一种钢材晶粒的自动晶界提取方法

摘要

本发明公开了一种钢材晶粒的自动晶界提取方法，包括1、晶粒图像预处理，包括灰度转换、中值滤波去噪、二值化处理；2、晶粒特征点提取与特征距离的计算，包括距离变换、生成尺度空间、构造高斯差分尺度空间、寻找尺度空间特征点以及计算特征距离；3、晶界自动提取，包括画出初始轮廓、水平集演化提取晶界、最终确定晶界。通过运用sift算法求取距离变换后图像特征点和计算对应的特征距离，并以此构造初始轮廓，使水平集算法演化效率和精度提高，有效地实现了高精度晶界提取和晶粒测量的要求，克服了以往晶界提取和晶粒测量精度低、效果差的缺陷。此方法具有通俗易懂、适用性强、准确性高的特点。

说明书

技术领域

本发明涉及钢铁材料微观晶粒组织的金相定量智能分析领域，具体涉及一种钢材晶粒的自动晶界提取方法。

背景技术

随着钢铁材料技术的迅猛发展，如今对各种钢材的研发己经逐渐建立在组成成分、金相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显微组织从而获得所需的性能。金相定量智能分析正是研究金属材料组成成分、金相组织、制备工艺及性能定量之间关系的重要方法，通过对各种钢材金相组织的定量分析，在其微观组织和宏观性能间构建定量关系。为探明钢中晶粒的组织形态及几何尺寸对钢的力学性能影响规律，就必需对金相组织中晶粒进行精确的边界提取及尺寸测量，以确保其金相组织及性能的可控性。

但是这项工作尚处于初步探索阶段，只能依靠人工或半人工测量进行，其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、提取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，这已成为严重影响钢材研发、改良等工作进程的“瓶颈”问题。

现有的晶界提取方法有：边缘提取法、阈值分割法和数学形态学等。这些方法均有对噪声敏感，对图像亮度敏感等缺点，往往需要经验丰富的技术人员进行判断之后进行处理分析。因此，提供一种能够应用于金相图像精确提取晶粒边界和晶粒测量的算法是十分必要的。

发明内容

为了解决上述问题，本发明首先根据sift算法原理设计了一种初始轮廓提取方法，该方法采用对距离变换后的blob图像进行特征点提取，计算特征距离，实现初始轮廓的提取，可以克服水平集算法对初始轮廓的敏感；在确定晶界图像时，提出了对晶粒面积与阈值的比较的方法，结合区域描述子等算法，实现了去除伪晶界，提高提取晶界的准确度等问题。实现本发明的技术方案如下：

一种钢材晶粒的自动晶界提取方法，包括如下步骤：

S1，读入钢材晶粒图像；

S2，对晶粒图像预处理；所述预处理包括：

S2.1，灰度转换：将钢材晶粒图像利用灰度转换公式转换为灰度图像；

S2.2，中值滤波去噪：将滤波模板在图像中漫游，并将模板中心与图中每个像素位置重合，读取模板中各对应像素的灰度值，将这些灰度值从小到大排列，取这一列数据的中间数据，将其赋给对应模板中心位置的像素；

S2.3，二值化处理：对步骤S2.2中经过处理得到的目标图像进行二值化分割处理，得到二值图像；

S3，对预处理后的晶粒图像进行特征点提取与特征距离的计算；具体包括：

S3.1，距离变换：利用距离变换算法对二值化图像进行处理，得到一幅含有大量光斑的blob图像；

S3.2，生成尺度空间：将blob图像I(x,y)与不同尺度的高斯函数卷积，得到不同尺度的图像，组合生成尺度空间，来模拟图像数据的多尺度特征；

S3.3，构造高斯差分尺度空间：将步骤S3.2生成的不同尺度空间中的各个尺度图像进行依次相减，形成高斯差分尺度空间；高斯差分尺度空间由多层差分图像组成，对每一层差分图像进行采样；

S3.4，寻找尺度空间特征点：设定采样点的比较邻域，对每个采样点进行和它所有比较邻域内的点进行比较，如果一个点在其比较邻域中是最大或最小值时，则该采样点是图像在该尺度下的一个特征点；

S3.5，计算特征点的特征距离：根据特征点的旋转不变性，计算各个特征点的特征距离；

S4，晶界自动提取；具体包括：

S4.1，画出初始轮廓：以特征点为圆心，各个特征点的特征距离为半径，画出圆形作为初始轮廓；

S4.2，水平集演化提取晶界：将步骤S4.1中得到的初始轮廓作为水平集算法的初始输入量，利用水平集算法对步骤S2.2中值滤波去噪得到的目标图像进行迭代演化，提取出完整晶界；

S4.3，确定晶界：将S4.2提取到的晶界区域面积小于一定的阈值范围时，去除这个晶界，直到得到最终的晶界。

进一步，所述步骤S2.1中的灰度转换公式为：

Gray＝(R×30+G×59+B×11+50)/10。

进一步，所述步骤S2.2中的滤波模板设为即g＝median[f(x-1,y-1)+f(x,y-1)+f(x+1,y-1)+f(x-1,y)+f(x,y)+f(x+1,y)+f(x-1,y+1)+f(x,y+1)+f(x+1,y+1)]；其中，median指中值。

进一步，所述步骤S2.3中二值化的具体步骤为：

S2.3.1，为目标图像的全局阈值选择一个初始估计值T，其中T为目标图像的平均灰度；

S2.3.2，用T分割图像，产生两组像素：G1由灰度值大于T的像素组成，G2由小于等于T的像素组成；

S2.3.3，分别计算G1和G2像素的平均灰度值m1和m2；

S2.3.4，计算一个新的阈值：T＝(m1+m2)/2；

S2.3.5，重复步骤S2.3.2到S2.3.4，直到连续迭代中的T值间的差小于一个预定义阈值为止。

进一步，所述步骤S3.1的距离变换的实现包括：对二值化后的图像进行扫描，将一幅M×N的图像可以表示为一个二维数组A_[i][j](i∈M,j∈N)，其中A_[i][j]＝1(i∈M,j∈N)表示目标点，A_[i][j]＝0(i∈M,j∈N)表示背景点；设B＝{(x,y)|A_[i][j]＝1}为目标点集合，则距离变换就是对A中所有点要求：D_[i][j]＝min{Dis>从而得到二值图像A的距离变换图。

进一步，所述步骤S3.4中所述比较邻域的设置方法具体为：a)采样点同层中以采样点为中心的周围8个点；b)采样点上层中以采样点为中心的周围9个点；c)采样点下层中以采样点为中心的周围9个点。

进一步，所述步骤S3.5中计算特征点的特征距离的公式为：其中，m(x,y)指特征点对应的特征距离。

进一步，所述步骤S4.3的实现方法包括：

S4.3.1，转换二值图像：对步骤S4.2提取到的晶界的图像进行扫描，将一幅M×N的图像表示为一个二维数组A_[i][j](i∈M,j∈N)，其中晶界上的像素点表示为A_[i][j]＝1(i∈M,j∈N)，非晶界上的像素点表示为A_[i][j]＝0(i∈M,j∈N)；

S4.3.2，求取晶粒面积：对步骤S4.3.1得到的二值图像使用函数regionprops进行计算区域描述子，对其中面积量进行求取；

S4.3.3，去除不足要求的晶界：对步骤S4.3.2得到的面积值进行与设定的阈值进行比较，若大于等于该阈值，则保留该晶界，若小于该阈值，则去除该晶界。

本发明的有益效果：

1、通过专业金相显微镜将图像调至合适的焦距，在图像最清晰时摄像获得待测钢材晶粒原始图像。

2、通过中值滤波算法对待测钢材晶粒原始图像进行中值滤波去噪处理，滤波处理过程可以对原始图像中的脉冲噪声、椒盐噪声等孤立的噪声点有良好的滤除作用，特别是在滤除噪声的同时，能够保护信号的边缘，使之不被模糊。此外，中值滤波的算法比较简单，算法运算速率快。

3、使用距离变换算法进行欧式距离变换，得到的结果精度高、与实际距离相符，为后续特征提取减少伪特征点。

4、采用sift算法进行特征提取得到特征点的位置和尺度，速度上可以达到实时的要求，同时可以有效地解决了噪声对算法的影响。

5、水平集算法迭代演化效果由于对初始轮廓极为敏感，需要输入一个大小与分割后结果相似的初始轮廓，从而避免了演化后的结果不理想、分割过度等现象，同时可以节省大量的演化时间。

6、整个晶界提取过程在标准配置的计算机上运行，完成一个视场的晶粒精确晶界提取仅需10秒左右，其效率比人工模式提高达数百倍之多。由此，就可在精确性、时效性上，充分满足工业生产中对新钢材研发、检测时待测材料图像数量非常巨大的严苛要求。

7、本发明为钢材晶粒的定量微观分析提供了可靠依据，本发明的应用一定程度上可以改变过去人工模式无法处理的钢材晶粒精确晶界提取工作的空白。

8、本发明具有优异的普适性，可以推广应用于其他金属或非金属等领域中一切相似的微观颗粒的边界提取工作。

附图说明

图1是图像采集硬件系统示意图；

图2是本发明的流程图；

图3是采集到的初始图像；

图4是经过灰度转换后的图像；

图5是经过中值滤波去噪后的图像；

图6是经过二值化处理后的图像；

图7是经过距离变换后的图像；

图8是水平集演化后的图像；

图9是提取晶界后的二值图像；

图10是确定晶界后的图像。

具体实施方式

为了加深对本发明的理解，下面结合附图对本发明改进的一种钢材晶粒的自动晶界提取的方法及提取过程作进一步详述。

本发明应用于钢铁材料微观晶粒组织的金相定量智能分析领域，如图1所示，为本发明自动晶界提取的硬件系统示意图。该硬件系统由钢材试样1、专业金相显微镜2、摄像头3、计算机4和显示器5组成。

本发明提出的自动晶界提取方法包括采集金相图像的步骤和对采集到的金相图像进行晶界提取的步骤，具体实现包括如下：

所述采集金相图像的步骤包括：

(1)将加工好的钢材试样1置于专业金相显微镜2的载物台上，调节钢材试样1使其位于专业金相显微镜2视野中央，并调节焦距。

(2)通过摄像头3对专业金相显微镜2视野中图像最清晰时摄像并存储。

(3)将摄像头3拍摄到的图像传送到计算机4，并在显示器5显示。

所述对采集到的金相图像进行晶界提取的步骤如图2所示，具体包括：

(4)如图3所示，对采集到的初始图像输入系统。本实施例中采集到尺寸200×100像素，8比特深度的彩色图像。

(5)如图4所示，将彩色图像进行R、G、B通道的分离，然后利用彩色转灰度公式：

Gray＝(R×30+G×59+B×11+50)/10 (1)

对初始彩色图像转化为灰度图像，灰度图像更适合后续处理、分析。

(6)如图5所示，由于无论是直接获取的是灰度图像，还是由彩色图像转换得到的灰度图像，里面都有噪声的存在，因此将步骤(5)中得到的灰度图像进行中值滤波去噪，减少孤点噪声对后续处理的影响，其具体原理为将滤波模板在图像中漫游，并将模板中心与图中每个像素位置重合，读取模板中各对应像素的灰度值，将这些灰度值从小到大排列，取这一列数据的中间数据，将其赋给对应模板中心位置的像素，其中滤波模板为

$>mid\left(\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right)---\left(2\right)$>

即g＝median[f(x-1,y-1)+f(x,y-1)+f(x+1,y-1)+f(x-1,y)+f(x,y)+f(x+1,y)+f(x-1,y+1)+f(x,y+1)+f(x+1,y+1)](3)

其中，median指中值。

(7)如图6所示，对经过中值滤波去噪处理的图像进行二值化处理，得到二值图像，其具体步骤为：a)为目标图像的全局阈值选择一个初始估计值T，其中T为目标图像的平均灰度；b)用T分割图像。产生两组像素：G1由灰度值大于T的像素组成，G2由小于等于T像素组成；c)计算G1和G2像素的平均灰度值m1和m2；d)计算一个新的阈值：T＝(m1+m2)/2；e)重复步骤b到d，直到连续迭代中的T值间的差小于一个预定义阈值为止。

本实施例中，首先，求取图像的平均灰度165作为全局阈值，然后将大于阈值的像素点赋为1，小于等于阈值的像素点赋为0，再分别计算像素点为1和像素点为0区域的平均灰度198和64，以两个平均灰度的平均值131作为阈值再进行分割，反复重复上述过程，最后确定分割阈值154，完成二值化处理。

(8)如图7所示，对所得的二值图像进行距离变换，利用欧式距离变换算法对目标图像进行处理，得到一幅含有大量光斑的blob图像。具体方法为：

对二值化后的图像进行扫描，将一幅M×N的图像可以表示为一个二维数组A_[i][j](i∈M,j∈N)，其中A_[i][j]＝1(i∈M,j∈N)表示目标点，A_[i][j]＝0(i∈M,j∈N)表示背景点。设B＝{(x,y)A_[i][j]＝1}为目标点集合，则欧式距离变换就是对A中所有点的要求：D_[i][j]＝min{Distan>从而得到二值图像A的欧式距离变换图。

(9)对blob图像I(x,y)，按照公式(4)求取不同尺度图像，组合生成尺度空间，来模拟图像数据的多尺度特征。

L(x,y,σ)＝G(x,y,σ)*I(x,y)(4)

其中，L(x,y,σ)表示卷积后的模糊图像，G(x,y,σ)是尺度可变高斯函数，(x,y)是空间坐标，σ是尺度坐标。σ的大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。大的σ值对应粗糙尺度(低分辨率)，反之，对应精细尺度(高分辨率)。

(10)对尺度空间内的图像逐层作差，利用公式(5)求取高斯差分尺度空间。然后，为了在任何尺度都能够有对应的特征点，按照公式(6)进行采样。

D(x,y,σ)＝L(x,y,kσ)-L(x,y,σ) (5)

$>2^{i-1}(\sigma ,k\sigma ,k^2\sigma ,\mathrm{...},k^{n-1}\sigma ),k=2^{\frac{1}{s}}---\left(6\right)$>

其中，s为每组层数，一般为3～5，本实施例中s取4。

(11)对每个采样点进行和它所有的相邻点进行比较，如果一个点在其附近邻域中是最大值或最小值时，就认为该点是图像在该尺度下的一个特征点。

其中，设定采样点的比较邻域为以下区域，a)采样点同层中以采样点为中心的周围8个点，b)采样点上层中以采样点为中心的周围9个点，c)采样点下层中以采样点为中心的周围9个点。

(12)计算获取到的特征点的特征距离，其计算公式为:

$>m(x,y)=\sqrt{{\left(I\right(x+1,y)-I(x-1,y\left)\right)}^2+{\left(I\right(x,y+1)-I(x,y-1\left)\right)}^2}---\left(7\right)$>

其中，m(x,y)指特征点对应的特征距离。

(13)对获取的特征点作为圆心，对应的特征距离作为半径画出初始轮廓,作为下一步图像处理的基础。

(14)如图8所示，将上步所得图像作为水平集算法初始输入量,利用水平集算法对步骤(6)所得的图像(如图5所示)进行迭代演化，得以提取出完整晶界。

(15)如图9所示，将步骤(14)中得到的晶界图像进行处理，具体是执行步骤(7)的二值化处理，对步骤(14)提取到晶界的图像进行扫描，将一幅M×N的图像表示为一个二维数组A_[i][j](i∈M,j∈N)，其中晶界上的像素点表示为A_[i][j]＝1(i∈M,j∈N)，非晶界上的像素点表示为A_[i][j]＝0(i∈M,j∈N)；然后使用函数regionprops进行计算区域描述子，对其中面积量进行求取。

(16)对求取到的各个晶粒的面积和阈值进行比较，若大于等于该阈值，则保留该晶界，若小于该阈值，则去除该晶界。本实施例中阈值选取值为30。如图10所示，本发明就求取到了晶界图像。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。