专利名称：一种超细晶粒钢晶粒的自动测量及其形态分类统计方法
技术领域：
本发明涉及钢铁材料微观组织的定量金相分析领域，具体涉及一种超细晶粒钢晶粒的自动测量及其形态分类统计方法。
背景技术：
随着钢铁材料科技的飞速发展，各类钢材的研发已经逐渐建立在成分、结构、组织和性能定量关系的基础上，意即对于钢材可以通过制备和各种后续工艺控制其相结构和显微组织从而获得所需的性能。定量金相分析正是研究金属材料成分、组织、工艺及性能之间关系的重要方法，通过对各种材料金相组织的定量分析，在材料的微观组织和宏观性能间构建定量关系。
超细晶粒钢是近年来快速发展的一种新型钢材，其主要特点在于其金相组织大多为极度细化的晶粒，其晶粒尺寸通常小于4微米，故而表现出很高的强度、硬度、塑性及韧性。对于超细晶粒钢而言，其晶粒的粒径、形态及分布对钢的性能起着决定性的影响。在进行定量金相分析时，对于超细晶粒钢金相组织中大量出现的诸如晶界缺失、晶内孔洞等图像缺陷，必须进行图像修复，使原始晶界真实再现；否则，将严重影响其后的定量金相分析效果，致使材料的成分、结构、组织和性能的定量关系难以准确建立。为了提高超细晶粒钢的性能，需要对超细晶粒钢晶粒的粒径、形态等进行准确测量、分类和统计。因此，如何精确、高效地测量与统计晶粒的粒径、形态分布，成为超细晶粒钢微观组织分析领域中迫切需要解决的重要问题。
在工程实践中，这项工作主要依赖具有深厚金属材料知识和丰富定量金相分析经验的工程技术人员，采用传统的人工修复方法进行金相图像修复工作和传统网格法人工测量、计算及统计的工作模式进行晶粒的测量、分类。由于这种分析效果主要取决于人的主观因素故必然产生各种主观误差、效率低、测量分类统计结果精度低以及大量占用人力成本的问题，从而造成钢材成分、结构、组织和性能的定量关系难以准确建立的后果，这已成为严重影响新材料研发工作进程的“瓶颈”问题。发明内容
本发明的目的是提供了一种超细晶粒钢晶粒的自动测量及其形态分类统计方法， 该方法能自动的实现对超细晶粒钢的金相组织(晶粒)图像进行修复并对其形态特征进行精确、高效的测量、分类与统计。
本发明的技术方案是一种超细晶粒钢晶粒的自动测量及其形态分类统计方法， 其具体步骤为(1)采集超细晶粒钢晶粒图像，并进行预处理；(2)采用基于区域划分的自适应阈值分割算法对预处理后的图像进行二值分割，得到二值图像；(3)对所述二值图像通过基于距离变换的修正分水岭算法修复晶界，并用改进种子填充算法填充晶内孔洞，得到修复图像；(4)提取晶粒形态特征参数，其具体步骤为 (4-1)对所述修复图像进行标尺设定和区域标定；(4-2)提取晶粒形态特征参数面积、周长、长宽比、直径、圆形度及形状系数；(5)以所述直径为判据对晶粒尺寸进行分级统计，以所述圆形度、形状系数、长宽比为判据对晶粒形态进行分类；进一步，所述步骤(1)的预处理的具体步骤为 (1-1)利用可保留图像细节的直方图均衡算法增强整幅图像； (1-2)利用边缘检测微分算子法提取边缘，将灰度突变的点处视为相应的边界点，进而确定边界的点集；(1-3)同时利用拉伸算法加大图像的对比度。
进一步，所述步骤(2)基于区域划分的自适应阈值分割算法，其区域划分的子区域数位2500个，采用大津法算法。
进一步，所述步骤(3)基于距离变换的修正分水岭算法，其步骤为 (3-1)进行欧氏距离变换，获得各个独立晶核；(3-2)根据修正系数逐层扩大各独立晶核，当修正之后两独立晶核粘连，则将其视为一个独立晶核，统一编号；(3-3)对所述编号后的晶核进行膨胀处理，膨胀过程中晶核保持同层位增长，当两晶核相遇即为分水岭，此时形成晶粒的分界线。
进一步，所述修正系数为2。
本发明优点是1、采用基于距离变换的修正分水岭分割算法和改进种子填充算法分别能很好地解决晶界缺失和晶内孔洞等图像缺陷，可获得理想的图像修复效果。
2、晶粒图像的测量精度可达± 0. 01 μ m，并做到无漏检、无重检。
3、采用基于像素点的测量方法可精确、高效、便捷地进行晶粒特征参数的测量分类，整个测量分类过程在标准配置的计算机上运行，完成一个视场的晶粒测量分类只需几分钟即可。
4、本发明为超细晶粒钢中晶粒的定量微观分析提供了可靠依据。
5、本发明具有优异的普适性，可以推广应用于材料领域、生物领域中一切背景复杂和形态复杂的粒状物测量分类工作。
下面结合附图和具体实施方式
对本发明作进一步详细说明 图1本发明的流程框图；图2是图像采集系统的硬件示意图； 图3是实施例1的原始图像； 图4是实施例1经预处理后的图像； 图5是实施例1二值分割后的图像； 图6 (a)是前向模板；(b)是后向模板；图7 (a)是待修复晶界的缺陷晶粒；(b)是晶界修复后的晶粒； 图8 (a)是待填充的晶内孔洞图像；(b)是填充晶内孔洞后的图像； 图9是实施例1的修复图像；图10 (a)是实施例1晶粒的粒径分布图；(b)是实施例1晶粒的形态分布图； 图11是实施例2的原始图像； 图12是实施例2经预处理及二值分割后的图像； 图13是实施例2的修复图像；图14 (a)是实施例2晶粒的粒径分布图；(b)是实施例2晶粒的形态分布图； 图15是实施例3的原始图像； 图16是实施例3经预处理及二值分割后的图像； 图17是实施例3的修复图像；图18 (a)是实施例3晶粒的粒径分布图；(b)是实施例3晶粒的形态分布图。
具体实施方式
本发明涉及到的中值滤波、对比度拉伸算法，其具体内容参见杨淑莹。 VC++图像处理程序设计(2005年1月第二版).清华大学出版社，北京交通大学出版社.ISBNB7-81082-450-3/TP. 162. PP98-105, 76-80;可保留图像细节的直方图均衡算法是本发明在冷璐，黎明，张家树.结合边缘细节局部自适应增强的直方图均衡化[J].微电子学与计算机.2010. 1. vol27. Nol. PP :38-41. —文基础上的创新工作；基于区域划分的自适应阈值分割算法是本发明在孙即祥.图像分析(2005年7月第一版).科学出版社· ISBN7-03-013850-3/TP. 391. 41. . PP9-10.基础上的创新工作；基于距离变换的修正分水岭分割算法是本发明在 J. J. Charles, L.I. Kunchevaa, B. Wells, I. S. Lima. Object segmentation within microscope images of palynofacies[J]. Computers & Geosciences . 34 (2008) . PP:688 - 698. 一文基础上的创新工作。
如图1所示，本发明首先利用图像采集系统获取晶粒的原始图像(目标晶粒图像) 并将其存入附带的图像采集卡。对目标晶粒图像进行预处理，以利于后续操作的进行。鉴于本发明的目的仅涉及晶粒的形态特征，而与颜色信息无关，故只需对其用基于区域划分的自适应阈值算法进行二值分割，得到目标图像的黑白模板，即晶粒的二值图像。由于晶粒二值图像“继承”了原始图像所特有的晶界缺失、晶内孔洞等问题，还必须通过基于距离函数的修正分水岭分割算法修复晶粒边界，改进种子填充算法填充孔洞。当完成上述图像修复步骤且设定标尺后，就可对各晶粒进行区域标定。采用追溯法并以像素点为测量单位，对目标晶粒分别提取三个初始形态特征参数晶粒面积、周长及长宽比；再利用面积、周长， 则可分别算出晶粒粒径、圆形度和形状系数三个特征参数。
由此，即可根据晶粒粒径对目标图像进行晶粒粒径的分级统计分析，得到相应的分析图表；然后，根据圆形度、形状系数及长宽比对目标图像进行形态分类统计；最后将以上的晶粒粒径和形态的自动分级、分类统计结果存档并以图表文件形式显示输出。
下面通过3个实施例对本发明再详细说明 实施例1利用图像采集系统获得钢材的原始晶粒图像，图像采集系统的硬件如图2所示钢材试样1、专业显微镜2、摄像头(CCD) 3、计算机(内插图像采集卡)4、打印机5。图像采集的具体步骤是利用显微镜将图像调至合适焦距，在图像最清晰时摄像并存储到图像采集卡中 (原始图像)，方可进行图像预处理。
实施例1的原始图像如图3所示。先对图3的原始图像进行预处理。首先，利用中值滤波对图像进行去噪处理。然后，利用可保留图像细节的直方图均衡算法对整幅图像进行增强处理，以丰富图像的细节信息，从而强化图像的显示效果。为了进一步提取边缘， 本发明利用边缘检测微分算子法进行，其原理主要是利用灰度变化的作用。由于灰度突变的点处其梯度值很高，可视为相应的边界点，从而确定边界的点集。同时利用拉伸算法加大图像的对比度，经预处理后的效果如图4所示。
对图4还需进行二值分割以得到晶粒的二值图像。由于超细晶粒钢晶粒图像的多样性、复杂性，故本发明采用基于区域划分的自适应阈值分割算法对图像进行二值分割。基于区域划分的自适应阈值分割算法即对图像按坐标分块，对每一子块分别自动获得最佳阈值Ti。本发明经过大量试验发现，划分2500个子区域时，采用OTSU (大津法)算法，其分割效果最好，如图5所示。
目标图像在经过上述预处理和二值分割后，虽然其图像质量获得明显改善，但仍存在着超细晶粒钢所特有的缺陷(晶界缺失、晶内孔洞等)，影响目标晶粒测量分类的精确度。为此，本发明对传统的分水岭分割算法进行了改进，形成了新的基于距离变换的修正分水岭分割算法。该算法主要通过对目标图像进行距离变换获取各晶粒的几何中心即晶粒核心，对各晶粒核心进行修正，以避免过度分割，对修正后的晶粒图像再应用分水岭分割算法修复晶界。
上述基于距离变换的修正分水岭分割算法的具体过程为①进行欧氏距离变换， 获得各个独立晶核，其过程为先将二值图像中背景灰度设置为0，目标(晶粒)灰度设置为 255，然后使用前向模板(如图6a所示)、后向模板(如图6b所示)对其自左至右一自上至下和自右至左一自下至上依次做两次扫描，当模板中心到达一个新目标位置时，就将模板中的每个元素与其对应位置的像素值相加，最小的和值即作为当前目标的像素值。②根据修正系数的大小逐层扩大各独立晶核，若修正之后两独立晶核粘连，则将其视为一个独立晶核，统一编号。本发明根据超细晶的图像特征，经反复试验表明，采用修正系数为2时，效果最佳。③对上述编号后的晶核进行膨胀处理，根据水位同步上升的原理，膨胀过程中晶核保持同层位增长，一旦两晶核相遇即为分水岭，此时形成晶粒的分界线。图7a、图7b分别为缺陷晶粒和晶界修复后的晶粒形态。
对于如图8a所示的晶内孔洞缺陷，本发明采用改进的种子填充算法进行填充处理，填充后的图像如图8b所示。该填充算法详见本发明人的另一发明专利(“一种钢中析出粒子的自动测量及其形态分类方法”，申请号200910030216. 1)。该种子填充改进算法的基本流程如下⑴种子像素压入堆栈。
⑵当堆栈非空时，从堆栈中推出一个像素，并将该像素设置成所要的值。
⑶对于每个与当前像素邻接的四连通或八连通像素，进行测试，以确定测试点的像素是否处在区域内且未被访问过。
⑷若所测试的像素在区域内没有被填充过，则将该像素压入堆栈。
综上所述，对目标图像分别进行了预处理、二值分割、晶界修复及孔洞填充各步骤处理后，即可得到整幅目标图像的自动修复图像，如图9所示。
至此，即可进行晶粒的测量、分类工作。首先，提取所需的晶粒形态特征参数，提取过程为(1)设定图像标尺，即标定图像中每个像素的实际尺寸，其算法如下①在目标图像中画一条水平直线段，记下起点坐标(xl，y)和终点坐标(x2，y)，并计算出该线段的长度Ll=|xl-x2| (单位微米)和所划过的像素数m ；②在目标图像中画一条竖直线段，记下起点坐标(x，yl)和终点坐标(x，y2)，并计算出该线段的长度L2=|yl-y2| (单位微米)和所划过的像素数N2 ； ③设定此金相图像的放大倍数A。X SCALE = —---—-. Ujr fpixsi ~NlxAF 7I SCALE =-am/ptc^_N2xAψ ζXY SCALE = ((X SCALE}2 + (7 SCALE)5)Λ μιη/ρ α^
上式中HXLE—水平方向尺寸因子，即为每个像素在水平方向上的实际尺寸； —竖直方向尺寸因子，即为每个像素在竖直方向上的实际尺寸； IStMZ^—二维尺寸因子，即为每个像素的二维实际尺寸；(2)对同一图像中各晶粒进行区域标定，即对各晶粒区域像素进行标识，并进一步取得它们各自的特征参数。该区域标定算法详见本发明人的另一发明专利该区域标定算法详见本发明人的另一发明专利(“一种钢中析出粒子的自动测量及其形态分类方法”，申请号200910030216. 1)。该区域标定算法为递归标记算法，其步骤为①首先按从左到右，从上到下以TV光栅的方式从图像的左上角开始扫描。直到发现一个没有标记的1像素点。
②对此1像素点赋予一个新的标记NewFlag。
③按图的编号次序，对此目标像素(阴影)点的8个邻点进行扫描，如果遇到没有标记的1像素点就把它标记为NewFlag(它也就是②中的NewFlag)。此时又要按上述次序扫描8个邻点中的1像素的8个邻点，如遇到没有标记的1像素，又将它标记为NewFlag。 此过程是一个递归，在邻点中遇到没有标记的1像素点，递推一层，直到没有标记的1像素点被耗尽，才开始返回，返回也是层层返回。
④递归结束，继续扫描没有标记的1像素点，然后执行②、③两个步骤。
⑤反复执行上述过程直到光栅扫描到图像的右下脚。
(3)提取图像的几何形态特征参数，具体如下 ①粒子面积对二值图像模板数组进行扫描，计算出目标区域中灰值为255的像素点总数义，即可得出目标区域面积為 ②晶粒周长采用Freeman链码对二值图像模板数组进行遍历扫描，跟踪目标晶粒区域的边界，将边界点坐标转换成8方向链码，(区域边界轮廓线由相邻边界像素点之间的短连线逐段相连而成。短连线的斜率仅可能有八个方向，即0。、45。、90。、1；35。、180。、225。、270。、 315°，分别用0、1、2、3、4、5、6、7数码来表示，称为链码ci= {0,1, ,7}。)即可得出目标区域晶粒周长Pi:Rl=Nj xX SCLil^^N2^T SCLiI^+ N3 ^XT SCAI^Lm)式中代一水平方向链码个数，即0°、180°方向边界上的像素点总数凡一垂直方向链码个数，即90°、270°方向边界上的像素点总数罵一斜向链码个数，即45。、135。、225。、315。方向边界上的像素点总数。
③晶粒粒径晶粒粒径代即为与晶粒在图像中的轮廓面积相等时的圆的直径，
权利要求
1.一种超细晶粒钢晶粒的自动测量及其形态分类统计方法，其特征是采用下列步骤(1)采集超细晶粒钢晶粒图像，并进行预处理；(2)采用基于区域划分的自适应阈值分割算法对预处理后的图像进行二值分割，得到二值图像；(3)对所述二值图像通过基于距离变换的修正分水岭算法修复晶界，并用改进种子填充算法填充晶内孔洞，得到修复图像；(4)提取晶粒形态特征参数，其具体步骤为 (4-1)对所述修复图像进行标尺设定和区域标定；(4-2)提取晶粒形态特征参数面积、周长、长宽比、直径、圆形度及形状系数；(5)以所述直径为判据对晶粒尺寸进行分级统计，以所述圆形度、形状系数、长宽比为判据对晶粒形态进行分类。
2.根据权利要求1所述的一种超细晶粒钢晶粒的自动测量及其形态分类统计方法，其特征在于所述步骤(1)的预处理的具体步骤为(1-1)利用可保留图像细节的直方图均衡算法增强整幅图像； (1-2)利用边缘检测微分算子法提取边缘，将灰度突变的点处视为相应的边界点，进而确定边界的点集；(1-3)同时利用拉伸算法加大图像的对比度。
3.根据权利要求1所述的一种超细晶粒钢晶粒的自动测量及其形态分类统计方法，其特征在于所述步骤(2)基于区域划分的自适应阈值分割算法，其区域划分的子区域数位 2500个，采用大津法算法。
4.根据权利要求1所述的一种超细晶粒钢晶粒的自动测量及其形态分类统计方法，其特征在于所述步骤(3)基于距离变换的修正分水岭算法，其步骤为(3-1)进行欧氏距离变换，获得各个独立晶核；(3-2)根据修正系数逐层扩大各独立晶核，当修正之后两独立晶核粘连，则将其视为一个独立晶核，统一编号；(3-3)对所述编号后的晶核进行膨胀处理，膨胀过程中晶核保持同层位增长，当两晶核相遇即为分水岭，此时形成晶粒的分界线。
5.根据权利要求4所述的一种超细晶粒钢晶粒的自动测量及其形态分类统计方法，其特征在于所述修正系数为2。
全文摘要
本发明公开一种超细晶粒钢晶粒的自动测量及其形态分类统计方法，该方法的步骤是，(1)采集超细晶粒钢晶粒图像，并进行预处理；(2)采用基于区域划分的自适应阈值分割算法对预处理后的图像进行二值分割，得到二值图像；(3)对所述二值图像通过基于距离变换的修正分水岭算法修复晶界，并用改进种子填充算法填充晶内孔洞，得到修复图像；(4)提取晶粒形态特征参数；(5)以所述直径为判据对晶粒尺寸进行分级统计，以所述圆形度、形状系数、长宽比为判据对晶粒形态进行分类；该方法能自动的实现对超细晶粒钢的金相组织(晶粒)图像进行修复并对其形态特征进行精确、高效的测量、分类与统计。
文档编号G01B11/02GK102494976SQ20111036804
公开日2012年6月13日 申请日期2011年11月18日 优先权日2011年11月18日
发明者丁飞, 朱伟兴, 李新城, 赵从光 申请人:江苏大学