為-1，表示無效頻率；(3.4.3)確定Gabor濾波器在x軸和y軸上的高斯常數(shù)δx和δy，將Gabor濾波器應用于規(guī)格化后的圖像N(u，v)可得到增強后的碳質(zhì)微粒微觀形貌圖像E(i，j)<mrow><mi>E</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>u</mi><mo>=</mo><mo>-</mo><mfrac><msub><mi>W</mi><mi>g</mi></msub><mn>2</mn></mfrac></mrow><mrow><mo>-</mo><mfrac><msub><mi>W</mi><mi>g</mi></msub><mn>2</mn></mfrac></mrow></munderover><munderover><mi>&Sigma;</mi><mrow><mi>v</mi><mo>=</mo><mo>-</mo><mo>-</mo><mfrac><msub><mi>W</mi><mi>g</mi></msub><mn>2</mn></mfrac></mrow><mrow><mo>-</mo><mfrac><msub><mi>W</mi><mi>g</mi></msub><mn>2</mn></mfrac></mrow></munderover><mi>h</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>:</mo><mi>O</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>,</mo><mi>F</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mi>N</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mi>u</mi><mo>,</mo><mi>j</mi><mo>-</mo><mi>v</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow></mrow>(s)式中N為規(guī)格化后的微粒形貌圖像，O為微晶碳層方向圖、F為微晶碳層頻率，Wg為Gabor濾波器的尺寸大小，Wg取值范圍為0～100；(3.5)二值化(3.5.1)按所述步驟(3.2)中的方法把微粒形貌圖像分成P×P大小的子塊；(3.5.2)對每一子塊進行如下處理(3.5.2.1)按公式(k)的方法求每一子塊的平均灰度；(3.5.2.2)統(tǒng)計子塊內(nèi)大于等于T及小于等于T的像素個數(shù)Ni和Ns，其中T＝Means；(3.5.2.3)如果|Ns-Nl|＜δ(δ取值范圍為0～100)，則T為所求閥值；否則如果Ns＞Nl，則T＝T-1；而在|Ns-Nl|≥δ且Ns≤Nl時，T＝T+1。(3.6)圖像細化(3.6.1)構(gòu)造8個矩陣并形成8個消除模板，其中1表示前景點，0表示背景點，×表示即可為前景點又可為背景點；<mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced>(3.6.2)構(gòu)造6個矩陣并形成六個保留模板；<mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced>(3.6.3)從圖像的左上角像素點開始，按照從左到右、從上到下的順序?qū)π蚊矆D像進行掃描；(3.6.4)對于某一前景像素點P(i，j)(i和j分別為該像素點以像素數(shù)為單位所對應的橫、縱坐標)，抽取出14個像素領(lǐng)域，如下面的矩陣所示，將P(i，j)的8個領(lǐng)域像素(P(i-1，j-1)，P(i-1，j)，P(i-1，j+1)，P(i，j-1)，P(i，j+1)，P(i+1，j)，P(i+1，j)，P(i+1，j+1))與上面的8個消除模板相比較，如果這8個領(lǐng)域元素和8個消除模板中的一個匹配時(模板中非“×”值的所有元素與該元素定義的8個領(lǐng)域中的像素值都相等時稱匹配)，則去除P(i，j)(即P(i，j)＝0)，否則，P(i，j)保留；<mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>+</mo><mn>2</mn><mo>)</mo></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>+</mo><mn>2</mn><mo>)</mo></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>+</mo><mn>2</mn><mo>)</mo></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>2</mn><mo>,</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>2</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>2</mn><mo>,</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced>(3.6.5)如果該像素在所述步驟(3.6.4)中被去除，則將P(i，j)的14個領(lǐng)域像素再和(3.6.2)中的6個保留模板進行比較，同時去除下面矩陣所示的三種保留模板情況；如果與其中一個匹配，則P(i，j)保留，否則P(i，j)才真正刪除；<mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced>(3.6.6)對所述微粒微觀形貌圖像中的所有像素點進行迭代，直到?jīng)]有一個像素值被改變位置；(4)柴油機排放顆粒物微觀結(jié)構(gòu)特征參數(shù)的提取和計算根據(jù)步驟(3)進行微粒微觀形貌圖像變換處理后，提取出微粒微觀結(jié)構(gòu)特征數(shù)字圖像；再根據(jù)微粒微觀結(jié)構(gòu)特征參數(shù)的定義，自動計算出微晶尺寸(La)、層面間距(d)和曲率(C)這3個微粒微觀形貌特征參數(shù)。FSA00000017713300011.tif,FSA00000017713300022.tif,FSA00000017713300023.tif,FSA00000017713300031.tif全文摘要本發(fā)明公開了一種對柴油機排放顆粒物微觀結(jié)構(gòu)特征自動定量評價方法。自動定量評價柴油機排放顆粒物微晶碳層上每條微晶碳層的長度、微粒微觀結(jié)構(gòu)中相鄰兩個微晶碳層的垂直距離、以及微晶尺寸與此微晶碳層兩端像素點間直線距離的比值，這3個微觀結(jié)構(gòu)特性參數(shù)。方法包括四大步驟即樣品前處理；微粒微觀形貌圖像的獲取；對獲取微粒微觀形貌的圖像進行數(shù)學變換處理；和柴油機排放顆粒物微觀結(jié)構(gòu)特征參數(shù)的提取和計算。采用了圖像Gabor濾波法、局部閥值法、改進的OPTA法等對微粒微觀結(jié)構(gòu)特征3個參數(shù)進行了提取。應用本方法可以自動、快速、準確的評價微粒微觀結(jié)構(gòu)特征，從而增加了一種微粒排放控制技術(shù)在汽車及內(nèi)燃機上應用效果的快速、自動考核方法。文檔編號G01N15/00GK101799393SQ20101010210公開日2010年8月11日申請日期2010年1月28日優(yōu)先權(quán)日2010年1月28日發(fā)明者呂剛,宋崇林,張煒,王林申請人:天津大學