本發(fā)明涉及鋼鐵材料微觀晶粒組織的金相定量智能分析領(lǐng)域，特別涉及一種鋼材金相組織晶界自動提取方法。

背景技術(shù)：

金相分析是對金屬進(jìn)行研究和性能測試的重要手段。為了獲取金相圖像，需對目標(biāo)金屬進(jìn)行截取、磨制、拋光、浸蝕，接著，將制備好的金屬試樣放到金相顯微鏡下。在金相顯微鏡下觀察，絕大多數(shù)的金屬材料是由許多細(xì)小的晶粒組成，晶粒與晶粒之間的鄰接界面被稱為晶界。晶粒的尺寸對金屬的拉伸強(qiáng)度、韌性、塑性等機(jī)械性質(zhì)有決定性的影響。為了方便測量晶粒的尺寸，如何準(zhǔn)確、有效地提取晶界就顯得尤為重要。傳統(tǒng)的金相分析受人為因素影響較大，工作效率低，其分析結(jié)果準(zhǔn)確性差。

利用計(jì)算機(jī)對金相組織圖像進(jìn)行處理分析已經(jīng)成為金屬材料研究的重要手段，但是由于試樣制作以及數(shù)據(jù)采集等各方面的原因，這使得金相圖像中的晶界變得模糊，無法直接得到清晰、完整的晶界。為了得到清晰、完整的晶界，許多研究人員花費(fèi)了大量的時(shí)間進(jìn)行理論探索和實(shí)驗(yàn)研究。

目前，主流的研究思路主要分為兩個方向：一是對金相圖像中的晶粒進(jìn)行分割，得到一塊塊完整的晶粒，晶粒與晶粒之間的分割處便是晶界的位置，主要使用的方法是：分水嶺分割算法、水平集分割算法、聚類算法等等；二是利用一些算子對金相圖像中的晶界直接進(jìn)行提取，典型的有：canny算子、sobel算子、kirsch算子等等?；诰垲惖姆椒?，是根據(jù)待處理的數(shù)據(jù)集合中各元素間的相似度將其分為若干子集合。例如，張紅旗使用c均值算法對12cr1mov鋼金相組織進(jìn)行分割取得一定的效果。但是在關(guān)鍵的晶界提取上往往存在晶界誤分割的現(xiàn)象?；谔荻人阕拥姆椒ㄊ窃趫D像處理中最常用的方法之一，其利用圖像灰度的變化來求取圖像中的邊緣特征。如canny算子就被用于晶界提取。但是由于圖像拍攝的原因，使得圖像內(nèi)往往噪聲點(diǎn)多而雜亂，難以提取合理準(zhǔn)確的晶界。因此，提供一種晶粒自動分割、晶界自動提取的算法是十分必要的。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)中存在不足，本發(fā)明提供了一種鋼材金相組織晶界自動提取方法，能夠更加充分利用到圖像的位置、顏色、紋理等信息，實(shí)現(xiàn)了鋼材金相組織晶界的自動提取，還大大提高了晶界提取的準(zhǔn)確性。

本發(fā)明是通過以下技術(shù)手段實(shí)現(xiàn)上述技術(shù)目的的。

一種鋼材金相組織晶界自動提取方法，包括如下步驟：

s1：讀入一幅大小為m×n的鋼材金相組織圖像f，其中：m、n為正整數(shù)；

s2：對鋼材金相組織圖像預(yù)處理，包括如下步驟：

s2.1：彩色圖像直方圖均衡化，用于增強(qiáng)鋼材金相組織圖像的對比度，得到直方圖均衡化后的圖像e；

s2.2：雙邊濾波去噪，用于減少鋼材金相組織圖像中的噪聲點(diǎn)，得到去噪后的圖像i；

s3：用標(biāo)記分水嶺分割算法對預(yù)處理后的鋼材金相組織圖像進(jìn)行預(yù)分割，將圖像分割成多塊區(qū)域；

s4：用改進(jìn)的meanshift算法對預(yù)分割后提取到的多塊區(qū)域分別進(jìn)行聚類分割，得出的晶粒與晶粒之間的鄰接界面為最終的晶界。

進(jìn)一步，所述步驟s2.1中的彩色圖像直方圖均衡化，具體步驟為：

s2.1.1：對于彩色鋼材金相組織圖像f，利用轉(zhuǎn)換公式：將rgb顏色空間圖像轉(zhuǎn)化為yuv顏色空間圖像，得到圖像p，其中：r、g、b分別為rgb顏色空間圖像對應(yīng)的三色分量的值，y、u、v分別為yuv顏色空間圖像對應(yīng)的分量的值；

s2.1.2：單獨(dú)對轉(zhuǎn)換之后的yuv顏色空間圖像p中的y通道進(jìn)行直方圖均衡化，得到圖像q；

s2.1.3：再利用公式：將yuv顏色空間圖像q重新轉(zhuǎn)化為rgb顏色空間圖像，得到直方圖均衡化后的圖像e。

進(jìn)一步，所述步驟s2.2中的雙邊濾波去噪方法是：

對于彩色圖像利用雙邊濾波算法分別對圖像e的r、g、b三色通道通過公式：進(jìn)行濾波去噪，得到處理后的圖像i，

其中：l為濾波半徑，

k為正整數(shù)且k＝l,l+1,...,l+m，m＝m×n-2l，

e[k-i]為彩色圖像當(dāng)前像素點(diǎn)包含的r、g、b三色分量的值；

w[k,i]為濾波器的權(quán)系數(shù)，主要由gauss權(quán)系數(shù)wd[k,i]和圖像的亮度信息wr[k,i]的乘積所構(gòu)成，其中：

σd表示在空域?yàn)V波時(shí)的高斯函數(shù)的標(biāo)準(zhǔn)差，σr表示在窗口中圖像的亮度通過高斯函數(shù)進(jìn)行濾波時(shí)的亮度標(biāo)準(zhǔn)差，δr、δg、δb分別為rgb彩色圖像中不同像素點(diǎn)對應(yīng)的三色分量差值。

進(jìn)一步，所述步驟s3的具體步驟為：

s3.1：將預(yù)處理后的圖像轉(zhuǎn)化為灰度圖像，利用sobel算子對灰度轉(zhuǎn)化后的圖像進(jìn)行水平和垂直方向的濾波，求取模值，得到梯度幅值圖像；

s3.2：對灰度圖像進(jìn)行形態(tài)學(xué)重構(gòu)，通過獲取處理后的灰度圖像的局部極大值得到前景標(biāo)記圖像；

s3.3：對重構(gòu)后的圖像做距離變換，產(chǎn)生距離圖，再對距離圖做傳統(tǒng)分水嶺分割，得到背景標(biāo)記圖像；

s3.4：采用數(shù)學(xué)形態(tài)學(xué)極小值標(biāo)定技術(shù)，利用獲取的前景對象和背景對象強(qiáng)制作為梯度幅值圖像的局部最小值；

s3.5：利用分水嶺算法對修改后梯度幅值圖像進(jìn)行分割，將一幅完整的灰度金相組織圖像分割成n塊大小不同、形狀相異的區(qū)域，n為正整數(shù)。

進(jìn)一步，所述步驟s4具體步驟為：

s4.1：根據(jù)s3中預(yù)分割灰度鋼材金相組織圖像得到的區(qū)域分界線，對預(yù)處理后的彩色鋼材金相組織圖像i進(jìn)行分區(qū)域提取，將鋼材金相組織圖像i分割成n塊區(qū)域i1，i2，…，in；

s4.2：計(jì)算區(qū)域ij的面積sj，j＝1,2,...,n，得到最小面積smin、最大面積smax；

s4.3：將每塊的面積值sj與兩個面積閾值tmin、tmax進(jìn)行比較，確定帶寬參數(shù)hs和hr大小，關(guān)系如下：其中，hs和hr分別表示空域和顏色域的不同帶寬系數(shù)，hs、hr為正整數(shù)且初始時(shí)，將對應(yīng)的最小值賦予帶寬參數(shù)hs、hr；

s4.4：用meanshift算法依次對各區(qū)域進(jìn)行分割，將一塊塊晶粒分割開來，計(jì)算每塊晶粒的面積大小zl，l＝1,2,...,num，num為分割之后晶粒的個數(shù)，計(jì)算其中，1≤e≤num，1≤f≤num，且e≠f；

s4.5：若或表明出現(xiàn)過分割現(xiàn)象或欠分割現(xiàn)象，則定帶寬參數(shù)：hs＝hs+1或hr＝hr+1，返回步驟s4.4；若則表明帶寬參數(shù)合適，晶粒分割較好，結(jié)束區(qū)域的分割；

s4.6：分割完所有區(qū)域之后，晶粒與晶粒之間的鄰接界面為最終的晶界。

本發(fā)明的有益效果在于：

1.本發(fā)明所述的鋼材金相組織晶界自動提取方法，通過采用本發(fā)明提出的算法對彩色鋼材金相組織圖像直接處理，能夠更加充分利用到圖像的位置、顏色、紋理等信息，大大提高了晶界提取的準(zhǔn)確性。

2.本發(fā)明所述的鋼材金相組織晶界自動提取方法，通過采用彩色圖像直方圖均衡化算法和雙邊濾波去噪算法作為鋼材金相組織圖像的預(yù)處理算法，不僅增強(qiáng)了彩色圖像的對比度，還在去除圖像中混有噪聲的同時(shí)保護(hù)了邊緣信息。

3.本發(fā)明所述的鋼材金相組織晶界自動提取方法，通過采用標(biāo)記分水嶺算法和meanshift算法對鋼材金相組織圖像進(jìn)行分割，解決了大多數(shù)算法在提取晶界過程中出現(xiàn)的晶界模糊、晶界斷裂等問題，取得了很好的效果。

4.本發(fā)明所述的鋼材金相組織晶界自動提取方法，為鋼材晶粒的定量微觀分析提供了有效方法，本發(fā)明不僅實(shí)現(xiàn)了鋼材金相組織晶界的自動提取，還大大提高了晶界提取的準(zhǔn)確性。

5.本發(fā)明所述的鋼材金相組織晶界自動提取方法，可以適用于其它金屬或非金屬等領(lǐng)域中的微觀顆粒的邊界提取工作，適用范圍較廣。

附圖說明

圖1為本發(fā)明所述的鋼材金相組織晶界自動提取方法流程圖。

圖2為本發(fā)明實(shí)施例的初始彩色鋼材金相組織圖像。

圖3為本發(fā)明彩色圖像直方圖均衡化后的圖像。

圖4為本發(fā)明所述的雙邊濾波去噪后的圖像。

圖5為本發(fā)明所述的預(yù)分割后的區(qū)域線。

圖6為本發(fā)明所述的預(yù)分割后提取到的區(qū)域，sj＞tmax。

圖7為本發(fā)明所述的預(yù)分割后提取到的區(qū)域，tmin≤sj≤tmax。

圖8為本發(fā)明所述的預(yù)分割后提取到的區(qū)域，sj＜tmin。

圖9為本發(fā)明所述的晶界提取后的圖像。

具體實(shí)施方式

下面結(jié)合附圖以及具體實(shí)施例對本發(fā)明作進(jìn)一步的說明，但本發(fā)明的保護(hù)范圍并不限于此。

結(jié)合圖1所示，一種鋼材金相組織晶界自動提取方法，包括如下步驟：

s1：讀入一幅大小為m×n的鋼材金相組織圖像f，其中：m、n為正整數(shù)；

s2：對鋼材金相組織圖像預(yù)處理，包括如下步驟：

s2.1：彩色圖像直方圖均衡化，用于增強(qiáng)鋼材金相組織圖像的對比度，得到直方圖均衡化后的圖像e；具體步驟為：

s2.1.1：對于彩色鋼材金相組織圖像f，利用轉(zhuǎn)換公式：將rgb顏色空間圖像轉(zhuǎn)化為yuv顏色空間圖像，得到圖像p，其中：r、g、b分別為rgb顏色空間圖像對應(yīng)的三色分量的值，y、u、v分別為yuv顏色空間圖像對應(yīng)的分量的值；

s2.1.2：單獨(dú)對轉(zhuǎn)換之后的yuv顏色空間圖像p中的y通道進(jìn)行直方圖均衡化，得到圖像q；

s2.1.3：再利用公式：將yuv顏色空間圖像q重新轉(zhuǎn)化為rgb顏色空間圖像，得到直方圖均衡化后的圖像e。

s2.2：雙邊濾波去噪，用于減少鋼材金相組織圖像中的噪聲點(diǎn)，得到去噪后的圖像i；

所述步驟s2.2中的雙邊濾波去噪方法是：

對于彩色圖像利用雙邊濾波算法分別對圖像e的r、g、b三色通道通過公式：進(jìn)行濾波去噪，得到處理后的圖像i，

其中：l為濾波半徑，

k為正整數(shù)且k＝l,l+1,...,l+m，其中m＝m×n-2l；

e[k-i]為彩色圖像當(dāng)前像素點(diǎn)包含的r、g、b三色分量的值；

w[k,i]為濾波器的權(quán)系數(shù)，主要由gauss權(quán)系數(shù)wd[k,i]和圖像的亮度信息wr[k,i]的乘積所構(gòu)成，其中：

σd表示在空域?yàn)V波時(shí)的高斯函數(shù)的標(biāo)準(zhǔn)差，σr表示在窗口中圖像的亮度通過高斯函數(shù)進(jìn)行濾波時(shí)的亮度標(biāo)準(zhǔn)差，δr、δg、δb分別為rgb彩色圖像中不同像素點(diǎn)對應(yīng)的三色分量差值。

s3：用標(biāo)記分水嶺分割算法對預(yù)處理后的鋼材金相組織圖像進(jìn)行預(yù)分割，將圖像分割成多塊區(qū)域；具體步驟為：

s3.1：將預(yù)處理后的圖像轉(zhuǎn)化為灰度圖像，利用sobel算子對灰度轉(zhuǎn)化后的圖像進(jìn)行水平和垂直方向的濾波，求取模值，得到梯度幅值圖像；

s3.2：對灰度圖像進(jìn)行形態(tài)學(xué)重構(gòu)，通過獲取處理后的灰度圖像的局部極大值得到前景標(biāo)記圖像；

s3.3：對重構(gòu)后的圖像做距離變換，產(chǎn)生距離圖，再對距離圖做傳統(tǒng)分水嶺分割，得到背景標(biāo)記圖像；

s3.4：采用數(shù)學(xué)形態(tài)學(xué)極小值標(biāo)定技術(shù)，利用獲取的前景對象和背景對象強(qiáng)制作為梯度幅值圖像的局部最小值；

s3.5：利用分水嶺算法對修改后梯度幅值圖像進(jìn)行分割，將一幅完整的灰度金相組織圖像分割成n塊大小不同、形狀相異的區(qū)域，n為正整數(shù)。

s4：用改進(jìn)的meanshift算法對預(yù)分割后提取到的多塊區(qū)域分別進(jìn)行聚類分割，得出的晶粒與晶粒之間的鄰接界面為最終的晶界。具體步驟為：

s4.1：根據(jù)s3中預(yù)分割灰度鋼材金相組織圖像得到的區(qū)域分界線，對預(yù)處理后的彩色鋼材金相組織圖像i進(jìn)行分區(qū)域提取，將鋼材金相組織圖像i分割成n塊區(qū)域i1，i2，…，in；

s4.2：計(jì)算區(qū)域ij的面積sj，j＝1,2,...,n，得到最小面積smin、最大面積smax；

s4.3：將每塊的面積值sj與兩個面積閾值tmin、tmax進(jìn)行比較，確定帶寬參數(shù)hs和hr大小，關(guān)系如下：其中，hs和hr分別表示空域和顏色域的不同帶寬系數(shù)，hs、hr為正整數(shù)且初始時(shí)，將對應(yīng)的最小值賦予帶寬參數(shù)hs、hr；

s4.4：用meanshift算法依次對各區(qū)域進(jìn)行分割，將一塊塊晶粒分割開來，計(jì)算每塊晶粒的面積大小zl，l＝1,2,...,num，num為分割之后晶粒的個數(shù)，計(jì)算其中，1≤e≤num，1≤f≤num，且e≠f；

s4.5：若或表明出現(xiàn)過分割現(xiàn)象或欠分割現(xiàn)象，則定帶寬參數(shù)：hs＝hs+1或hr＝hr+1，返回步驟s4.4；若則表明帶寬參數(shù)合適，晶粒分割較好，結(jié)束區(qū)域的分割；

s4.6：分割完所有區(qū)域之后，晶粒與晶粒之間的鄰接界面為最終的晶界。

具體實(shí)施例：

s1：讀入一幅大小為960×1280的鋼材金相組織圖像f，如圖2所示，

s2：對鋼材金相組織圖像預(yù)處理，包括如下步驟：

s2.1：彩色圖像直方圖均衡化，用于增強(qiáng)鋼材金相組織圖像的對比度，得到直方圖均衡化后的圖像e，如圖3所示，具體步驟為：

s2.1.1：對于彩色鋼材金相組織圖像f，利用轉(zhuǎn)換公式：將rgb顏色空間圖像轉(zhuǎn)化為yuv顏色空間圖像，得到圖像p，其中：r、g、b分別為rgb顏色空間圖像對應(yīng)的三色分量的值，y、u、v分別為yuv顏色空間圖像對應(yīng)的分量的值；

s2.1.2：單獨(dú)對轉(zhuǎn)換之后的yuv顏色空間圖像p中的y通道進(jìn)行直方圖均衡化，得到圖像q；

s2.1.3：再利用公式：將yuv顏色空間圖像q重新轉(zhuǎn)化為rgb顏色空間圖像，得到直方圖均衡化后的圖像e。

s2.2：雙邊濾波去噪，用于減少鋼材金相組織圖像中的噪聲點(diǎn)，得到去噪后的圖像i，如圖4所示；所述步驟s2.2中的雙邊濾波去噪方法是：

對于彩色圖像利用雙邊濾波算法分別對圖像e的r、g、b三色通道通過公式：進(jìn)行濾波去噪，得到處理后的圖像i，

其中：l為濾波半徑，l＝5

k為正整數(shù)且k＝5,5+1,...,5+m，其中m＝1228790；

e[k-i]為彩色圖像當(dāng)前像素點(diǎn)包含的r、g、b三色分量的值；

w[k,i]為濾波器的權(quán)系數(shù)，主要由gauss權(quán)系數(shù)wd[k,i]和圖像的亮度信息wr[k,i]的乘積所構(gòu)成，其中：

σd表示在空域?yàn)V波時(shí)的高斯函數(shù)的標(biāo)準(zhǔn)差，σr表示在窗口中圖像的亮度通過高斯函數(shù)進(jìn)行濾波時(shí)的亮度標(biāo)準(zhǔn)差，δr、δg、δb分別為rgb彩色圖像中不同像素點(diǎn)對應(yīng)的三色分量差值。在本實(shí)施例中，σd＝3，σr＝0.1。

s3：用標(biāo)記分水嶺分割算法對預(yù)處理后的鋼材金相組織圖像進(jìn)行預(yù)分割，將圖像分割成多塊區(qū)域；具體步驟為：

s3.1：將預(yù)處理后的圖像轉(zhuǎn)化為灰度圖像，利用sobel算子對灰度轉(zhuǎn)化后的圖像進(jìn)行水平和垂直方向的濾波，求取模值，得到梯度幅值圖像；

s3.2：對灰度圖像進(jìn)行形態(tài)學(xué)重構(gòu)，通過獲取處理后的灰度圖像的局部極大值得到前景標(biāo)記圖像；

s3.3：對重構(gòu)后的圖像做距離變換，產(chǎn)生距離圖，再對距離圖做傳統(tǒng)分水嶺分割，得到背景標(biāo)記圖像；

s3.4：采用數(shù)學(xué)形態(tài)學(xué)極小值標(biāo)定技術(shù)，利用獲取的前景對象和背景對象強(qiáng)制作為梯度幅值圖像的局部最小值；

s3.5：利用分水嶺算法對修改后梯度幅值圖像進(jìn)行分割，將一幅完整的灰度金相組織圖像分割成52塊大小不同、形狀相異的區(qū)域。

s4：用改進(jìn)的meanshift算法對預(yù)分割后提取到的多塊區(qū)域分別進(jìn)行聚類分割，得出的晶粒與晶粒之間的鄰接界面為最終的晶界。具體步驟為：

s4.1：根據(jù)s3中預(yù)分割灰度鋼材金相組織圖像得到的區(qū)域分界線，如圖5所示，對預(yù)處理后的彩色鋼材金相組織圖像i進(jìn)行分區(qū)域提取，將鋼材金相組織圖像i分割成52塊區(qū)域i1，i2，…，i52；

s4.2：計(jì)算區(qū)域ij的面積sj，j＝1,2,...,52，得到最小面積smin＝141，最大面積smax＝123141；

s4.3：將每塊的面積值sj與兩個面積閾值tmin、tmax進(jìn)行比較，確定帶寬參數(shù)hs和hr大小，關(guān)系如下：其中，tmin＝4241，tmax＝8341，hs和hr分別表示空域和顏色域的不同帶寬系數(shù)，hs、hr為正整數(shù)且初始時(shí)，將對應(yīng)的最小值賦予帶寬參數(shù)hs、hr；

s4.4：如圖6，圖7和圖8為根據(jù)上步得出圖分割圖像，用meanshift算法依次對各區(qū)域進(jìn)行分割，將一塊塊晶粒分割開來，計(jì)算每塊晶粒的面積大小zl，l＝1,2,...,num，num為分割之后晶粒的個數(shù)，計(jì)算其中，1≤e≤num，1≤f≤num，且e≠f；

s4.5：若或表明出現(xiàn)過分割現(xiàn)象或欠分割現(xiàn)象，則定帶寬參數(shù)：hs＝hs+1或hr＝hr+1，返回步驟s4.4；若則表明帶寬參數(shù)合適，晶粒分割較好，結(jié)束區(qū)域的分割；

s4.6：如圖9所示，分割完所有區(qū)域之后，晶粒與晶粒之間的鄰接界面為最終的晶界。

所述實(shí)施例為本發(fā)明的優(yōu)選的實(shí)施方式，但本發(fā)明并不限于上述實(shí)施方式，在不背離本發(fā)明的實(shí)質(zhì)內(nèi)容的情況下，本領(lǐng)域技術(shù)人員能夠做出的任何顯而易見的改進(jìn)、替換或變型均屬于本發(fā)明的保護(hù)范圍。