專利名稱：焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，屬于煉焦應(yīng)用炭相學(xué)技術(shù)領(lǐng)域。
背景技術(shù)：
焦炭光學(xué)組織對(duì)焦炭的性能及其在高爐中或在其他化工過程中的反應(yīng)性有直接影響，因此焦炭光學(xué)組織是評(píng)價(jià)焦炭質(zhì)量的關(guān)鍵參數(shù)，同時(shí)，焦炭光學(xué)組織又受其配煤的煤巖特性影響。
到目前為止，焦炭光學(xué)組織分析，國(guó)內(nèi)外普遍使用的方法是人工數(shù)點(diǎn)的統(tǒng)計(jì)法。在正交偏光條件下在樣品表面均勻選取500個(gè)點(diǎn)，根據(jù)焦炭各種顯微光學(xué)組織的顏色、形狀、氣孔特征，與周邊組織結(jié)合狀態(tài)，對(duì)所選點(diǎn)進(jìn)行區(qū)分和識(shí)別，通過對(duì)這些點(diǎn)的歸類統(tǒng)計(jì)，分析焦炭光學(xué)組織的相對(duì)比例。這種方法勞動(dòng)強(qiáng)度大，費(fèi)時(shí)間，測(cè)點(diǎn)數(shù)少，測(cè)定結(jié)果的準(zhǔn)確度不高，人為因素影響較大，同時(shí)測(cè)定人員必須經(jīng)過專業(yè)訓(xùn)練。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，該自動(dòng)檢測(cè)方法采用數(shù)字圖像處理和模式識(shí)別技術(shù)，實(shí)現(xiàn)對(duì)焦炭光學(xué)組織中各向異性的進(jìn)行準(zhǔn)確、可靠的自動(dòng)測(cè)定。
本發(fā)明是這樣實(shí)現(xiàn)的一種焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，其特征是首先，對(duì)從數(shù)字?jǐn)z像頭采集出來的焦炭微觀圖像進(jìn)行類別估計(jì)，初步判斷該圖像包含的是哪種類型的各向異性，即是大尺寸為主的各項(xiàng)異性還是小尺寸為主的各向異性，以便確定下一步分水嶺分割參數(shù)；第二，進(jìn)行對(duì)比度調(diào)整以及灰度級(jí)重量化；第三，對(duì)原圖像進(jìn)行分水嶺分割，將各個(gè)各向異性區(qū)域輪廓分割出來；第四，對(duì)這些區(qū)域進(jìn)行特征抽取與統(tǒng)計(jì)，特征一般是指經(jīng)過一組數(shù)學(xué)運(yùn)算或者變換得到的一組向量值，特征值如統(tǒng)計(jì)區(qū)域的面積、周長(zhǎng)、區(qū)域?qū)挾鹊纫恍缀瘟?，以及區(qū)域的平均顏色、平均梯度等物理量；第五，將特征向量值送入模式識(shí)別的分類器中進(jìn)行分類；第六，最終得到分析結(jié)果，即各向異性的輪廓示意圖與大小統(tǒng)計(jì)直方圖。
本發(fā)明實(shí)現(xiàn)了焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)，與現(xiàn)有的人工測(cè)定法相比，有效測(cè)點(diǎn)提高了百萬倍，大大提高了測(cè)定的準(zhǔn)確度，并縮短了測(cè)定時(shí)間，降低了測(cè)定操作的勞動(dòng)強(qiáng)度。


下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明作進(jìn)一步說明。
圖1為本發(fā)明焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法示意圖； 圖2為改進(jìn)的分水嶺算法流程圖； 圖3為連續(xù)一維灰度函數(shù)f(x)的谷底、聚水盆和分水嶺的示意圖； 圖4為分水嶺沉浸算法的一次迭代過程； 圖5為調(diào)整灰階差Δh的大小可抑制過分割的示意圖； 圖6A、B、C、D、E、F為一個(gè)具體的實(shí)施例圖，分別為A原圖、B灰度圖、C形態(tài)學(xué)梯度結(jié)果圖、D分水嶺分割結(jié)果圖、E區(qū)域平均顏色填充的各向異性輪廓圖、F各向異性顆粒直徑分布直方圖。
具體實(shí)施例方式 參見圖1，一種焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，首先，對(duì)從數(shù)字?jǐn)z像頭采集出來的焦炭微觀圖像進(jìn)行類別估計(jì)，初步判斷該圖像包含的是哪種類型的各向異性，即是大尺寸為主的各項(xiàng)異性還是小尺寸為主的各向異性，以便確定下一步分水嶺分割參數(shù)。第二，進(jìn)行對(duì)比度調(diào)整以及灰度級(jí)重量化。第三，對(duì)原圖像進(jìn)行分水嶺分割，將各個(gè)各向異性區(qū)域輪廓分割出來。第四，對(duì)這些區(qū)域進(jìn)行特征抽取與統(tǒng)計(jì)，特征一般是指經(jīng)過一組數(shù)學(xué)運(yùn)算或者變換得到的一組向量值，特征值如統(tǒng)計(jì)區(qū)域的面積、周長(zhǎng)、區(qū)域?qū)挾鹊纫恍缀瘟浚约皡^(qū)域的平均顏色、平均梯度等物理量。第五，將特征向量值送入模式識(shí)別的分類器中進(jìn)行分類。第六，最終得到分析結(jié)果，即各向異性的輪廓示意圖與大小統(tǒng)計(jì)直方圖。
下面具體分別敘述 1、類別估計(jì) 由于焦炭微觀圖像中各向異性的定義涵蓋面比較廣，包含表面粒度比較細(xì)致的細(xì)粒，也包含了表面粒度比較粗糙呈龜裂狀的粗?；蚱瑺睢榱私档头治龅膹?fù)雜程度，提高分析的效率，因而首先做類別估計(jì)，給下一步分割階段的參數(shù)選擇做好鋪墊工作。
類別估計(jì)的步驟如下 設(shè)R為各向異性的總區(qū)域，I(P)為象素點(diǎn)P的灰度值； 第一，將原彩色圖像C對(duì)應(yīng)的灰度圖像G求出，令I(lǐng)＝0，S＝0； 第二，按從左到右，從上到下的順序按象素掃描圖像G； 第二三，設(shè)當(dāng)前象素點(diǎn)為P，如果P屬于R，則將I累加I＝I+I(P)，并更新當(dāng)前面積S＝S+1。
第三，得到當(dāng)前各向異性區(qū)域的平均亮度g＝I/S； 第四，如果g＜95，判斷為顆粒為主的各向異性組織，反之，為大顆粒、片狀為主的各向異性組織。
類別估計(jì)的目的是大體粗分圖像的類別是細(xì)粒為主還是粗粒為主的，其原理是利用細(xì)粒為主的圖像反射率低于粗粒為主的圖像，從而在亮度上對(duì)以便確定不同的參數(shù)便于下一步的分水嶺分割階段。
2.分水嶺分割 參見圖2，在應(yīng)用分水嶺算法前，需先對(duì)原始圖像進(jìn)行處理，即對(duì)原始圖像F進(jìn)行求形態(tài)學(xué)梯度，得到梯度圖像G，經(jīng)重量化處理后的圖像G’，再進(jìn)行分水嶺算法，得到粒狀分割結(jié)果。
2.1、對(duì)梯度圖像G和重量化處理后的圖像G’的求解步驟如下首先利用灰度轉(zhuǎn)換公式 I＝0.229*R+0.587*G+0.114*B(1) 將原彩色圖像轉(zhuǎn)換為灰度圖像F； 第二，形態(tài)學(xué)梯度求解 第二一，依次掃描圖像P的各象素點(diǎn)，設(shè)當(dāng)前象素為P， 第二二，掃描P領(lǐng)域，找出亮度最大值Imax和亮度最小值Imin， 第二三，則P點(diǎn)對(duì)應(yīng)的梯度值Grad(P)＝Imax-Imin， 第二四，掃描結(jié)束，得出灰度圖像F對(duì)應(yīng)的形態(tài)學(xué)梯度G； 第三，再對(duì)G的灰度級(jí)進(jìn)行噪聲去除和重量化； 第三一，噪聲去除 依次掃描G的各象素點(diǎn)P， 如果P的亮度I(P)＜閾值T，則令I(lǐng)(P)＝0； 第三二，重量化 I’(P)＝I(P)/N； 重量化處理后的圖像為G’，比如G原先的灰度級(jí)為255，重量化之后G的灰度級(jí)一般在10到30之間。
2.2、引入分水嶺算法 分水嶺算法是圖像處理學(xué)科中的一種圖像分割方法。它首先把灰度圖像看成是一個(gè)立體地形浮雕，然后給出谷底、聚水盆和分水嶺三個(gè)概念。谷底就是具有相同灰度值且比鄰域灰度值都大的連通區(qū)域或者單獨(dú)的象素點(diǎn)。谷底M對(duì)應(yīng)的聚水盆C(M)就是從谷底M漲水所能覆蓋的象素點(diǎn)集合。而分水嶺就是來自不同谷底的水源交匯點(diǎn)的集合。連續(xù)一維的灰度函數(shù)f(x)的谷底、聚水盆和分水嶺如圖3所示。
設(shè)灰度圖像I的最小最大亮度值分別為hmin，hmax，T1(h)為滿足I≥h的象素點(diǎn)集合，X(h)為水平線高度為h時(shí)聚水盆象素點(diǎn)集合，W(h)為分水嶺象素點(diǎn)集合，IZY(X)為點(diǎn)集X在點(diǎn)集Y中的影響區(qū)域(影響區(qū)域(Influence Zone)是測(cè)地學(xué)的一個(gè)概念)。則分水嶺的沉浸算法是一個(gè)迭代過程公式(2) 從公式(2)可以知道，這個(gè)過程實(shí)際上是一個(gè)迭代過程，首先對(duì)上一次求出的聚水盆象素點(diǎn)求影響區(qū)域，然后并上新出現(xiàn)的谷底，成為這一次計(jì)算的結(jié)果，然后再反復(fù)此過程。圖4表示了這個(gè)迭代的過程。
2.3、過分割問題與分水嶺算法的改進(jìn)，對(duì)圖像進(jìn)行分割，將各個(gè)各向異性區(qū)域輪廓分割出來。
由于數(shù)字圖像不可避免地存在噪聲，而圖像中若有一個(gè)微小的灰度變化也能產(chǎn)生對(duì)應(yīng)的分水嶺分割線。所以，直接對(duì)未經(jīng)處理的圖像或者對(duì)應(yīng)的梯度圖像進(jìn)行分水嶺算法，會(huì)產(chǎn)生過分割的問題，也就是把噪聲或者其它微小的灰度擾動(dòng)分割出來，導(dǎo)致最終的分割結(jié)果難以讓人滿意。解決分水嶺算法的過分割問題目前已經(jīng)存在許多的解決方案。這里針對(duì)各向異性分析提出一種有效并且高效解決方法。
設(shè)兩次處理的灰階差為Δh，在對(duì)數(shù)字圖像處理運(yùn)用分水嶺算法的迭代過程中，Δh大部分情況下的值是就是灰階間隔，如在處理0～255階灰度圖像當(dāng)是Δh往往等于1。假設(shè)區(qū)域DI為原本期望分割為一塊完整的區(qū)域，但只要該區(qū)域的最大梯度 D就會(huì)被分割為多個(gè)區(qū)域，從而產(chǎn)生過分割。所以如果對(duì)相應(yīng)的區(qū)域D我們能夠控制 的話，那么區(qū)域D就不會(huì)被過分割，如圖5所示。這樣對(duì)于一副灰度圖像(包括原圖的形態(tài)學(xué)梯度圖像)，我們可以根據(jù)需要對(duì)Δh適當(dāng)增大或者調(diào)整，可以很有效的抑制過分割，Δh一般取10以上。這種算法比起基于標(biāo)識(shí)或者區(qū)域合并的分水嶺改進(jìn)算法比較起來，最大的優(yōu)點(diǎn)就是效率非常高。在顆粒分析這種對(duì)區(qū)域的分割精度要求不是特別高的情況下，該算法是相當(dāng)實(shí)用的。當(dāng)然本算法也可以結(jié)合標(biāo)識(shí)和區(qū)域增長(zhǎng)等方法一起使用，這樣也可以減少抽取標(biāo)識(shí)和區(qū)域增長(zhǎng)的復(fù)雜程度。
3、區(qū)域特征抽取 區(qū)域特征抽取是對(duì)分割后各個(gè)區(qū)域的某些重要的特征進(jìn)行計(jì)算，特征抽取就是對(duì)某個(gè)分類對(duì)象進(jìn)行特征的選取，特征一般是指經(jīng)過一組數(shù)學(xué)運(yùn)算或者變換得到的一組向量值。本算法中選取了區(qū)域的面積、周長(zhǎng)、區(qū)域?qū)挾取^(qū)域的平均顏色(以RGB顏色表示)、區(qū)域的平均梯度、區(qū)域邊緣的平均梯度作為特征。
比如對(duì)區(qū)域R，其面積為s，周長(zhǎng)為1，區(qū)域?qū)挾葹閐，區(qū)域平均顏色為clr＝(r，g，b)T，區(qū)域平均梯度為g0，區(qū)域邊緣的平均梯度為g1。
則這些數(shù)學(xué)量構(gòu)成一個(gè)特征向量V＝(s，l，d，clrT，g0，g1)T。
4、分類器 這里用的是線性分類器，根據(jù)圖像可以得到各個(gè)種類的典型特征，把區(qū)域特征與各個(gè)類的典型特征相比較，把區(qū)域歸到差距最小那一類。關(guān)于各類的典型特征，可以根據(jù)實(shí)際運(yùn)用的需求進(jìn)行配置。
線性分類器的數(shù)學(xué)表達(dá)式為 兩個(gè)N維向量V1＝(V11，V12，...V1N)T，V2＝(V21，V22，...V2N)T其歐氏距離定義如下， 設(shè)有m個(gè)類中心，C1，C2，...Cm，假設(shè)要判定樣本V屬于那個(gè)類別，線性分類器把樣本判為與該樣本最相近的類。
5、實(shí)施例 參見圖6A、B、C、D、E、F，一種焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，通過類別估計(jì)后，將圖6A原圖經(jīng)灰度轉(zhuǎn)化成為圖6B的灰度圖；對(duì)梯度圖像和重量化處理后圖像成為形態(tài)學(xué)梯度結(jié)果圖，參見圖6C；再對(duì)梯度圖像進(jìn)行改進(jìn)分水嶺算法，其中Δh＝20，得到圖6D的分水嶺分割結(jié)果圖；對(duì)區(qū)域特征進(jìn)行抽取并用線性分類器進(jìn)行分類，把區(qū)域特征與各個(gè)類的典型特征相比較，把區(qū)域歸到差距最小那一類，將圖像中的區(qū)域填充平均顏色，得到圖6E的各向異性輪廓的結(jié)果圖；以及得到的各向異性顆粒直徑分布直方圖的結(jié)果圖，即特征量統(tǒng)計(jì)直方圖，參見圖6F。
圖6A的原圖經(jīng)過本發(fā)明的自動(dòng)檢測(cè)方法后得到的結(jié)果是圖6E的各向異性輪廓圖，圖6F的特征量統(tǒng)計(jì)的各向異性顆粒直徑分布直方圖。
權(quán)利要求
1.一種焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，其特征是首先，對(duì)從數(shù)字?jǐn)z像頭采集出來的焦炭微觀圖像進(jìn)行類別估計(jì)，初步判斷該圖像包含的是哪種類型的各向異性，即是大尺寸為主的各項(xiàng)異性還是小尺寸為主的各向異性，以便確定下一步分水嶺分割參數(shù)；
第二，進(jìn)行對(duì)比度調(diào)整以及灰度級(jí)重量化；
第三，對(duì)原圖像進(jìn)行分水嶺分割，將各個(gè)各向異性區(qū)域輪廓分割出來；
第四，對(duì)這些區(qū)域進(jìn)行特征抽取與統(tǒng)計(jì)，特征一般是指經(jīng)過一組數(shù)學(xué)運(yùn)算或者變換得到的一組向量值，特征值如統(tǒng)計(jì)區(qū)域的面積、周長(zhǎng)、區(qū)域?qū)挾鹊纫恍缀瘟浚约皡^(qū)域的平均顏色、區(qū)域的平均梯度、區(qū)域邊緣的平均梯度等物理量；
第五，將特征向量值送入模式識(shí)別的分類器中進(jìn)行分類；
第六，最終得到分析結(jié)果，即各向異性的輪廓示意圖與大小統(tǒng)計(jì)直方圖。
2.根據(jù)權(quán)利要求1所述的焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，其特征是類別估計(jì)的步驟如下
設(shè)R為各向異性的總區(qū)域，I(P)為象素點(diǎn)P的灰度值；
第一，將原彩色圖像C對(duì)應(yīng)的灰度圖像G求出，令I(lǐng)＝0，S＝0；
第二，按從左到右，從上到下的順序按象素掃描圖像G；
第二三，設(shè)當(dāng)前象素點(diǎn)為P，如果P屬于R，則將I累加I＝I+I(P)，并更新當(dāng)前面積S＝S+1。
第三，得到當(dāng)前各向異性區(qū)域的平均亮度g＝I/S；
第四，如果g＜95，判斷為顆粒為主的各向異性組織，反之，為大顆粒、片狀為主的各向異性組織。
3.根據(jù)權(quán)利要求1所述的焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，其特征是對(duì)梯度圖像G和重量化處理后圖像G’的求解步驟如下首先利用灰度轉(zhuǎn)換公式
I＝0.229*R+0.587*G+0.114*B(1)
將原彩色圖像轉(zhuǎn)換為灰度圖像F；
第二，形態(tài)學(xué)梯度求解
第二一，依次掃描圖像P的各象素點(diǎn)，設(shè)當(dāng)前象素為P，
第二二，掃描P領(lǐng)域，找出亮度最大值Imax和亮度最小值Imin，
第二三，則P點(diǎn)對(duì)應(yīng)的梯度值Grad(P)＝Imax-Imin，
第二四，掃描結(jié)束，得出灰度圖像F對(duì)應(yīng)的形態(tài)學(xué)梯度G；
第三，再對(duì)G的灰度級(jí)進(jìn)行噪聲去除和重量化；
第三一，噪聲去除
依次掃描G的各象素點(diǎn)P，
如果P的亮度I(P)＜閾值T，則令I(lǐng)(P)＝0；
第三二，重量化
I’(P)＝I(P)/N；
重量化處理后的圖像為G’，重量化之后G的灰度級(jí)一般在10到30之間。
4.根據(jù)權(quán)利要求1所述的焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，其特征是通過分水嶺算法，對(duì)圖像進(jìn)行分水嶺分割，將各個(gè)各向異性區(qū)域輪廓分割出來；
分水嶺算法首先把灰度圖像看成是一個(gè)立體地形浮雕，然后給出谷底、聚水盆和分水嶺三個(gè)概念，谷底就是具有相同灰度值且比鄰域灰度值都大的連通區(qū)域或者單獨(dú)的象素點(diǎn)，谷底M對(duì)應(yīng)的聚水盆C(M)就是從谷底M漲水所能覆蓋的象素點(diǎn)集合，而分水嶺就是來自不同谷底的水源交匯點(diǎn)的集合；
設(shè)灰度圖像I的最小最大亮度值分別為hmin，hmax，TI(h)為滿足I≤h的象素點(diǎn)集合，X(h)為水平線高度為h時(shí)聚水盆象素點(diǎn)集合，W(h)為分水嶺象素點(diǎn)集合，IZY(X)為點(diǎn)集X在點(diǎn)集Y中的影響區(qū)域，則分水嶺的沉浸算法是一個(gè)迭代過程公式(2)
設(shè)兩次處理的灰階差為Δh，假設(shè)區(qū)域DI為原本期望分割為一塊完整的區(qū)域，該區(qū)域D的最大梯度
對(duì)于一副包括原圖的形態(tài)學(xué)梯度圖像的灰度圖像，可以根據(jù)需要對(duì)Δh適當(dāng)增大或者調(diào)整，可有效的抑制過分割。
5.根據(jù)權(quán)利要求1所述的焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，其特征是將特征向量值送入線性分類器中進(jìn)行分類，根據(jù)圖像可以得到各個(gè)種類的典型特征，把區(qū)域特征與各個(gè)類的典型特征相比較，把區(qū)域歸到差距最小那一類。
全文摘要
本發(fā)明涉及一種焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，屬于煉焦應(yīng)用炭相學(xué)技術(shù)領(lǐng)域。一種焦炭光學(xué)組織中各向異性的自動(dòng)檢測(cè)方法，首先，對(duì)從數(shù)字?jǐn)z像頭采集出來的焦炭微觀圖像進(jìn)行類別估計(jì)，初步判斷該圖像包含的是哪種類型的各向異性；第二，進(jìn)行對(duì)比度調(diào)整以及灰度級(jí)重量化；第三，對(duì)原圖像進(jìn)行分水嶺分割，將各個(gè)各向異性區(qū)域輪廓分割出來；第四，對(duì)這些區(qū)域進(jìn)行特征抽取與統(tǒng)計(jì)；第五，將特征向量值送入模式識(shí)別的分類器中進(jìn)行分類；第六，最終得到分析結(jié)果，即各向異性的輪廓示意圖與大小統(tǒng)計(jì)直方圖。本發(fā)明大大提高了測(cè)定的準(zhǔn)確度，縮短了測(cè)定時(shí)間，降低了測(cè)定操作的勞動(dòng)強(qiáng)度。
文檔編號(hào)G06F17/00GK101097205SQ20061002852
公開日2008年1月2日 申請(qǐng)日期2006年6月30日 優(yōu)先權(quán)日2006年6月30日
發(fā)明者胡德生, 劉其真, 張啟峰, 鄒丹平, 虞廣群 申請(qǐng)人:寶山鋼鐵股份有限公司, 復(fù)旦大學(xué)