CN101097205A - 焦炭光学组织中各向异性的自动检测方法 - Google Patents

Abstract

本发明涉及一种焦炭光学组织中各向异性的自动检测方法，属于炼焦应用炭相学技术领域。一种焦炭光学组织中各向异性的自动检测方法，首先，对从数字摄像头采集出来的焦炭微观图像进行类别估计，初步判断该图像包含的是哪种类型的各向异性；第二，进行对比度调整以及灰度级重量化；第三，对原图像进行分水岭分割，将各个各向异性区域轮廓分割出来；第四，对这些区域进行特征抽取与统计；第五，将特征向量值送入模式识别的分类器中进行分类；第六，最终得到分析结果，即各向异性的轮廓示意图与大小统计直方图。本发明大大提高了测定的准确度，缩短了测定时间，降低了测定操作的劳动强度。

Description

焦炭光学组织中各向异性的自动检测方法

(一)技术领域

本发明涉及一种焦炭光学组织中各向异性的自动检测方法，属于炼焦应用炭相学技术领域。

(二)背景技术

焦炭光学组织对焦炭的性能及其在高炉中或在其他化工过程中的反应性有直接影响，因此焦炭光学组织是评价焦炭质量的关键参数，同时，焦炭光学组织又受其配煤的煤岩特性影响。

到目前为止，焦炭光学组织分析，国内外普遍使用的方法是人工数点的统计法。在正交偏光条件下在样品表面均匀选取500个点，根据焦炭各种显微光学组织的颜色、形状、气孔特征，与周边组织结合状态，对所选点进行区分和识别，通过对这些点的归类统计，分析焦炭光学组织的相对比例。这种方法劳动强度大，费时间，测点数少，测定结果的准确度不高，人为因素影响较大，同时测定人员必须经过专业训练。

(三)发明内容

本发明的目的在于提供一种焦炭光学组织中各向异性的自动检测方法，该自动检测方法采用数字图像处理和模式识别技术，实现对焦炭光学组织中各向异性的进行准确、可靠的自动测定。

本发明是这样实现的：一种焦炭光学组织中各向异性的自动检测方法，其特征是：首先，对从数字摄像头采集出来的焦炭微观图像进行类别估计，初步判断该图像包含的是哪种类型的各向异性，即是大尺寸为主的各项异性还是小尺寸为主的各向异性，以便确定下一步分水岭分割参数；第二，进行对比度调整以及灰度级重量化；第三，对原图像进行分水岭分割，将各个各向异性区域轮廓分割出来；第四，对这些区域进行特征抽取与统计，特征一般是指经过一组数学运算或者变换得到的一组向量值，特征值如：统计区域的面积、周长、区域宽度等一些几何量，以及区域的平均颜色、平均梯度等物理量；第五，将特征向量值送入模式识别的分类器中进行分类；第六，最终得到分析结果，即各向异性的轮廓示意图与大小统计直方图。

本发明实现了焦炭光学组织中各向异性的自动检测，与现有的人工测定法相比，有效测点提高了百万倍，大大提高了测定的准确度，并缩短了测定时间，降低了测定操作的劳动强度。

(四)附图说明

下面结合附图和具体实施方式对本发明作进一步说明。

图1为本发明焦炭光学组织中各向异性的自动检测方法示意图；

图2为改进的分水岭算法流程图；

图3为连续一维灰度函数f(x)的谷底、聚水盆和分水岭的示意图；

图4为分水岭沉浸算法的一次迭代过程；

图5为调整灰阶差Δh的大小可抑制过分割的示意图；

图6A、B、C、D、E、F为一个具体的实施例图，分别为A原图、B灰度图、C形态学梯度结果图、D分水岭分割结果图、E区域平均颜色填充的各向异性轮廓图、F各向异性颗粒直径分布直方图。

(五)具体实施方式

参见图1，一种焦炭光学组织中各向异性的自动检测方法，首先，对从数字摄像头采集出来的焦炭微观图像进行类别估计，初步判断该图像包含的是哪种类型的各向异性，即是大尺寸为主的各项异性还是小尺寸为主的各向异性，以便确定下一步分水岭分割参数。第二，进行对比度调整以及灰度级重量化。第三，对原图像进行分水岭分割，将各个各向异性区域轮廓分割出来。第四，对这些区域进行特征抽取与统计，特征一般是指经过一组数学运算或者变换得到的一组向量值，特征值如：统计区域的面积、周长、区域宽度等一些几何量，以及区域的平均颜色、平均梯度等物理量。第五，将特征向量值送入模式识别的分类器中进行分类。第六，最终得到分析结果，即各向异性的轮廓示意图与大小统计直方图。

下面具体分别叙述：

1、类别估计

由于焦炭微观图像中各向异性的定义涵盖面比较广，包含表面粒度比较细致的细粒，也包含了表面粒度比较粗糙呈龟裂状的粗粒或片状。为了降低分析的复杂程度，提高分析的效率，因而首先做类别估计，给下一步分割阶段的参数选择做好铺垫工作。

类别估计的步骤如下：

设R为各向异性的总区域，I(P)为象素点P的灰度值；

第一，将原彩色图像C对应的灰度图像G求出，令I＝0，S＝0；

第二，按从左到右，从上到下的顺序按象素扫描图像G；

第二三，设当前象素点为P，如果P属于R，则将I累加：I＝I+I(P)，并更新当前面积：S＝S+1。

第三，得到当前各向异性区域的平均亮度g＝I/S；

第四，如果g＜95，判断为颗粒为主的各向异性组织，反之，为大颗粒、片状为主的各向异性组织。

类别估计的目的是大体粗分图像的类别是细粒为主还是粗粒为主的，其原理是利用细粒为主的图像反射率低于粗粒为主的图像，从而在亮度上对以便确定不同的参数便于下一步的分水岭分割阶段。

2.分水岭分割

参见图2，在应用分水岭算法前，需先对原始图像进行处理，即对原始图像F进行求形态学梯度，得到梯度图像G，经重量化处理后的图像G’，再进行分水岭算法，得到粒状分割结果。

2.1、对梯度图像G和重量化处理后的图像G’的求解步骤如下：首先利用灰度转换公式：

I＝0.229*R+0.587*G+0.114*B    (1)

将原彩色图像转换为灰度图像F；

第二，形态学梯度求解：

第二一，依次扫描图像P的各象素点，设当前象素为P，

第二二，扫描P领域，找出亮度最大值I_max和亮度最小值I_min，

第二三，则P点对应的梯度值Grad(P)＝I_max-I_min，

第二四，扫描结束，得出灰度图像F对应的形态学梯度G；

第三，再对G的灰度级进行噪声去除和重量化；

第三一，噪声去除：

依次扫描G的各象素点P，

如果P的亮度I(P)＜阈值T，则令I(P)＝0；

第三二，重量化：

I’(P)＝I(P)/N；

重量化处理后的图像为G’，比如G原先的灰度级为255，重量化之后G的灰度级一般在10到30之间。

2.2、引入分水岭算法

分水岭算法是图像处理学科中的一种图像分割方法。它首先把灰度图像看成是一个立体地形浮雕，然后给出谷底、聚水盆和分水岭三个概念。谷底就是具有相同灰度值且比邻域灰度值都大的连通区域或者单独的象素点。谷底M对应的聚水盆C(M)就是从谷底M涨水所能覆盖的象素点集合。而分水岭就是来自不同谷底的水源交汇点的集合。连续一维的灰度函数f(x)的谷底、聚水盆和分水岭如图3所示。

设灰度图像I的最小最大亮度值分别为h_min，h_max，T₁(h)为满足I≥h的象素点集合，X(h)为水平线高度为h时聚水盆象素点集合，W(h)为分水岭象素点集合，IZ_Y(X)为点集X在点集Y中的影响区域(影响区域(Influence Zone)是测地学的一个概念)。则分水岭的沉浸算法是一个迭代过程公式(2)：

$\left\{\begin{array}{c}X\left(h_{\min }\right)=T\left(h_{\min }\right)\\ \∀h\∈[h_{\min },h_{\max }],X\left(h\right)=\min (h+1)\∪I{Z}_{T(h+1)}\left(X(h+1)\right)\\ W\left(h\right)=I-X\left(h\right)\end{array}\right.---\left(2\right)$

从公式(2)可以知道，这个过程实际上是一个迭代过程，首先对上一次求出的聚水盆象素点求影响区域，然后并上新出现的谷底，成为这一次计算的结果，然后再反复此过程。图4表示了这个迭代的过程。

2.3、过分割问题与分水岭算法的改进，对图像进行分割，将各个各向异性区域轮廓分割出来。

由于数字图像不可避免地存在噪声，而图像中若有一个微小的灰度变化也能产生对应的分水岭分割线。所以，直接对未经处理的图像或者对应的梯度图像进行分水岭算法，会产生过分割的问题，也就是把噪声或者其它微小的灰度扰动分割出来，导致最终的分割结果难以让人满意。解决分水岭算法的过分割问题目前已经存在许多的解决方案。这里针对各向异性分析提出一种有效并且高效解决方法。

设两次处理的灰阶差为Δh，在对数字图像处理运用分水岭算法的迭代过程中，Δh大部分情况下的值是就是灰阶间隔，如在处理0～255阶灰度图像当是Δh往往等于1。假设区域DI为原本期望分割为一块完整的区域，但只要该区域的最大梯度

$\mathrm{\&Delta;h}<\underset{p\&Element;D}{\max }\left\{\mathrm{grad}\left(p\right)\right\}$

D就会被分割为多个区域，从而产生过分割。所以如果对相应的区域D我们能够控制

$\mathrm{\&Delta;h}\&GreaterEqual;\underset{p\&Element;D}{\max }\left\{\mathrm{grad}\left(p\right)\right\}$

的话，那么区域D就不会被过分割，如图5所示。这样对于一副灰度图像(包括原图的形态学梯度图像)，我们可以根据需要对Δh适当增大或者调整，可以很有效的抑制过分割，Δh一般取10以上。这种算法比起基于标识或者区域合并的分水岭改进算法比较起来，最大的优点就是效率非常高。在颗粒分析这种对区域的分割精度要求不是特别高的情况下，该算法是相当实用的。当然本算法也可以结合标识和区域增长等方法一起使用，这样也可以减少抽取标识和区域增长的复杂程度。

3、区域特征抽取

区域特征抽取是对分割后各个区域的某些重要的特征进行计算，特征抽取就是对某个分类对象进行特征的选取，特征一般是指经过一组数学运算或者变换得到的一组向量值。本算法中选取了区域的面积、周长、区域宽度、区域的平均颜色(以RGB颜色表示)、区域的平均梯度、区域边缘的平均梯度作为特征。

比如对区域R，其面积为s，周长为1，区域宽度为d，区域平均颜色为clr＝(r，g，b)^T，区域平均梯度为g0，区域边缘的平均梯度为g1。

则这些数学量构成一个特征向量V＝(s，l，d，clr^T，g0，g1)^T。

4、分类器

这里用的是线性分类器，根据图像可以得到各个种类的典型特征，把区域特征与各个类的典型特征相比较，把区域归到差距最小那一类。关于各类的典型特征，可以根据实际运用的需求进行配置。

线性分类器的数学表达式为：

两个N维向量V₁＝(V₁₁，V₁₂，...V_1N)^T，V₂＝(V₂₁，V₂₂，...V_2N)^T其欧氏距离定义如下，

$\mathrm{dist}(V_1,V_2)=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(V_{1i}-V_{2i})}^2}$

设有m个类中心，C₁，C₂，...C_m，假设要判定样本V属于那个类别，线性分类器把样本判为与该样本最相近的类。

$f\left(V\right)=\underset{i}{\arg \min }\left\{\mathrm{dist}(V,C_i)\right\}$

5、实施例

参见图6A、B、C、D、E、F，一种焦炭光学组织中各向异性的自动检测方法，通过类别估计后，将图6A原图经灰度转化成为图6B的灰度图；对梯度图像和重量化处理后图像成为形态学梯度结果图，参见图6C；再对梯度图像进行改进分水岭算法，其中Δh＝20，得到图6D的分水岭分割结果图；对区域特征进行抽取并用线性分类器进行分类，把区域特征与各个类的典型特征相比较，把区域归到差距最小那一类，将图像中的区域填充平均颜色，得到图6E的各向异性轮廓的结果图；以及得到的各向异性颗粒直径分布直方图的结果图，即特征量统计直方图，参见图6F。

图6A的原图经过本发明的自动检测方法后得到的结果是：图6E的各向异性轮廓图，图6F的特征量统计的各向异性颗粒直径分布直方图。

Claims (5)

1.一种焦炭光学组织中各向异性的自动检测方法，其特征是：首先，对从数字摄像头采集出来的焦炭微观图像进行类别估计，初步判断该图像包含的是哪种类型的各向异性，即是大尺寸为主的各项异性还是小尺寸为主的各向异性，以便确定下一步分水岭分割参数；

第二，进行对比度调整以及灰度级重量化；

第三，对原图像进行分水岭分割，将各个各向异性区域轮廓分割出来；

第四，对这些区域进行特征抽取与统计，特征一般是指经过一组数学运算或者变换得到的一组向量值，特征值如：统计区域的面积、周长、区域宽度等一些几何量，以及区域的平均颜色、区域的平均梯度、区域边缘的平均梯度等物理量；

第五，将特征向量值送入模式识别的分类器中进行分类；

第六，最终得到分析结果，即各向异性的轮廓示意图与大小统计直方图。

2.根据权利要求1所述的焦炭光学组织中各向异性的自动检测方法，其特征是：类别估计的步骤如下：

设R为各向异性的总区域，I(P)为象素点P的灰度值；

第一，将原彩色图像C对应的灰度图像G求出，令I＝0，S＝0；

第二，按从左到右，从上到下的顺序按象素扫描图像G；

第二三，设当前象素点为P，如果P属于R，则将I累加：I＝I+I(P)，并更新当前面积：S＝S+1。

第三，得到当前各向异性区域的平均亮度g＝I/S；

第四，如果g＜95，判断为颗粒为主的各向异性组织，反之，为大颗粒、片状为主的各向异性组织。

3.根据权利要求1所述的焦炭光学组织中各向异性的自动检测方法，其特征是：对梯度图像G和重量化处理后图像G’的求解步骤如下：首先利用灰度转换公式：

I＝0.229*R+0.587*G+0.114*B    (1)

将原彩色图像转换为灰度图像F；

第二，形态学梯度求解：

第二一，依次扫描图像P的各象素点，设当前象素为P，

第二二，扫描P领域，找出亮度最大值I_max和亮度最小值I_min，

第二三，则P点对应的梯度值Grad(P)＝I_max-I_min，

第二四，扫描结束，得出灰度图像F对应的形态学梯度G；

第三，再对G的灰度级进行噪声去除和重量化；

第三一，噪声去除：

依次扫描G的各象素点P，

如果P的亮度I(P)＜阈值T，则令I(P)＝0；

第三二，重量化：

I’(P)＝I(P)/N；

重量化处理后的图像为G’，重量化之后G的灰度级一般在10到30之间。

4.根据权利要求1所述的焦炭光学组织中各向异性的自动检测方法，其特征是：通过分水岭算法，对图像进行分水岭分割，将各个各向异性区域轮廓分割出来；

分水岭算法首先把灰度图像看成是一个立体地形浮雕，然后给出谷底、聚水盆和分水岭三个概念，谷底就是具有相同灰度值且比邻域灰度值都大的连通区域或者单独的象素点，谷底M对应的聚水盆C(M)就是从谷底M涨水所能覆盖的象素点集合，而分水岭就是来自不同谷底的水源交汇点的集合；

设灰度图像I的最小最大亮度值分别为h_min，h_max，T_I(h)为满足I≤h的象素点集合，X(h)为水平线高度为h时聚水盆象素点集合，W(h)为分水岭象素点集合，IZ_Y(X)为点集X在点集Y中的影响区域，则分水岭的沉浸算法是一个迭代过程公式(2)：

$\left\{\begin{array}{c}X\left(h_{\min }\right)=T\left(h_{\min }\right)\\ \&ForAll;h\&Element;[h_{\min },h_{\max }],X\left(h\right)=\min \\ W\left(h\right)=I-X\left(h\right)\end{array},(h+1)\&cup;{\mathrm{IZ}}_{T(h+1)}\left(X(h+1)\right)\right.---\left(2\right)$

设两次处理的灰阶差为Δh，假设区域DI为原本期望分割为一块完整的区域，该区域D的最大梯度

$\mathrm{\&Delta;h}\&GreaterEqual;\underset{p\&Element;D}{\max }\left\{\mathrm{grad}\left(p\right)\right\}$

对于一副包括原图的形态学梯度图像的灰度图像，可以根据需要对Δh适当增大或者调整，可有效的抑制过分割。

5.根据权利要求1所述的焦炭光学组织中各向异性的自动检测方法，其特征是：将特征向量值送入线性分类器中进行分类，根据图像可以得到各个种类的典型特征，把区域特征与各个类的典型特征相比较，把区域归到差距最小那一类。

Images