CN105579834A - 图像分析装置和程序 - Google Patents

图像分析装置和程序 Download PDF

Info

Publication number
CN105579834A
CN105579834A CN201480053539.1A CN201480053539A CN105579834A CN 105579834 A CN105579834 A CN 105579834A CN 201480053539 A CN201480053539 A CN 201480053539A CN 105579834 A CN105579834 A CN 105579834A
Authority
CN
China
Prior art keywords
image
mentioned
hole
analysis apparatus
closed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201480053539.1A
Other languages
English (en)
Other versions
CN105579834B (zh
Inventor
菱田宽之
稻垣宏一
中村武志
道川隆士
铃木宏正
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
IHI Corp
University of Tokyo NUC
Original Assignee
IHI Corp
University of Tokyo NUC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by IHI Corp, University of Tokyo NUC filed Critical IHI Corp
Publication of CN105579834A publication Critical patent/CN105579834A/zh
Application granted granted Critical
Publication of CN105579834B publication Critical patent/CN105579834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/615—Specific applications or type of materials composite materials, multilayer laminates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种能够短时间并且准确地从CMC的三维图像中提取孔洞的图像分析装置和程序。在从纤维强化复合材料的三维图像提取孔洞的图像分析装置中，其特征在于，具备对三维图像执行图像处理的处理器，处理器对三维图像进行二值化来制作二值图像，对二值图像进行距离变换来制作距离图像，使用距离图像对二值图像执行闭合处理，根据闭合处理前后的图像的差异提取孔洞，针对提取的孔洞，将与背景体素邻接的孔洞分类为开放孔洞，将不与背景体素邻接的孔洞分类为闭合孔洞，对开放孔洞执行开放处理来除去伪孔洞。

Description

图像分析装置和程序
技术领域
本发明涉及一种图像分析装置和程序，特别适合应用于提取出包含在纤维强化复合材料中的孔洞的图像分析装置和程序。
背景技术
近年来，正在开展作为纤维强化复合材料的一种的陶瓷基复合材料(CMC：CeramicMatrixComposites)的开发。CMC是用基材(matrix)强化陶瓷的纤维所得的复合材料，具有轻量并且耐热性优良的特征。利用该特征，例如研究了将CMC用于航空器用引擎部件，现在正在谋求实用化。此外，通过将CMC用作航空器用引擎部件，期待大幅提高燃油经济性。
CMC的一般形成工艺如下。首先，捆扎数百条左右的陶瓷的纤维来制作纤维束，编织该纤维束来制作编织物。纤维束的编织方法例如有被称为三维编织或平织的方法，三维编织是从XYZ方向的3个方向编织纤维束来制作编织物的方法。另外，平织是从XY方向的2个方向编织纤维束来制作编织物的方法。
在制作编织物后，通过被称为CVI(ChemicalVaporInfiltration：化学气相渗透)和PIP(PolymerImpregnationandPyrolysis：聚合物浸渍与热解)的基材形成工序，在纤维束中和纤维束之间的空洞(孔洞)中形成基材。然后，最后通过进行机械加工和表面涂层等，形成CMC。
在此，在上述CMC的形成工艺中，CVI和PIP是用于在孔洞中形成基材的工序，但实际上难以形成基材使得覆盖全部的孔洞。由此，在形成的CMC的表面和内部不形成基材而残存孔洞。该残存的孔洞的分布对CMC的强度有很大影响。
例如，在局部区域存在许多孔洞的情况下，该局部区域中的强度显著降低。因此，为了确认形成的CMC的强度是否固定或充分，适当地评价孔洞的分布是重要的。即，准确地提取出孔洞是重要的。
在专利文献1中，公开了一种根据引擎侧壁的X射线透射图像制作孔洞提取图像的技术。具体地说，以除去噪声为目的对引擎侧壁的X射线透射图像执行形态学处理，对形态学处理后的图像执行二值化处理，在二值化处理后的图像中将圆形状的前景判断为孔洞并提取出。另一方面，在二值化处理后的图像中，改变阈值再次对椭圆形状的前景进行二值化处理，由此提取出位于椭圆形状内的圆形状的前景，将其判断为孔洞并提取出。通过对最后提取出的多个圆形状的孔洞进行合成，而制作孔洞提取图像。
现有技术文献
专利文献
专利文献1：日本特开2009-198463号公报
发明内容
发明要解决的问题
但是，该专利文献1所记载的技术并没有考虑到三维图像。因此，如果要将专利文献1所记载的技术简单地应用于三维图像，则存在需要巨大的计算时间的问题。例如在专利文献1所记载的技术中，在提取孔洞时首先对X射线透射图像执行形态学处理，但在对三维图像执行该形态学处理的情况下，在构造要素是球的情况下，需要花费球的半径的立方和对象图像的表面像素数的乘积的量的计算时间。
另外，专利文献1所记载的技术能够提取出圆形状的孔洞，但无法提取出其他形状的孔洞。CMC中的孔洞在上述形成工艺的过程中形成于CMC的表面和内部，存在于内部的孔洞有圆形状的，但并不一定全部限于圆形状。另外，存在于表面的孔洞与背景相邻接，因此不具有闭合的特定的形状。因此，在专利文献1所记载的技术中，无法准确地提取出存在于CMC的表面和内部的孔洞。
本发明就是考虑到以上的点而提出的，提出了一种能够短时间并且准确地从CMC的三维图像中提取出孔洞的图像分析装置和程序。
用于解决问题的手段
为了解决该问题，在本发明中，在从纤维强化复合材料的三维图像提取出孔洞的图像分析装置中，其特征在于，具备：对三维图像执行图像处理的处理器，处理器对三维图像进行二值化来制作二值图像，对二值图像进行距离变换来制作距离图像，使用距离图像对二值图像执行闭合处理，根据闭合处理前后的图像的差异提取出孔洞，针对提取出的孔洞，将与背景体素邻接的孔洞分类为开放孔洞，将不与背景体素邻接的孔洞分类为闭合孔洞，对开放孔洞执行开放处理来除去伪孔洞。
另外，为了解决该问题，在本发明中，在从纤维强化复合材料的三维图像提取出孔洞的程序中，其特征在于，使计算机执行以下步骤：对三维图像进行二值化来制作二值图像的第一步骤；对二值图像进行距离变换来制作距离图像的第二步骤；使用距离图像对二值图像执行闭合处理的第三步骤；根据闭合处理前后的图像的差异提取出孔洞的第四步骤；针对提取出的孔洞，将与背景体素邻接的孔洞分类为开放孔洞，将不与背景体素邻接的孔洞分类为闭合孔洞的第五步骤；对开放孔洞执行开放处理来除去伪孔洞的第六步骤。
发明效果
根据本发明，能够短时间并且准确地从CMC的三维图像提取出孔洞。
附图说明
图1是本实施方式的图像分析装置的整体结构图。
图2是表示孔洞提取处理的流程图。
图3是距离变换处理的概念图。
图4是使用了距离图像的膨胀处理的概念图。
图5是闭合处理的概念图。
图6是表示闭合处理的细节的流程图。
图7是伪孔洞除去处理的概念图。
图8是表示伪孔洞除去处理的细节的流程图。
图9是表示通过孔洞提取处理得到的图像的具体例子的图。
具体实施方式
以下，针对附图详细说明本发明的一个实施方式。
(1)整体结构
图1表示本实施方式的图像分析装置1的整体结构。图像分析装置1是具备CPU(中央处理单元)11、输入部12、存储部13、显示部14以及图形板15而构成的计算机。
CPU11是与存储在CPU11内部的各种程序协作或与后述的GPU151协作，统一控制图像分析装置1的动作的处理器。输入部12是接受来自用户的输入的接口，例如是键盘、鼠标。另外，本实施方式的输入部12还是输入通过X射线CT装置拍摄CMC(CeramicMatrixComposites：陶瓷基复合材料)所得的CT图像的接口。
CMC是通过以下过程而形成的纤维强化复合材料，即：捆扎数百条左右的陶瓷的纤维来制作纤维束，在编织该纤维束来制作编织物后，用碳等覆盖纤维表面，通过被称为CVI(ChemicalVaporInfiltration：化学气相渗透)和PIP(PolymerImpregnationandPyrolysis：聚合物浸渍与热解)的基材形成工序，在纤维束中和纤维束之间的空洞(孔洞)中形成基材，最后进行机械加工和表面涂层等。
在上述CMC的形成工艺中，CVI和PIP是用于在孔洞中形成基材的工序，但实际上难以在全部的孔洞中形成基材。因此，在形成的CMC的表面和内部残存没有形成基材的孔洞。该残存的孔洞的分布对CMC的强度有很大影响。
本实施方式要从通过X射线CT装置拍摄CMC所得的CT图像(三维图像)，短时间并且准确地提取存在于CMC的表面和内部的孔洞。本实施方式的图像分析装置1实现孔洞的提取所花费的计算时间的缩短，另外，实现提取精度的提高，因此在实用上能够用于产品检查。
返回到图1，存储部13是存储从输入部12输入的CT图像、以及通过各种图像处理对该CT图像进行加工修正而制作的图像的存储介质。显示部14是显示CT图像和通过各种图像处理进行加工修正而制作的图像的LCD(液晶显示器)等显示装置。
图形板15构成为具备GPU(图形处理单元)151和GPU151能够高速地存取的VRAM(Video(视频)RAM)152。GPU151是主要承担图像处理的处理器，在一个GPU151中集成数百个处理器。
GPU151根据从CPU11装载的各种程序(称为核心程序)执行图像处理，由此能够不对CPU11产生负担地进行图像处理，另外可以将图像处理后的图像高速地描绘在显示部14中。特别将图形板15上的GPU151能够高速地进行图像处理的图像分析装置1那样的计算机称为GPGPU(GeneralPurposeGraphicsProcessingUnit：通用图形处理单元)。将在后面说明GPU151执行的图像处理的详细(图2～图8)。
(2)整体处理
图2表示本实施方式的孔洞提取处理的处理步骤。以输入部12接受来自用户的执行指示为契机，通过GPU151和装载在GPU151上的核心程序的协作，来执行该孔洞提取处理。以下为了说明的方便，将处理整体作为GPU151进行说明。
首先，GPU151如果经由输入部12输入CT图像(SP1)，则对该CT图像进行二值化处理(SP2)。接着，GPU151对二值化处理后的图像(二值图像)执行距离变换处理(SP3)。
距离变换处理例如使用迪科斯彻算法或波前法。迪科斯彻算法是以下的方法，即在将与前景邻接的背景体素作为边界体素的情况下，针对各前景体素计算与所有的边界体素的距离，从计算结果中计算最小值。最小值为该前景体素的距离值。在前景体素的个数为N，边界体素的个数为M的情况下，计算时间为N×M。
波前法是以下的方法，即针对各前景体素，从所有的边界体素中搜索距离最小的边界体素，计算与作为搜索结果而得到的边界体素的距离。迪科斯彻算法和波前法，只是算法不同，作为结果而得到的距离值是相同的，但在边界体素的个数M大的情况下，如果使用波前法则能够谋求缩短计算时间。使用了波前法的距离变换处理所花费的计算时间为NlogN。
将距离变换处理后的图像(距离图像)暂时存储在GPU151上的存储器或VRAM152中。在后述的闭合处理中，为了缩短计算时间而使用存储在存储器或VRAM152中的距离图像。将在后面说明距离变换处理和距离图像的利用方法(图3和图4)。
接着，GPU151为了提取孔洞而执行闭合处理(SP4)。闭合处理是形态学处理之一，是在使用预先确定的形状的构造要素(在本实施方式中为球)对对象图像执行了膨胀处理后，使用相同的构造要素对膨胀处理后的图像执行收缩处理的处理。
能够推定膨胀处理后的图像通过构造要素覆盖了孔洞。因此，通过从覆盖了孔洞的闭合处理后的二值图像减去存在孔洞的闭合处理前的二值图像，能够提取孔洞。将在后面详细说明本实施方式的闭合处理(图5和图6)。
因此，GPU151计算覆盖了孔洞的闭合处理后的二值图像和存在孔洞的闭合处理前的二值图像之间的差异来提取孔洞(SP5)。在此提取的孔洞是与背景体素邻接的孔洞(开放孔洞)和不与背景体素邻接的孔洞(闭合孔洞)的双方。
闭合孔洞是存在于CMC的内部的孔洞，在二值图像中作为独立的背景体素而存在。因此，例如通过执行已经公知的连结成分标记处理能够容易地提取。与此相对，开放孔洞是存在于CMC的表面的孔洞，在二值图像中与背景的边界不清晰。因此，难以提取。
如果使用大的构造要素，则将不是孔洞的地方误识别为孔洞，另一方面，如果使用小的构造要素，则在不识别大的孔洞这样的形态学处理的原理上，在步骤SP5中提取的孔洞中，有可能将本来不是孔洞的地方提取为孔洞。即，对于提取的孔洞中的若干个开放孔洞，有可能误识别为孔洞。
因此，GPU151为了从开放孔洞中除去本来不是孔洞而是背景的地方的孔洞(伪孔洞)，首先将在步骤SP5中提取出的孔洞分类为开放孔洞和闭合孔洞(SP6)。
接着，GPU151执行从分类为开放孔洞的孔洞中除去伪孔洞的伪孔洞除去处理(SP7)。通过在该步骤SP7中除去伪孔洞，能够准确地提取孔洞。将在后面详细说明本实施方式的伪孔洞除去处理(图7和图8)。
在执行了以上的步骤SP1～SP7的各处理后，GPU11结束该孔洞提取处理。
(3)各处理的细节
以下，参照图3～图8，另外使用计算式(式1～式5)，详细说明在图2中说明的各处理(SP3、SP4、SP7)。此外，对于CT图像输入处理(SP1)、二值化处理(SP2)、孔洞的提取处理(SP5)以及分类处理(SP6)，是普通的方法或已经公知的方法，因此省略说明。
图3表示距离变换处理的一般的概念图。如果针对二值图像G10使用4邻接成分执行距离变换处理，则制作出距离图像G20。此外，使用了4邻接成分的情况下的邻接像素是指相对于关注像素位于上下左右的像素。
在距离图像G20中的背景像素上，示出使用该4邻接成分计算从前景的各表面像素到关注的背景像素的距离时作为计算结果而得到的距离最短的距离值。换言之，在距离图像G20中的背景像素上，示出从关注的背景像素到前景的表面像素的最短距离。此外，此处所示的距离值是为了简化说明而使用了4邻接成分的情况下的距离值，但实际上计算欧几里德距离。欧几里德距离例如是指在二维图像中有2点A和B，各点的坐标是(x1，y1)、(x2，y2)时，能够根据计算2点AB之间的距离的距离。
如果对该距离图像G20在将距离值设为2的范围内执行膨胀处理，则制作出距离图像G21。另外，如果对该距离图像G21在将距离值设为2的范围内执行收缩处理，则制作出距离图像G22。此外，在距离图像G22中的前景像素上，示出在使用4邻接成分计算从背景的各表面像素到前景像素的距离时作为计算结果而得到的距离最短的距离值。
在本实施方式中，通过在闭合处理中使用该距离图像，能够谋求缩短闭合处理所花费的计算时间。即，如果预先计算离开前景的距离，则能够以预定的距离值对分割三维图像时的各切片图像进行膨胀和收缩。另外，通过计算膨胀和收缩后的各切片图像的并集，能够得到与对三维图像进行闭合处理时的图像相同的图像。
图4表示使用了距离图像的核心外(out-of-core)的膨胀处理的概念图。在此，说明在距离图像G30中将从上数第4行的像素群P作为关注像素群时的膨胀处理、将第3行的像素群Q作为关注像素群时的膨胀处理。另外，说明分别以将半径设为2的构造要素(此处为圆)进行膨胀的情况。
首先，如果说明像素群P的膨胀处理，则在使半径为2的圆在像素群P上移动的情况下，对于像素群P，距离值为2以下的背景像素成为膨胀的范围，对于像素群Q和R，距离值为以下的背景像素成为膨胀的范围。因此，在分别以预定的距离值使成为膨胀的范围的像素群P、Q、R膨胀后，通过对膨胀后的各个范围进行合成，而执行对像素群P的膨胀处理。
实际上，对于像素群P，将距离值为1和2的背景像素确保为膨胀的区域。另外，对于像素群R，将距离值为1的背景像素确保为膨胀的区域，对于像素群Q，距离值为∞，因此不确保膨胀的区域。另外，通过合成分别针对像素群P、Q、R确保了的区域(在此根据对像素群P和R确保了的区域)，能够得到对像素群P的膨胀处理结果。
接着，说明像素群Q的膨胀处理。在使半径为2的圆在像素群Q上移动的情况下，对于像素群Q，距离值为2以下的背景像素成为膨胀的范围，对于像素群P和S，距离值为以下的背景像素成为膨胀的范围。因此，在分别以预定的距离值使成为膨胀的范围的像素群Q、P以及S膨胀后，通过合成膨胀后的各个区域来执行对像素群Q的膨胀处理。
实际上，对于像素群Q和S，距离值为∞，因此不确保膨胀的区域，对于像素群P，将距离值为1的背景像素确保为膨胀的区域。另外，通过合成分别对像素群Q、P以及S确保的区域(在此，只根据对像素群P确保的区域)，能够得到对像素群Q的膨胀处理结果。在没有正确地计算出像素群Q的距离值的情况下，也能够对像素群Q得到适当的膨胀处理结果。
图5表示闭合处理(SP4)的概念图。但是，在将构造要素设为A，将图像设为B的情况下，通过下述式1表示闭合处理中的膨胀处理。
[数学式1]
A ⊕ B = ∪ b ∈ B A ( b ) ... ( 1 )
A(b)：通过矢量b使A平行移动后的结果
如果只想由GPU151处理该膨胀处理，则不仅需要将图像B的全部存储在GPU151上的存储器中，还需要确保计算结果的存储区域。因此，在图像B如本实施方式那样是三维图像的情况下，在图像分析装置1的性能上，有时难以通过GPU151直接处理上述式1。
因此，研究了以下的情况，即分别在z方向上分割构造要素A和图像B，在对部分集合Ai和Bj并行地执行了膨胀处理后，计算结果的并集。在下述式2和3中示出部分集合Ai和Bj。
[数学式2]
A＝∪iAi(0)…(2)
B＝∪jBj…(3)
另外，根据上述式1～3，在下述式4中示出膨胀处理。
[数学式3]
A ⊕ B = ∪ i A i ( 0 ) ⊕ ∪ j B j = ∪ i ∪ j { A i ( 0 ) ⊕ B j } ... ( 4 )
根据上述式4，三维图像的膨胀处理通过对各切片图像执行膨胀处理，并计算膨胀处理后的各切片图像的并集，能够得到与单纯地执行三维图像整体的膨胀处理的上述式1的结果相同的结果。即，能够将三维图像的膨胀处理作为二维图像的膨胀处理来处理。
此外，在本实施方式中的构造要素A是球，将构造要素A的半径设为r，将纤维束之间的距离设为d的情况下，由于构成CMC的纤维束规则地排列，因此通过下述式5表示构造要素A的半径r。
[数学式4]
r ≤ d 2 ... ( 5 )
在图5中，表示出构造要素A由在z方向上分割为3个的部分集合Ai构成，图像B由在z方向上分割为8个的部分集合Bj构成。另外，在图5中，表示出核心外的膨胀处理，表示出部分集合Ai对部分集合Bj中的中段部分(从上数第四个切片图像)进行膨胀的处理。对于在核心外的膨胀处理中使用距离图像的情况，如在图4中说明的那样。
在此，示出部分集合Ai对部分集合Bj的中段的膨胀产生影响的范围，在此是i＝-1、0、1，因此使用距离图像计算Xi，-1、Xi，0、Xi，1的膨胀处理，并合成它们，由此得到部分集合Bj的中段的膨胀处理的结果Xi。另外，示出通过同样地对全部切片的膨胀处理的结果进行合成，得到膨胀处理后的三维图像X。
此外，收缩处理使用图像B的补集BC而表示出(A+BC)C，因此能够与上述膨胀处理同样地进行计算。通过组合这些膨胀处理和收缩处理，能够实现高速化的闭合处理。根据本实施方式的闭合处理，在GPU151上所需要的存储器容量是2张截面图像左右，即使是大规模数据，也能够通过GPU151执行闭合处理。
图6表示闭合处理(SP4)的详细处理步骤。如在图5中说明的那样，首先GPU151分别在z方向上分割构造要素和二值图像(SP41)。接着，GPU151在各切片图像中执行膨胀处理(SP42)。最后，GPU151合成膨胀处理后的各切片处理(SP43)，结束该闭合处理。
图7表示伪孔洞除去处理(SP7)的概念图。伪孔洞是指在步骤SP6中分类的开放孔洞中的将本来是背景的地方误识别为开放孔洞的孔洞。伪孔洞比实际的开放孔洞小，具有微小的形状，因此作为除去该微小的前景成分的方法，GPU151执行开放处理。
开放处理是形态学处理之一，是在使用预先确定的形状的构造要素(在本实施方式中为球)对对象图像执行收缩处理后，使用相同的构造要素对收缩处理后的图像执行膨胀处理的处理。此外，此处的开放处理只对开放孔洞执行。
因此，在图7中，首先使用预定的半径的构造要素只对开放孔洞执行收缩处理。此外，此处使用的构造要素是将纤维束的半径以下作为半径的球。其结果表示出将伪孔洞全部置换为背景体素而消除，实际的孔洞将表面削去构造要素的半径的量而置换为背景体素但残存。
接着，只对收缩处理后的开放孔洞使用相同的构造要素执行膨胀处理。其结果表示出消除的伪孔洞没有复原而仍然被置换为背景体素，实际的开放孔洞，表面复原了构造要素的半径的量。
图8表示伪孔洞除去处理(SP7)的详细处理步骤。如在图7中说明的那样，首先GPU151只对开放孔洞执行收缩处理(SP71)。接着，GPU151只对收缩处理后的开放孔洞执行膨胀处理(SP72)，结束该伪孔洞除去处理。
(4)图像
图9表示作为执行了上述的孔洞提取处理(SP1～SP7)的结果而实际得到的图像的具体例子。CT图像G1是通过X射线CT装置拍摄由三维编织的织物构成的CMC而得到的三维图像。经由输入部12将CT图像G1输入到图像分析装置1。
另外，孔洞提取图像G2是对输入的CT图像G1执行孔洞提取处理(图2)的结果而得到的三维图像。在孔洞提取图像G2中，可识别地显示闭合孔洞和开放孔洞。
(5)本实施方式的效果
如以上那样，根据本实施方式的图像分析装置和程序，对CMC的三维图像执行二值化处理，对二值图像执行距离变换处理，并且使用距离变换处理的结果执行闭合处理，因此能够缩短孔洞的提取所花费的计算时间。另外，对提取出的孔洞中的开放孔洞执行开放处理而除去伪孔洞，因此能够准确地提取孔洞。由此，能够从CMC的三维图像中短时间并且准确地提取孔洞。
符号说明
1：图像分析装置；11：CPU；12：输入部；13：存储部；14：显示部；15：图形板；151：GPU；152：VRAM。

Claims (8)

1.一种图像分析装置，其从纤维强化复合材料的三维图像提取出孔洞，其特征在于，
该图像分析装置具备对上述三维图像执行图像处理的处理器，
上述处理器，
对上述三维图像进行二值化来制作二值图像，
对上述二值图像进行距离变换来制作距离图像，
使用上述距离图像对上述二值图像执行闭合处理，
根据上述闭合处理前后的图像的差异提取出孔洞，
针对上述提取出的孔洞，将与背景体素邻接的孔洞分类为开放孔洞，将不与背景体素邻接的孔洞分类为闭合孔洞，
对上述开放孔洞执行开放处理来除去伪孔洞。
2.根据权利要求1所述的图像分析装置，其特征在于，
在上述闭合处理中，
上述处理器将上述二值图像分割为多个二维图像，使用分别与分割后的多个二维图像对应的上述距离图像，对上述多个二维图像的各个二维图像进行膨胀，计算膨胀后的上述多个二维图像的并集，由此执行对上述二值图像的膨胀处理，
上述处理器将上述膨胀处理后的二值图像分割为多个二维图像，使用分别与分割后的多个二维图像对应的上述距离图像，对上述多个二维图像的各个二维图像进行收缩，计算收缩后的上述多个二维图像的并集，由此执行对上述膨胀处理后的二值图像的收缩处理。
3.根据权利要求2所述的图像分析装置，其特征在于，
在上述闭合处理中，
上述处理器使用把构成上述纤维强化复合材料的纤维束之间的距离的一半以下的值设为半径的球作为构造要素，由此对上述多个二维图像的各个二维图像进行膨胀和收缩。
4.根据权利要求1～3的任意一项所述的图像分析装置，其特征在于，
在上述开放处理中，
上述处理器只对上述开放孔洞执行收缩处理和膨胀处理。
5.根据权利要求4所述的图像分析装置，其特征在于，
在上述开放处理中，
上述处理器使用把构成上述纤维强化复合材料的纤维束的半径以下的值设为半径的球作为构造要素，由此执行上述收缩处理和膨胀处理。
6.根据权利要求1～5的任意一项所述的图像分析装置，其特征在于，
上述处理器是根据从CPU装载的核心程序对上述三维图像执行图像处理的GPU。
7.根据权利要求1～6的任意一项所述的图像分析装置，其特征在于，
上述纤维强化复合材料的三维图像是通过X射线CT装置拍摄由三维编织或平织的织物构成的纤维强化复合材料而得到的图像。
8.一种程序，其从纤维强化复合材料的三维图像提取出孔洞，该程序的特征在于，使计算机执行以下步骤：
对上述三维图像进行二值化来制作二值图像的第一步骤；
对上述二值图像进行距离变换来制作距离图像的第二步骤；
使用上述距离图像对上述二值图像执行闭合处理的第三步骤；
根据上述闭合处理前后的图像的差异提取出孔洞的第四步骤；
针对上述提取出的孔洞，将与背景体素邻接的孔洞分类为开放孔洞，将不与背景体素邻接的孔洞分类为闭合孔洞的第五步骤；以及
对上述开放孔洞执行开放处理来除去伪孔洞的第六步骤。
CN201480053539.1A 2013-09-30 2014-09-29 图像分析装置和程序 Active CN105579834B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2013204596A JP6118699B2 (ja) 2013-09-30 2013-09-30 画像解析装置及びプログラム
JP2013-204596 2013-09-30
PCT/JP2014/075945 WO2015046530A1 (ja) 2013-09-30 2014-09-29 画像解析装置及びプログラム

Publications (2)

Publication Number Publication Date
CN105579834A true CN105579834A (zh) 2016-05-11
CN105579834B CN105579834B (zh) 2019-02-19

Family

ID=52743651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480053539.1A Active CN105579834B (zh) 2013-09-30 2014-09-29 图像分析装置和程序

Country Status (5)

Country Link
US (1) US9811898B2 (zh)
EP (1) EP3054287B8 (zh)
JP (1) JP6118699B2 (zh)
CN (1) CN105579834B (zh)
WO (1) WO2015046530A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017219368A (ja) * 2016-06-06 2017-12-14 地方独立行政法人東京都立産業技術研究センター 情報処理装置、情報処理方法、及びプログラム
CN110361400A (zh) * 2019-07-01 2019-10-22 创新奇智(合肥)科技有限公司 一种铸铁工件的气泡检测方法及电子设备
CN111986143A (zh) * 2020-07-06 2020-11-24 南京航空航天大学 一种陶瓷基复合材料的细观结构表征方法
CN113822848A (zh) * 2020-06-15 2021-12-21 丰田自动车株式会社 层叠状态计算方法、层叠状态计算装置和层叠状态计算程序
CN113894445A (zh) * 2021-12-09 2022-01-07 广东佛智芯微电子技术研究有限公司 一种基于光学检测及自动修正一体化的芯片表面打孔方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016052489A1 (ja) * 2014-09-29 2016-04-07 株式会社Ihi 画像解析装置、画像解析方法及びプログラム
KR20180042733A (ko) * 2016-10-18 2018-04-26 삼성전자주식회사 영상 처리 장치 및 방법
EP3387997B1 (en) * 2017-04-13 2020-02-26 Siemens Healthcare GmbH Medical imaging device and method controlling one or more parameters of a medical imaging device
JP7138032B2 (ja) 2018-12-07 2022-09-15 富士通株式会社 画像変換装置、画像変換プログラム、および画像変換方法
JP7385434B2 (ja) * 2019-11-08 2023-11-22 三井化学株式会社 強化繊維束の解析方法および解析装置
CN113033582B (zh) * 2019-12-09 2023-09-26 杭州海康威视数字技术股份有限公司 模型训练方法、特征提取方法及装置
CN111855712B (zh) * 2020-07-03 2023-04-11 大连理工大学 一种基于ct图像的胶结型水合物沉积物三维建模方法
JP7385201B2 (ja) * 2021-03-23 2023-11-22 国立大学法人広島大学 繊維間空隙測定装置、繊維間空隙測定方法及びプログラム
WO2024101097A1 (ja) * 2022-11-09 2024-05-16 株式会社Ihi 複合材料におけるボイドを識別する識別装置、識別方法、及び、識別プログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667296A (zh) * 2008-09-05 2010-03-10 索尼株式会社 图像处理方法、图像处理装置、程序以及图像处理***
CN101782526A (zh) * 2010-01-19 2010-07-21 江苏大学 一种钢材韧窝图像的自动复原、测量分类方法及装置
EP2246820A1 (en) * 2009-04-30 2010-11-03 General Electric Company Nondestructive inspection method and system
JP5166909B2 (ja) * 2008-02-25 2013-03-21 三菱重工業株式会社 検査装置と検査方法
CN103325118A (zh) * 2013-06-26 2013-09-25 中国石油大学(北京) 一种获取碳酸盐岩岩心孔洞特征参数的方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG164292A1 (en) * 2009-01-13 2010-09-29 Semiconductor Technologies & Instruments Pte System and method for inspecting a wafer
US9599461B2 (en) * 2010-11-16 2017-03-21 Ectoscan Systems, Llc Surface data acquisition, storage, and assessment system
WO2013090830A1 (en) * 2011-12-16 2013-06-20 University Of Southern California Autonomous pavement condition assessment
US20140031967A1 (en) * 2012-07-30 2014-01-30 6598057 Manitoba Ltd. Method and system for rapid prototyping of complex structures
JP6141140B2 (ja) * 2013-08-08 2017-06-07 株式会社トプコン 眼科撮影装置
KR102301793B1 (ko) * 2014-12-18 2021-09-14 삼성전자주식회사 이미지 생성 방법 및 이를 수행하기 위한 이미징 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5166909B2 (ja) * 2008-02-25 2013-03-21 三菱重工業株式会社 検査装置と検査方法
CN101667296A (zh) * 2008-09-05 2010-03-10 索尼株式会社 图像处理方法、图像处理装置、程序以及图像处理***
EP2246820A1 (en) * 2009-04-30 2010-11-03 General Electric Company Nondestructive inspection method and system
CN101782526A (zh) * 2010-01-19 2010-07-21 江苏大学 一种钢材韧窝图像的自动复原、测量分类方法及装置
CN103325118A (zh) * 2013-06-26 2013-09-25 中国石油大学(北京) 一种获取碳酸盐岩岩心孔洞特征参数的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
E.WEBER 等: "Comparison of x-ray micro-tomography measurements of densities and porosity principally to values measured by mercury porosimetry for carbon-carbon composities", 《CARBON》 *
M.KOSEK 等: "Visualization of voids in actual c/c woven composite structure", 《COMPOSITES SCIENCE AND TECHNOLOGY》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017219368A (ja) * 2016-06-06 2017-12-14 地方独立行政法人東京都立産業技術研究センター 情報処理装置、情報処理方法、及びプログラム
CN110361400A (zh) * 2019-07-01 2019-10-22 创新奇智(合肥)科技有限公司 一种铸铁工件的气泡检测方法及电子设备
CN113822848A (zh) * 2020-06-15 2021-12-21 丰田自动车株式会社 层叠状态计算方法、层叠状态计算装置和层叠状态计算程序
CN113822848B (zh) * 2020-06-15 2023-11-24 丰田自动车株式会社 层叠状态计算方法、层叠状态计算装置和层叠状态计算介质
CN111986143A (zh) * 2020-07-06 2020-11-24 南京航空航天大学 一种陶瓷基复合材料的细观结构表征方法
CN111986143B (zh) * 2020-07-06 2021-09-21 南京航空航天大学 一种陶瓷基复合材料的细观结构表征方法
CN113894445A (zh) * 2021-12-09 2022-01-07 广东佛智芯微电子技术研究有限公司 一种基于光学检测及自动修正一体化的芯片表面打孔方法
CN113894445B (zh) * 2021-12-09 2022-02-15 广东佛智芯微电子技术研究有限公司 一种基于光学检测及自动修正一体化的芯片表面打孔方法

Also Published As

Publication number Publication date
CN105579834B (zh) 2019-02-19
US20160232653A1 (en) 2016-08-11
EP3054287A1 (en) 2016-08-10
EP3054287A4 (en) 2017-05-10
JP6118699B2 (ja) 2017-04-19
EP3054287B8 (en) 2021-07-07
WO2015046530A1 (ja) 2015-04-02
US9811898B2 (en) 2017-11-07
JP2015068755A (ja) 2015-04-13
EP3054287B1 (en) 2021-04-14

Similar Documents

Publication Publication Date Title
CN105579834A (zh) 图像分析装置和程序
Tschuchnig et al. Generative adversarial networks in digital pathology: a survey on trends and future potential
CN110689038B (zh) 神经网络模型的训练方法、装置和医学图像处理***
Pinckaers et al. Detection of prostate cancer in whole-slide images through end-to-end training with image-level labels
CN109978037A (zh) 图像处理方法、模型训练方法、装置、和存储介质
Lessmann et al. Iterative convolutional neural networks for automatic vertebra identification and segmentation in CT images
JP2010262629A (ja) 画像処理装置、画像処理方法
Stutz et al. Superpixel segmentation using depth information
Tekawade et al. High-fidelity geometry generation from CT data using convolutional neural networks
RU2664260C1 (ru) Способ описания детали
Shen et al. PoissonSeg: semi-supervised few-shot medical image segmentation via poisson learning
Rutter et al. Automated object tracing for biomedical image segmentation using a deep convolutional neural network
Wang et al. Densely connected swin-unet for multiscale information aggregation in medical image segmentation
Zhang et al. Lightweight transformer backbone for medical object detection
Cho et al. Low-complexity topological derivative-based segmentation
Iuso et al. Evaluation of deeply supervised neural networks for 3D pore segmentation in additive manufacturing
Golfe et al. ProGleason-GAN: Conditional progressive growing GAN for prostatic cancer Gleason grade patch synthesis
CN104992425A (zh) 一种基于gpu加速的dem超分辨率方法
Lee et al. Patch-level operation with adaptive patch control for improving anomaly localization
Xiao et al. Contrast-Enhanced CT Renal Tumor Segmentation
Pawar et al. Orthogonal-nets: A large ensemble of 2D neural networks for 3D brain tumor segmentation
Tsaris et al. Scaling Resolution of Gigapixel Whole Slide Images Using Spatial Decomposition on Convolutional Neural Networks
Erkan et al. Space-filling curves for modeling spatial context in transformer-based whole slide image classification
Vagenas et al. Deep Learning-Based Segmentation and Mesh Reconstruction of the Aortic Vessel Tree from CTA Images
Huang Image-matching based navigation system for robotic ureteroscopy in kidney exploration

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant