CN101510262B - 一种钢中析出粒子的自动测量及其形态分类方法 - Google Patents

Abstract

本发明公开了一种钢中析出粒子的自动测量及其形态分类方法，先将钢中析出的目标粒子的电镜图像进行图像二值分割，得到粒子的二值图像；对目标粒子二值图像通过形态滤波方法去噪声，用种子填充方法填充孔洞，且由经验判据所定域值判定待分离粒子并进行团聚粒子的分离；再对分离后的粒子进行区域标定；最后建立钢中析出的目标粒子的神经网络形态分类模型；将结果以图表文件显示输出。本发明可获得理想的测量分类效果，无漏检和重检；粒径大小测量精度达±2um，粒径分布吻合率≥91.7％，形态分类吻合率≥90.5％；完成一个视场的粒子测量分类只需几分钟；具有优异的普适性，可推广应用于材料领域和生物领域中一切背景复杂和形态复杂的粒子测量分类工作。

Description

一种钢中析出粒子的自动测量及其形态分类方法

技术领域

本发明涉及钢的微观组织分析领域，具体涉及钢材试样的透射电镜薄膜图像和透射电镜复形图像中析出粒子测量及其形态分类分析方法。

背景技术

随着钢铁材料科技研究的飞速发展，各种钢种的研发已经逐渐建立在成分、结构、组织和性能的定量关系的基础上，即对于钢铁材料可以通过制备、热机械加工和热处理控制其相结构和显微组织从而获得所需的性能。对于多相的钢种而言，钢中析出粒子的粒径、形态及分布对其组织和性能起决定性的影响。为了提高钢的性能，充分发挥有利析出粒子的作用，控制有害析出粒子的影响，就要对析出粒子的粒径、形态等进行准确测量、分类和统计。因此，如何精确、高效地测量与统计析出粒子的粒径和形态分布，成为钢的微观组织分析领域中迫切需要解决的重要问题。

钢中的析出粒子的分析方法通常采用定压电解法，即试样用一定电解液电解，滤掉的残渣用一定溶液溶解后，过滤出溶解液，再测定过滤液中的锰量或铝量。然而，这种检测方法对于刚开始析出阶段生成的细小第二相质点来说必然有所丢失，即化学方法中检测不到这些细小的析出粒子。而使用透射电镜来观察复型或薄膜样品则不存在丢失问题。因为，复型可以把细小的析出粒子从基体内拓取，放大适当倍数后很方便观察这些析出粒子。而薄膜样品照片本身就是对基体析出粒子的真实反映，故对透射电镜照片(复型或薄膜样品)进行分析就可以定量计算出析出粒子的目标参数。然而，在进行这项工作的具体操作时，则又是一项繁复、耗力和耗时的工作，这是由于析出粒子颗粒的复杂性所造成的。钢中析出粒子的颗粒不仅形态和大小各异，而且还存在一些特有的粒子缺陷，诸如：粒子团聚、粒子孔洞和粒子毛刺等，均给测量带来很多不确定因素。长期以来这一过程一直沿袭着传统的网格法人工测量计算与统计的工作模式。据统计，对任一钢中析出粒子电镜图像的人工测量计算与统计至少费时十几分钟，而这必然带来测量效率低和分类统计结果精度亦低的问题，造成钢种的成分、结构、组织和性能的定量关系难以准确建立，从而严重影响到钢种的研发设计工作。

发明内容

本发明的目的是针对目前靠人工网格法手工测量计算与统计的工作模式的低效率和低精度的缺陷，提供了一种基于颗粒形态特征和神经网络分类方法的钢中析出粒子的自动测量及形态分类统计方法，利用计算机实现对钢中析出粒子的粒径与形态进行精确、高效地测量、分类与统计工作。

本发明的技术方案是：先将钢中析出的目标粒子的电镜图像进行图像二值分割，得到粒子的二值图像；对目标粒子二值图像通过形态滤波方法去噪声，用种子填充方法填充孔洞，且由经验判据所定域值判定待分离粒子并进行团聚粒子的分离；再对分离后的粒子进行区域标定；最后建立钢中析出的目标粒子的神经网络形态分类模型；将析出的目标粒子的自动分类统计结果以图表文件显示输出。

本发明优点是：

1、通过形态滤波、改进种子填充和经验判据所定域值方法，能够解决粒子团聚、粒子孔洞及毛刺等缺陷，可获得理想的测量分类效果，无漏检，无重检。

2、粒径大小测量精度达±2um，粒径分布吻合率≥91.7％，形态分类吻合率≥90.5％。

3、整个测量分类过程在标准配置的计算机上运行，完成一个视场的粒子测量分类只需几分钟即可。

4、本发明为钢中析出粒子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和生物领域中一切背景复杂和形态复杂的粒子测量分类工作。

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详细说明。

图1是本发明的流程框图；

图2是实施例1钢中析出粒子原始输入透射电镜图像；

图3是实施例1图像二值分割并形态滤波后的图像；

图4a是实施例1透射电镜下的团聚粒子的待分离粒子图像，图4b是分离后粒子图像；

图5a是实施例1孔洞粒子的待填充粒子图像，图5b是填充后粒子图像；

图6是实施例1粒子区域标定递归处理次序图；

图7a是实施例1析出粒子的粒径分布图，图7b是析出粒子的形态分布图；

图8是实施例2钢中析出粒子原始输入透射电镜图像；

图9是实施例2图像二值分割、形态滤波及缺陷粒子处理后的效果图；

图10a是实施例2析出粒子的粒径分布图，图10b是析出粒子的形态分布图；

图11是实施例3钢中析出粒子原始输入透射电镜图像；

图12是实施例3图像二值分割并形态滤波后的图像；

图13是实施例3图像二值分割、形态滤波及缺陷粒子处理后的效果图；

图14a是实施例3析出粒子的粒径分布图，图14b是析出粒子的形态分布图；

图15是实施例4钢中析出粒子原始输入透射电镜图像；

图16是实施例4图像二值分割、形态滤波及缺陷粒子处理后的效果图；

图17a是实施例4析出粒子的粒径分布图，图17b是析出粒子的形态分布图。

具体实施方式

如图1所示，本发明首先对钢中析出粒子原始输入透射电镜图像进行预处理，对待分析的电镜图像进行图像二值分割，鉴于本发明的目的仅涉及测定析出粒子的形态特征，而与颜色信息无关，故只需对其进行二值分割得到将析出粒子与背景完全分割的黑白模板，即粒子的二值图像，即可得到易于测量和提取形态特征的目标粒子图像。由于粒子二值图像中存在一定数量孔洞以及粒子团聚的问题，尚不能直接进行粒子测量分析。还必需通过形态滤波方法对粒子二值图像去噪声，用改进的种子填充方法填充孔洞；由经验判据所定域值判定待分离粒子并进行团聚粒子的分离。当完成以上对目标粒子的图像二值分割和缺陷粒子的处理后，需对目标粒子进行区域标定，继而采用基于像素点的测量技术测量粒径和追溯法对目标粒子分别提取其六个形态特征参数：钢中析出粒子的面积、周长、长宽比、圆形度、形状系数及矩形度六个形态特征。按长宽比、圆形度、矩形度将析出粒子进行形态分类。在进行粒径测量时，对所有析出粒子的粒径标定为该粒子区域最小外接圆形的直径。测量完毕，将测量结果保存，建立析出粒子神经网络形态分类模型，其形态分类过程是从析出粒子的形态特征参数的输入空间到其形态的输出空间的映射，其中输入空间为：钢中析出粒子的面积、周长、长宽比、圆形度、形状系数及矩形度的形状特征参数向量，输出空间为粒子形态类型。由映射定理可知，一个具有3层前馈型BP网络能实现任意给定的映射，因此，本发明的神经网络采用3层BP网络。在形态分类时，用(1，0，0，0)表示1.圆形，用(0，1，0，0)表示2.类圆形，用(0，0，1，0)表示3.方形，用(0，0，0，1)表示4.类方形。对于六个输入变量和一个输出变量的网络结构，应用神经网络隐含层数求解定理得出网络的输入层、中间层及输出层分别为6个、13个和4个神经元。对于所建立的网络分类模型采用试验方法进行训练，训练步数由学习速率和误差目标确定。网络分类模型的真实样本(实际值)则采用人工测量计算的粒子形态特征参数及相应分类结果，其分类域值按已有成熟的或专家计算并推荐的数值进行设定。为避免由于输入变量单位不同、绝对值相差很大对神经网络模型的影响，需要对输入输出参数进行归一化处理。同理，网络的输出结果需经过反归一化后以获得其在原物理空间的数值。最后将析出粒子的自动分类统计结果以图表文件显示输出。

下面通过4个实施例对本发明再详细说明：

实施例1

如图2所示，先对图2的原始图像进行预处理，首先采用中值滤波法对图像进行平滑处理，去除制片或采集时给析出粒子图像带来的噪音，再通过灰度均衡处理加大图像的对比度。鉴于本发明的仅涉及测定析出粒子的形态特征，即对图像中的析出粒子进行单独分析，而与颜色信息无关，故可对其进行二值分割得到将析出粒子与背景完全分割的黑白模板，即粒子的二值图像。由于钢中析出粒子图像的多样性和复杂性，粒子与背景的灰度对比值为非常数，采用多区域划分的自适应阈值分割法对图像进行二值分割，令图像中属于析出粒子的像素灰度值为1，背景像素灰度值为0，多区域划分的自适应阈值分割法即对图像按坐标分块，对每一子块分别选取最佳阈值进行分割，从而自动获得最佳阈值T，其算法实现步骤如下。

步骤1：选择一个T的初始估计值，求图像中的最大灰度值Z_max和最小灰度值Z_min，令

$T=\frac{1}{2}(Z_{\min }+Z_{\max });$

步骤2：分割图像，这样生成两组像素：G₁由所有灰度值大于T的像素组成，而G₂由所有灰度值小于或等于T的像素组成；

步骤3：根据区域G₁和G₂中的所有像素计算平均灰度值μ₁和μ₂；

步骤4：计算新的阈值：

$T_{\mathrm{new}}=\frac{1}{2}({\mathrm{\μ}}_1+{\mathrm{\μ}}_2)$

步骤5：如果T＝T_new，中止运算；否则令T＝T_new。

图像经上述处理后，还需对分割后的二值图像用形态滤波去噪，图3所示即为实例1图像经二值分割并形态滤波的图像。

图像在经过预处理和二值分割并形态滤波后，虽然图像质量获得显著改善，但是尚未解决钢中析出粒子特有的缺陷，如粒子团聚、粒子孔洞和粒子毛刺等，因而影响目标粒子的精确测量与分类可靠性。粒子团聚现象来源于析出粒子本身固有的性质，即来源于析出粒子的二次形核和高次形核特性。本发明采取的粒子分离算法即首先对目标粒子表面积偏大、轮廓线复杂且存在着显著凹陷，即可判定为需分离粒子，以此作为阈值加以分离，采用极限腐蚀与水域生长分割线法对团聚粒子进行分离。

极限腐蚀与水域生长求分割线算法实现步骤如下。

步骤1：首先对粘连粒子逐层腐蚀，获得各个独立粒子的核；

步骤2：对粒子核进行膨胀处理，采用水域增长法，根据水域增水时各域水位同步上升的原理，水域生长时，各域保持同层位增长，各域生长到相遇时即为分水岭，此时形成粒子分界线。

图4a所示即为团聚粒子的待分离粒子，图4b所示为团聚粒子的分离后粒子。

对于由于粒子图像的高光点在二值图像中形成的粒子孔洞缺陷综合采用改进的种子填充算法及膨胀、腐蚀、开运算闭运算等多种运算进行处理。

改进的种子填充算法的基本流程如下。

(1)种子像素压入堆栈；

(2)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；

(3)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；

(4)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。

图5a所示即为孔洞粒子的待填充粒子，图5b所示即为孔洞粒子的填充后粒子，至此图像处理完毕。

2、粒子测量

当目标粒子从图像中分割出来并经过粒子缺陷处理后，对大量不同形态的钢中析出粒子图像进行测量并统计几何、形态特征参数，提取多特征参数成为将不同形态粒子分类的依据。对目标粒子的几何形态特征参数测定过程为：

(1)首先对同一图像中各析出粒子进行区域标定，即对各粒子区域像素进行标识，并进一步取得它们各自的特征。区域标定算法为递归标记算法，其步骤为：

步骤1；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；

步骤2：对此1像素点赋予一个新的标记NewFlag；

步骤3：按图6所示的编号次序，对此像素(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(它也就是步骤2中的NewFlag)。此时又要按图6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；

步骤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；

步骤5：反复执行上述过程直到光栅扫描到图像的右下脚。

(2)对图像进行尺寸标定，即标定图像中每个像素的实际尺寸，其算法如下：

①在图像中对目标物，从上向下，从左向右逐行搜索，搜索到的第一个灰度值为1的像素点即为目标粒子(尺寸标定参考物)的上切点，记其y坐标为y₁；

②再从下向上，从左向右逐行搜索到的第一个灰度值为1的像素点即为该目标粒子下切点，记其y坐标为y₂。

③从左向右逐列找出最左边一个灰度值为1的像素即为该目标粒子左切点，记其为x坐标为x₁；

④从右向左逐列找出最右边一个灰度值为1的像素即为该目标粒子右切点，记其为x坐标为x₂。

采用显微镜专用标准刻度尺测量实际直径，若实际直径单位为nm，则可由下式计算出比例因子：

XY_SCALE＝[(X_SCALE)²+(Y_SCALE)²]^1/2nm/pixel

将比例因子计算出后，再建立和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1的像素点总数N_A，即可得出目标区域面积A：

A＝X_SCALE×Y_SCALE×N_A    nm²

式中： $N_A=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}f(x,y)$

②粒子周长

对二值图像模板数组进行遍历扫描，跟踪目标粒子区域的边界，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°、135°、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}。)即可得出目标区域粒子周长P：

P＝N₀₄×X_SCALE+N₂₆×Y_SCALE+N₁₃₅₇×XY_SCALEnm

式中：N₀₄-水平方向链码个数，即0°、180°方向边界上的像素点总数

N₂₆-垂直方向链码个数，即90°、270°方向边界上的像素点总数

N₁₃₅₇-斜向链码个数，即45°、135°、225°、315°方向边界上的像素点总数。

③粒子长宽比

取目标区域的最小外接矩形，W_MER-矩形宽，L_MER-矩形长，即可得出粒子长宽比C：

$C=\frac{L_{\mathrm{MER}}}{W_{\mathrm{MER}}}$

④粒子圆形度

计算得到粒子圆形度F：

$F=\frac{4\mathrm{\πA}}{P^2}$

式中：A-区域面积；P-区域周长

⑤粒子形态系数

计算得到粒子形态系数F_c：

$F_c=\frac{A_f}{A_s}$

式中：A_s＝0.1005P²-0.06319P+15.23836；A_f-区域面积

⑥粒子矩形度

计算得到粒子矩形度R： $R=\frac{A}{A_M}$

式中：A-区域面积；A_M-最小外接矩形面积

通过对随机抽取的36张钢材试样的析出粒子图像进行测量，钢中析出粒子形态特征参数统计结果列于表1。可见，钢中析出粒子形态分别率属于圆形、类圆形(团状、团絮状、椭圆)、方形和类方形(其它多边形及长条状)；且四种形态粒子的以下表1中六种几何形态特征参数(面积、周长等)之间均具有显著差异，充分说明所提取的粒子几何形态特征参数及其相应的形态分类精确、客观地描述了析出粒子的形态，是对析出粒子进行形态分类的可靠依据。

表1

该工作程序算法实现了对图像中各粒子的形态特征参数进行测量，使所有的目标粒子都纳入测量范围，可保证无漏检、无重检。并得出目标粒子的六维向量，作为形态分类统计模块中BP神经网络的输入变量。

对粒径测量时，所有析出粒子要选取相同的参照系，并把所有析出粒子的粒径标定为该粒子区域最小外接圆形的直径。通过求出待测图像中不同粒径d_i对应的粒子概率p_i(p_i＝n_i/1+n式中：n为样本中析出粒子总数，n_i为样本中析出粒子直径小于d_i的个数)，得出待测图像的粒径分布，以图表文件显示输出。

3、粒子形态分类统计

粒子形态分类统计采用的是基于BP神经网络的自动分类方法。其步骤如下。

步骤1：确立输入项(粒子测量值的几何形态特征参数向量)/输出项(形态分类结果。鉴于涵盖钢中所有析出粒子的形态分别为：1.圆形、2.类圆形(团状，团絮状，椭圆)、3.方形、4.类方形(三角形以及其它多边形)；故依此将粒子划分为四类)；然后确定合理的网络结构和规模，本发明采用三层BP神经网络(输入层有6个神经元，中间层有11个神经元，输出层有4个神经元。按照经验设计方案，中间层神经元的传递函数为S型正切函数，输出层神经元的传递函数为S型对数函数，之所以选择S型对数函数，是因为该函数为0-1函数，正好满足形态识别分类器的输出要求)；

步骤2：建立网络模型训练样本集。在网络进行样本训练之前，先将样本数据进行预处理，使其变换为[0，1]的数据消除不同单位和量级所带来的影响。网络分类模型的真实样本(实际值)则采用手工测量的析出粒子形态参数及分类结果原始数据，手工分类域值按已有成熟的或专家计算推荐的实例进行设定。利用一部分样本进行检测，若满足要求的精度则证明训练成功，网络达到要求，此时可输出并保存训练结果。本发明对合金钢板材试样随机选取的样本集(共100个)，并对其进行可靠性处理，所抽取样本数据标准偏差在平均值的10％以内。并采取80个样本作为网络训练样本集，20个样本作为网络测试样本集。对于所建立的网络分类模型采用试验方法进行训练，当网络分类模型的训练步数N≤100；学习速率P取0.1时，其误差目标可控制在理想范围(E＜10^-3)。为避免由于输入变量单位不同、绝对值相差很大对神经网络模型的影响，需要对输入输出参数进行归一化处理，数据归一化后的神经网络训练样本处理结果如表2所示。

表2

同理，网络的输出结果需经过反归一化后以获得其在原物理空间的数值。对归一化后的80个样本数据逐个输入网络进行正向计算，求出网络对每一个样本在输出层的输出误差，然后根据 $E=\frac{1}{2}\underset{k,j}{\overset{P,N}{\mathrm{\Σ}}}{(T_j^k-Z_j^h)}^2$ 与Δω＝(J^TJ+μI)^-1J^Te二式反向传播对连接权值进行修正，完成一个样本的训练过程。在完成一轮样本的训练后，将所得各样本的误差求和取其平均值，如果平均误差没有达到预定的精度，则进行新一轮的训练，直到达到精度(E＜10^-3)为止。

步骤3：利用训练好的BP网络模型进行析出粒子的形态自动分类统计，其结果保存；

步骤4：将析出粒子的形态自动分类统计结果以图表文件显示输出。由此得到析出粒子的粒径分布如图7a和析出粒子的形态分布如图7b所示，其粒子粒径测量分析结果如表3所示。

表3

析出粒子数目	27
		粒径最大值	56.594696nm
粒径最小值	11.949332nm
		粒径平均值	25.539856nm
析出粒子面积百分比	11.841％

实施例2

所图8所示图像，该图像中析出粒子数量较多且背景较复杂。本发明的具体处理过程为：首先对图8所示目标图像进行预处理，通过形态滤波并利用改进种子填充方法进行孔洞填充，应用经验判据域值进行团聚粒子分割，由此还原了目标粒子的真实形态，得到了图9所示二值分割、形态滤波以及缺陷粒子处理后效果图。在此基础上进行粒子测量、粒子形态分类统计，继而得到析出粒子的粒径分布如图10a所示和析出粒子的形态分布如图10b所示，其粒子粒径测量分析结果如表4所示。

表4

析出粒子数目	51
		粒径最大值	61.350624nm
粒径最小值	12.194001nm
		粒径平均值	21.999319nm
析出粒子面积百分比	7.164％

实施例3

如图11所示图像，该图像中存在粘连粒子且背景噪音大。本发明的具体处理过程为：首先对目标图像进行预处理，通过形态滤波并利用改进种子填充方法进行孔洞填充，应用经验判据域值进行团聚粒子分割，由此还原了目标粒子的真实形态，得到了图12所示的二值分割并形态滤波后的图像，以及图13所示的二值分割、形态滤波及缺陷粒子处理后的效果图。在此基础上进行粒子测量、粒子形态分类统计，继而得到析出粒子的粒径分布如图14a所示和析出粒子的形态分布如图14b所示，其粒子粒径测量分析结果如表5所示。

表5

析出粒子数目	53
		粒径最大值	41.704852nm
粒径最小值	9.81291nm
		粒径平均值	19.539856nm
析出粒子面积百分比	14.107％

实施例4

如图15所示的原始图像，该图像中粒子数量非常多且粒子与背景对比度高。具体处理过程为：首先对目标图像进行相应预处理，以及缺陷粒子的处理，得到了图16所示的二值分割、形态滤波以及缺陷粒子处理后效果图。在此基础上进行粒子测量、粒子形态分类统计，继而得到的析出粒子的粒径分布如图17a所示和析出粒子的形态分布如图17b所示，其粒子粒径测量分析结果如表6所示。

表6

析出粒子数目	126
		粒径最大值	54.00001nm
粒径最小值	7.467941nm
		粒径平均值	19.2793nm
析出粒子面积百分比	15.907％

本发明相对于人工测量分类时，必需在电镜图像上描好等面积网格标度尺并通过手工勾画出所有被测粒子的轮廓，然后测量的手工模式，析出粒子自动测量分类与人工测量分类对比结果如表7所示。

表7

Claims (3)

1.一种钢中析出粒子的自动测量及其形态分类方法，其特征是采用下列步骤：

(1)将钢中析出的目标粒子的电镜图像进行图像二值分割，得到粒子的二值图像；

(2)对目标粒子的二值图像通过形态滤波方法去噪声，用种子填充方法填充孔洞，由经验判据所定域值判定待分离粒子并进行团聚粒子的分离；

所述种子填充方法为：1)将种子像素压入堆栈；2)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；3)对于每个与当前像素邻接的四连通或八连通像素，测试以确定测试点的像素是否处在区域内且未被访问过；4)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；

采用以下极限腐蚀与水域生长求分割线算法对所述团聚粒子分离：1)对粘连粒子逐层腐蚀，获得各个独立粒子的核；2)对粒子核进行膨胀处理，水域生长时各域保持同层位增长，各域生长到相遇时形成粒子分界线；

(3)对分离后的粒子进行区域标定，区域标定的方法为：1)用递归标记算法对同一图像中各粒子区域像素进行标识，取得各自的特征；2)标定图像中每个像素的实际尺寸；

(4)确立析出的目标粒子的面积、周长、长宽比、圆形度、形状系数及矩形度为神经网络的输入项，输出项为所有析出粒子的形态，神经网络的中间层神经元的传递函数为S型正切函数，输出层神经元的传递函数为S型对数函数，从而建立析出的目标粒子的神经网络形态分类模型；

(5)采用试验方法训练神经网络形态分类模型，对输入输出参数进行归一化处理，神经网络的输出结果经过反归一化后以获得其在原物理空间的数值，得到粒子形态自动分类统计结果；

(6)将析出的目标粒子的自动分类统计结果以图表文件显示输出。

2.根据权利要求1所述的一种钢中析出粒子的自动测量及其型态分类方法，其特征是步骤(3)所述的递归标记算法按如下步骤：

1)按从左到右，从上到下以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像素点；

2)对此像素点赋予新标记；

3)对此像素点的8个邻点进行扫描，如遇到没有标记的像素点就把它标记为新标记,将此过程一层层递归，直到没有标记的像素点被耗尽再开始层层返回；

4)反复执行上述步骤1)-3)过程直到光栅扫描到图像的右下脚。

3.根据权利要求1所述的一种钢中析出粒子的自动测量及其型态分类方法，其特征是 步骤(3)所述的标定图像中每个像素的实际尺寸按如下步骤：

1)在图像中对目标物从上向下，从左向右逐行搜索，搜索到的第一个灰度值为1的像素点即为目标粒子的上切点；

2)从下向上，从左向右逐行搜索到的第一个灰度值为1的像素点即为目标粒子的下切点；

3)从左向右逐列找出目标粒子的最左边一个灰度值为1的像素；

4)从右向左逐列找出目标粒子的最右边一个灰度值为1的像素；

5)由公式计算出比例因子后建立和提取图像的粒子面积、周长、长宽比、圆形度、形态系数以及矩形度六种几何形态特征参数。 

Images