CN117853722A - 一种融合超像素信息的钢材金相组织分割方法 - Google Patents
一种融合超像素信息的钢材金相组织分割方法 Download PDFInfo
- Publication number
- CN117853722A CN117853722A CN202311727491.5A CN202311727491A CN117853722A CN 117853722 A CN117853722 A CN 117853722A CN 202311727491 A CN202311727491 A CN 202311727491A CN 117853722 A CN117853722 A CN 117853722A
- Authority
- CN
- China
- Prior art keywords
- metallographic
- pixel
- segmentation
- super
- image
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 42
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 27
- 239000010959 steel Substances 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000007621 cluster analysis Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 63
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000010587 phase diagram Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims 1
- 230000008520 organization Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种融合超像素信息的钢材金相组织分割方法,首先,获取待识别的金相图片,并输入到预处理模块中,去除杂点和噪声,确保整体亮度一致。接着,将处理后的图片输入到特征提取模块中,使用不同的滤波器来提取不同的特征图,并将其整合成金相特征图。然后,将金相特征图输入至K均值模块进行聚类分析,识别出不同的金相组织并将它们分割开来。接下来,结合超像素信息,以此分割来合并同类组织。超像素聚类信息提供了更加详细的图像信息,帮助区分有相似特征的金相组织。为了进一步提高分割的准确性,使用边缘提取方法,对超像素分割后的结果图进行边缘补偿。与传统的手动分割相比,本方法更加快速和自动化,大大减少了专家的时间和成本。
Description
技术领域
本发明涉及一种融合超像素信息的钢材金相组织分割方法,属于图像分割技术领域。
背景技术
钢材金相图是一种通过金属显微检测技术对钢铁样品的断面进行拍摄而得到的显微图片。它可以反映金属在特定工艺条件下所呈现的内部结构和组成。钢材金相图在分析微观组织与宏观性能之间的关系,改善工艺流程和提高产品性能等方面具有重要意义,在实验室研究和工业生产中得到广泛应用。钢材金相图的研究一直是材料领域的重要课题。在化学成分一定的情况下,材料的微观组织形态、分布、组成和类型等特征决定了材料的性能表现。因此,通过对钢材金相图的分析,可以深入探究金属材料内部结构与性能之间的关系,为材料的研发和优化提供无价的信息。总之,钢材金相图是材料科学中不可或缺的重要工具,它能够帮助科学家和工程师更好地理解材料的微观组织和性能,为材料制备和应用提供有力支撑。
目前,针对钢材金相图的分割主要采用人工比照法和深度学习训练模型分割。然而,人工比照法受到主观意识的影响较大,误差比较明显。同时,深度学习训练模型需要消耗大量的人力来制作数据集,并且模型精度训练难度较大。因此,需要一种高效、高精度的自动分割方法来解决这一问题。
发明内容
发明目的:为了解决现有技术存在的问题,克服金相组织分割精度低、耗时长的不足,本发明提供一种融合超像素信息的钢材金相组织分割方法。
技术方案:一种融合超像素信息的钢材金相组织分割方法,包括如下步骤:
步骤1,获取待识别的金相图片,去除金相图片中的噪声和杂点,并增强图像中某些重要特征用于后续处理,最终获得整体亮度一致的金相图片;
步骤2,将处理后的图片通过不同滤波器提取不同的特征图,并将不同的特征图整合成金相特征图;
步骤3,将金相特征图进行聚类分析,通过对聚类结果的分析,识别出不同的金相组织并将它们分割开来;
步骤4,结合超像素信息,以所述分割来合并同类组织。超像素聚类信息提供了更加详细的图像信息,可以帮助区分有相似特征的金相组织。
步骤5,为了进一步提高分割的准确性,还使用了边缘提取方法,对超像素分割后的结果图进行边缘补偿。
最终,该方法能够快速准确地得到钢材金相组织分割图。与传统的手动分割相比,这种方法更加快速和自动化,大大减少了专家的时间和成本。
所述步骤1中,采用了高斯滤波和中值滤波的图像处理技术;高斯滤波用于对数字图像进行平滑处理;高斯平滑滤波器用于去除图像中服从正态分布的噪声,中值滤波用于抑制图像噪声。中值滤波是将数字图像或数字序列中每个点的值用该点邻域中各点值的中值代替,从而消除孤立的噪声点,使周围的像素值接近真实值。步骤1的主要作用是消除图像中无关信息、恢复有用信息并增强有关信息的可检测性,最大限度地简化数据,从而提升特征抽取、匹配和识别的可靠性。
所述步骤2中,所述滤波器主要为峰度、方差、熵、能量、偏度五种滤波器。
方差(Variance)是一种衡量图片样本分布均匀性的尺度标准,图像共有n点,第i点的灰度值为xi,其均值为x,方差的计算公式为:
偏度(Skewness)代表的是图片样本总体取值分布的对称性,即图像的扭曲度。偏度需要与正态分布相比较,偏度为0表示其数据分布形态与正态分布的偏斜程度相同;偏度大于0表示其数据分布形态与正态分布相比为正偏或右偏,即数据右端有较多的极端值;偏度小于0表示其数据分布形态与正态分布相比为负偏或左偏,即数据左端有较多的极端值。偏度的绝对值数值越大表示其分布形态的偏斜程度越大,偏度的计算公式为:
峰度(Kurtosis)表明的是样本总体中所有取值分布形态的陡缓程度,表示图片样本分布的峰值是否突兀或平坦,峰度同样也需要与正态分布相比较,峰度为0表示该总体数据分布与正态分布的陡缓程度相同;峰度大于0表示该总体数据分布与正态分布相比较为陡峭,为尖顶峰;峰度小于0表示该总体数据分布与正态分布相比较为平坦,为平顶峰。峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。峰度的计算公式为:
熵反映图像灰度分布的空间特征,引入能够反映灰度分布空间特征的特征量来组成图像的熵。选择图像的邻域灰度均值作为灰度分布的空间特征量,与图像的像素灰度组成特征二元组,记为(i,j),其中i表示像素的灰度值(0<=i<=255),j表示邻域灰度均值(0<=j<=255)。
上式能反应某像素位置上的灰度值与其周围像素灰度分布的综合特征,其中f(i,j)为特征二元组(i,j)出现的频数,N为图像的尺度。图像熵的计算公式为:
Log的底数是2,能量变换反映了图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵的元素值相近,则能量较小,表示纹理细致;若其中一些值大,而其它值小,则能量值较大。能量值大表明一种较均一和规则变化的纹理模式。其计算公式为:
Asm=∑i∑j(pi,j)2。
所述步骤3中,所得到的金相特征图进行K均值聚类分析,包括以下步骤:
(1)首先,用户确定簇个数k,计划将数据划分为k个类。
(2)随机确定k个初始点作为质心(在数据边界范围之内随机选取);图像是由许多像素点组成的,初始点从像素点中随机选择。
(3)对每个数据实例(像素点)依次计算到k个质心的距离,选择最小距离的质心,并将其分配给该质心所对应的簇,直到数据集(图像中所有的像素点)中的所有数据全都分配给k个簇,更新k个簇的质心为该簇所有点的平均值;
(4)循环上述步骤(3),重新分配每个数据实例到新的质心,直到所有数据的分配结果不再发生改变为止。
金相图片可以由亮度(L)和有关色彩的a,b三个要素组成。L表示亮度,L的值域由0(黑色)到100(白色)。a表示从红色至绿色的范围(a为负值指示绿色而正值指示品红),b表示从黄色至蓝色的范围(b为负值指示蓝色而正值指示黄色)。对所得到的聚类分析特征图进行超像素分割合并特征相似的区域,包括以下步骤:
(1)初始化种子点(聚类中心):按照设定的超像素个数,在图像内均匀的分配种子点。假设图片总共有N个像素点,预分割为K个相同尺寸的超像素,那么每个超像素的大小为N/K,则相邻种子点的距离近似为S=sqrt(N/K)。
(2)在种子点的n*n邻域内重新选择种子点。具体方法为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上,以免影响后续聚类效果。
(3)在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)。超像素的搜索范围限制为2S*2S,可以加速算法收敛。在此注意一点:期望的超像素尺寸为S*S,但是搜索的范围是2S*2S。
(4)距离度量。包括颜色距离和空间距离。对于每个搜索到的像素点,分别计算它和所述种子点的距离。距离计算方法如下:
其中,l、a、b代表不同颜色通道的值,dc代表颜色距离。x、y代表点的坐标位置,ds代表空间距离。Ns是类内最大空间距离,定义为Ns=S=sqrt(N/K),适用于每个聚类。最大的颜色距离Nc既随图片不同而不同,也随聚类不同而不同,所以我们取一个固定常数m代替。最终的距离度量D如下:
由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心。
(5)迭代优化。理论上上述步骤2-4不断迭代直到误差收敛,实践发现10次迭代对绝大部分图片都可以得到较理想效果,所以一般迭代次数取10。
(6)增强连通性。经过上述迭代优化可能出现以下瑕疵:出现多连通情况、超像素尺寸过小,单个超像素被切割成多个不连续超像素等,这些情况可以通过增强连通性解决。主要思路是:新建一张标记表,表内元素均为-1,按照“Z”型走向(从左到右,从上到下顺序)将不连续的超像素、尺寸小于设定值的超像素重新分配给邻近的超像素,遍历过的像素点分配给相应的标签,直到所有点遍历完毕为止。
所述步骤5中,对与金相原图进行canny边缘提取,能够检测到真正的弱边缘。使用两种不同的阈值分别检测强边缘和弱边缘,并且当弱边缘和强边缘相连时,才将弱边缘包含在输出图像中。Canny算子是一个具有滤波,增强,检测的多阶段的优化算子,在进行处理前,Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声,Canny分割算法采用一阶偏导的有限差分来计算梯度幅值和方向,在处理过程中,Canny算子还将经过一个非极大值抑制的过程,最后Canny算子还采用两个阈值来连接边缘。基于提取的边缘,对得到的金相组织分割图进行边缘补偿。
一种融合超像素信息的钢材金相组织分割***,包括预处理模块、特征提取模块和K均值处理模块;获取待识别的金相图片,将待处理的金相图片输入预处理模块,去除金相图片中的杂点与噪声,获得整体亮度一致的金相图片,将获得的图片输入至特征提取模块,经不同的滤波器获得不同的特征图,整合得到的金相特征图,输入至K均值模块进行聚类分析,得到初步的识别的结果,再经过超像素分割合并同类组织,经过边缘提取对超像素分割后的结果图进行边缘补偿,得到最终的金相组织分割图。本***对金相图的组织进行自动分割,使分割更精准、更快速。
预处理模块通过高斯、中值滤波器,对输入的金相图进行滤波处理。
滤波器特征提取模块主要提取图片的熵、能量、偏差、方差、峰度五个方面的特征,将所得到的特征图合并得到最终的特征图。
进一步的,K均值模块将得到的特征图进行K均值聚类分析,其步骤主要为:
(1)输入={x1,x2,x3,…xm},设聚类的簇数为K,最大迭代次数为N,计划最终输出的簇为C={c1,c2,c3…cm},从数据集D(金相特征图像的像素点集合D)中随机选择K个样本作为初始的K个质心向量:{u1,u2,u3…um}。
(2)对于n=1,2,...,N,将输出的簇C初始化为对于i=1,2,…m,计算样本xi和各个质心向量的uj(j=1,2,…k)的距离:/>将xi标记最小的为di,j说对应的类别αi,此时更新/>对于j=1,2,…k,对Cj中所有的样本重新计算新的质心/>如果所有的质心都没有发生变化,则转移到步骤(3)。
(3)输出的簇为C={c1,c2,c3…cm}
得到K均值分割得到的效果图后,结合超像素分割,对于特征类似的区域进行合并,得到大致的分割轮廓。进一步的结合Canny算子,采用两个阈值来连接边缘。基于提取的边缘,对的得到的金相组织分割图进行边缘补偿。
附图说明
图1是本发明实施例的方法流程图;
图2是本发明实施例的实施效果图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
为了提高钢材分割精度,本发明从组合分割的特征信息方法上进行改良设计,该分割方法包括的步骤如下,
步骤1,获取待识别的金相图片,去除金相图片中的噪声和杂点,并增强图像中某些重要特征用于后续处理,最终获得整体亮度一致的金相图片;
步骤2,将处理后的图片通过不同滤波器提取不同的特征图,并将不同的特征图整合成金相特征图;
步骤3,将金相特征图进行聚类分析,通过对聚类结果的分析,识别出不同的金相组织并将它们分割开来;
步骤4,结合超像素信息,以所述分割来合并同类组织。超像素聚类信息提供了更加详细的图像信息,可以帮助区分有相似特征的金相组织。
步骤5,为了进一步提高分割的准确性,还使用了边缘提取方法,对超像素分割后的结果图进行边缘补偿。
一种融合超像素信息的钢材金相组织分割***,包括预处理模块、特征提取模块和K均值处理模块;获取待识别的金相图片,将待处理的金相图片输入预处理模块,去除金相图片中的杂点与噪声,获得整体亮度一致的金相图片,将获得的图片输入至特征提取模块,经不同的滤波器获得不同的特征图,整合得到的金相特征图,输入至K均值模块进行聚类分析,得到初步的识别的结果,再经过超像素分割合并同类组织,经过边缘提取对超像素分割后的结果图进行边缘补偿,得到最终的金相组织分割图。本发明对金相图的组织进行自动分割,使分割更精准、更快速。其中,预处理模块主要包括通过高斯、中值等滤波器,对输入的金相图进行滤波处理。数字图像在其形成、传输记录过程中往往会受到多种噪声的污染。另外,在图像处理的某些环节当输入的图像对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为一引起较强视觉效果的孤立像素点或像素块。一般,噪声信号与要研究的对象不相关它以无用的信息形式出现,扰乱图像的可观测信息。高斯滤波及中值滤波能有效地去除金相图目标和背景中的噪声,也能很好地保护图像目标的形状、大小及特定的几何和拓扑结构特征。
将预处过后的金相图片,输入金入滤波器特征提取模块,利用五种不同滤波器提取不同的特征图,图像共有n点,第i点的灰度值为xi,其均值为x,方差特征的计算公式为:
偏度特征代表的是图片样本总体取值分布的对称性,即图像的扭曲度。偏度的绝对值数值越大表示其分布形态的偏斜程度越大,偏度的计算公式为:
峰度特征表明的是样本总体中所有取值分布形态的陡缓程度,表示图片样本分布的峰值是否突兀或平坦,峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。峰度的计算公式为:
熵反映图像灰度分布的空间特征,选择图像的邻域灰度均值作为灰度分布的空间特征量,与图像的像素灰度组成特征二元组,记为(i,j),其中i表示像素的灰度值(0<=i<=255),j表示邻域灰度均值(0<=j<=255):
上式能反应某像素位置上的灰度值与其周围像素灰度分布的综合特征,其中f(i,j)为特征二元组(i,j)出现的频数,N为图像的尺度。图像熵的计算公式为:
能量变换反映了图像灰度分布均匀程度和纹理粗细度。能量值大表明一种较均一和规则变化的纹理模式。其计算公式为:
Asm=Σi∑j(pi,j)2。
将所得到的五张特征图合并,进行K均值聚类分析,包括以下步骤:
(1)首先,用户确定簇个数k(计划将数据划分为k个类);
(2)随机确定k个初始点作为质心(在数据边界范围之内随机选取);
(3)对每个数据实例依次计算到k个质心的距离,选择最小距离的质心,并将其分配给该质心所对应的簇,直到数据集中的所有数据全都分配给k个簇,更新k个簇的质心为该簇所有点的平均值;
(4)循环上述步骤3,重新分配每个数据实例到新的质心,直到所有数据的分配结果不再发生改变为止。
得到K均值聚类分析的分割图后,将其金相原图输入至超像素分割算法中,进行超像素分割合并特征相似的区域,包括以下步骤:
(a)初始化种子点(聚类中心):按照设定的超像素个数,在图像内均匀的分配种子点。假设图片总共有N个像素点,预分割为K个相同尺寸的超像素,那么每个超像素的大小为N/K,则相邻种子点的距离近似为S=sqrt(N/K)。
(b)在种子点的n*n邻域内重新选择种子点。具体方法为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上,以免影响后续聚类效果。
(c)在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)。SLIC的搜索范围限制为2S*2S,可以加速算法收敛,如下。在此注意一点:期望的超像素尺寸为S*S,但是搜索的范围是2S*2S。
(d)距离度量。包括颜色距离和空间距离。对于每个搜索到的像素点,分别计算它和该种子点的距离。距离计算方法如下:
其中,l、a、b代表不同颜色通道的值,dc代表颜色距离。x、y代表点的坐标位置,ds代表空间距离。Ns是类内最大空间距离,定义为Ns=S=sqrt(N/K),适用于每个聚类。最大的颜色距离Nc既随图片不同而不同,也随聚类不同而不同,所以我们取一个固定常数m代替。最终的距离度量D如下:
由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心。
(5)迭代优化。理论上上述步骤不断迭代直到误差收敛(可以理解为每个像素点聚类中心不再发生变化为止),实践发现10次迭代对绝大部分图片都可以得到较理想效果,所以一般迭代次数取10。
(6)增强连通性。经过上述迭代优化可能出现以下瑕疵:出现多连通情况、超像素尺寸过小,单个超像素被切割成多个不连续超像素等,这些情况可以通过增强连通性解决。主要思路是:新建一张标记表,表内元素均为-1,按照“Z”型走向(从左到右,从上到下顺序)将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素,遍历过的像素点分配给相应的标签,直到所有点遍历完毕为止。
得到超像素分割的区域后,结合K均值聚类得到的分割图,将超像素分割区域内,以该区域最大数量的簇为准合并该区域内的所有像素点,以此得到分割图,最后Canny算子还采用两个阈值来连接边缘。基于提取的边缘,对的得到的金相组织分割图进行边缘补偿。主要步骤如下:
(1)应用高斯滤波来平滑图像,目的是去除噪声。
(2)找寻图像的强度梯度。
(3)应用非最大抑制技术来消除边误检应用双阈值的方法来决定可能的边界
(4)利用滞后技术来跟踪边界
如图2所示,将所得到的边缘提取特征图与经过超像素区域合并的分割图进行结合,补偿区域合并过程中得到的伪边界,消除区域合并误差,得到初步的金相分割效果图。然后再结合canny算法所提取的边缘信息,来补偿超像素分割中部分分割错误的边缘,修正其中的错误边界,然后再得到最终的金相分割图。
Claims (10)
1.一种融合超像素信息的钢材金相组织分割方法,其特征在于,包括如下步骤:
步骤1,获取待识别的金相图片,去除金相图片中的噪声和杂点,并增强图像中一些特征,最终获得整体亮度一致的金相图片;
步骤2,将处理后的图片通过不同滤波器提取不同的特征图,并将不同的特征图整合成金相特征图;
步骤3,将金相特征图进行聚类分析,通过对聚类结果的分析,识别出不同的金相组织并将它们分割开来;
步骤4,结合超像素信息,以所述分割来合并同类组织;
步骤5,使用边缘提取方法,对超像素分割后的结果图进行边缘补偿。
2.根据权利要求1所述的融合超像素信息的钢材金相组织分割方法,其特征在于,所述步骤1中,采用了高斯滤波和中值滤波的图像处理技术;高斯滤波用于对数字图像进行平滑处理,中值滤波用于抑制图像噪声。
3.根据权利要求1所述的融合超像素信息的钢材金相组织分割方法,其特征在于,所述步骤2中,所述滤波器主要为峰度、方差、熵、能量、偏度五种滤波器;
方差是一种衡量图片样本分布均匀性的尺度标准,图像共有n点,第i点的灰度值为xi,其均值为x,方差的计算公式为:
偏度代表的是图片样本总体取值分布的对称性,即图像的扭曲度;偏度需要与正态分布相比较,偏度为0表示其数据分布形态与正态分布的偏斜程度相同;偏度大于0表示其数据分布形态与正态分布相比为正偏或右偏,即数据右端有较多的极端值;偏度小于0表示其数据分布形态与正态分布相比为负偏或左偏,即数据左端有较多的极端值;偏度的绝对值数值越大表示其分布形态的偏斜程度越大,偏度的计算公式为:
峰度表明的是样本总体中所有取值分布形态的陡缓程度,表示图片样本分布的峰值是否突兀或平坦,峰度同样也需要与正态分布相比较,峰度为0表示该总体数据分布与正态分布的陡缓程度相同;峰度大于0表示该总体数据分布与正态分布相比较为陡峭,为尖顶峰;峰度小于0表示该总体数据分布与正态分布相比较为平坦,为平顶峰;峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大;峰度的计算公式为:
熵反映图像灰度分布的空间特征,引入能够反映灰度分布空间特征的特征量来组成图像的熵;选择图像的邻域灰度均值作为灰度分布的空间特征量,与图像的像素灰度组成特征二元组,记为(i,j),其中i表示像素的灰度值(0<=i<=255),j表示邻域灰度均值(0<=j<=255);
上式能反应某像素位置上的灰度值与其周围像素灰度分布的综合特征,其中f(i,j)为特征二元组(i,j)出现的频数,N为图像的尺度;图像熵的计算公式为:
能量变换反映了图像灰度分布均匀程度和纹理粗细度;若灰度共生矩阵的元素值相近,则能量较小,表示纹理细致;若其中一些值大,而其它值小,则能量值较大;能量值大表明一种较均一和规则变化的纹理模式;其计算公式为:
Asm=∑i∑j(pi,j)2。
4.根据权利要求1所述的融合超像素信息的钢材金相组织分割方法,其特征在于,所述步骤3中,所得到的金相特征图进行K均值聚类分析,包括以下步骤:
(1)首先,用户确定簇个数k,将数据划分为k个类;
(2)随机确定k个初始点作为质心;
(3)对每个数据实例依次计算到k个质心的距离,选择最小距离的质心,并将其分配给该质心所对应的簇,直到数据集中的所有数据全都分配给k个簇,更新k个簇的质心为该簇所有点的平均值;
(4)循环上述步骤(3),重新分配每个数据实例到新的质心,直到所有数据的分配结果不再发生改变为止。
5.根据权利要求1所述的融合超像素信息的钢材金相组织分割方法,其特征在于,金相图片可以由亮度L和有关色彩的a,b三个要素组成;L表示亮度,L的值域由0到100。a表示从红色至绿色的范围,b表示从黄色至蓝色的范围;对所得到的聚类分析特征图进行超像素分割合并特征相似的区域,包括以下步骤:
(1)初始化种子点:按照设定的超像素个数,在图像内均匀的分配种子点;设图片总共有N个像素点,预分割为k个相同尺寸的超像素,那么每个超像素的大小为N/K,则相邻种子点的距离近似为S=sqrt(N/K);
(2)在种子点的n*n邻域内重新选择种子点;具体方法为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方;
(3)在每个种子点周围的邻域内为每个像素点分配类标签;超像素的搜索范围限制为2S*2S;
(4)距离度量:包括颜色距离和空间距离;对于每个搜索到的像素点,分别计算它和该种子点的距离;距离计算方法如下:
其中,l、a、b代表不同颜色通道的值,dc代表颜色距离;x、y代表点的坐标位置,ds代表空间距离;Ns是类内最大空间距离,定义为Ns=S=sqrt(N/K),适用于每个聚类;最大的颜色距离Nc既随图片不同而不同,也随聚类不同而不同,取一个固定常数m代替;最终的距离度量D如下:
由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心。
(5)迭代优化:上述步骤2-4迭代10次;
(6)增强连通性:新建一张标记表,表内元素均为-1,按照“Z”型走向将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素,遍历过的像素点分配给相应的标签,直到所有点遍历完毕为止。
6.根据权利要求1所述的融合超像素信息的钢材金相组织分割方法,其特征在于,所述步骤5中,对与金相原图进行canny边缘提取;使用两种不同的阈值分别检测强边缘和弱边缘,并且当弱边缘和强边缘相连时,才将弱边缘包含在输出图像中;基于提取的边缘,对得到的金相组织分割图进行边缘补偿。
7.一种融合超像素信息的钢材金相组织分割***,其特征在于,包括预处理模块、特征提取模块和K均值处理模块;获取待识别的金相图片,将待处理的金相图片输入预处理模块,去除金相图片中的杂点与噪声,获得整体亮度一致的金相图片,将获得的图片输入至特征提取模块,经不同的滤波器获得不同的特征图,整合得到的金相特征图,输入至K均值模块进行聚类分析,得到初步的识别的结果,再经过超像素分割合并同类组织,经过边缘提取对超像素分割后的结果图进行边缘补偿,得到最终的金相组织分割图。
8.根据权利要求7所述的融合超像素信息的钢材金相组织分割***,其特征在于,预处理模块通过高斯、中值滤波器,对输入的金相图进行滤波处理。
9.根据权利要求7所述的融合超像素信息的钢材金相组织分割***,其特征在于,滤波器特征提取模块提取图片的熵、能量、偏差、方差、峰度五个方面的特征,将所得到的特征图合并得到最终的特征图。
10.根据权利要求7所述的融合超像素信息的钢材金相组织分割***,其特征在于,所述K均值模块将得到的特征图进行K均值聚类分析,其步骤主要为:
(1)输入={x1,x2,x3,…xm},设聚类的簇数为K,最大迭代次数为N,计划最终输出的簇为C={c1,c2,c3…cm},从数据集D中随机选择K个样本作为初始的K个质心向量:{u1,u2,u3…um};
(2)对于n=1,2,...,N,将输出的簇C初始化为对于i=1,2,…m,计算样本xi和各个质心向量的uj(j=1,2,…k)的距离:/>将xi标记最小的为di,j说对应的类别αi,此时更新/>对于j=1,2,…k,对Cj中所有的样本重新计算新的质心/>如果所有的质心都没有发生变化,则转移到步骤(3);
(3)输出的簇为C={c1,c2,c3…cm}
得到K均值分割得到的效果图后,结合超像素分割,对于特征类似的区域进行合并,得到初步的分割轮廓;结合Canny算子,采用两个阈值来连接边缘;基于提取的边缘,对的得到的金相组织分割图进行边缘补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311727491.5A CN117853722A (zh) | 2023-12-15 | 2023-12-15 | 一种融合超像素信息的钢材金相组织分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311727491.5A CN117853722A (zh) | 2023-12-15 | 2023-12-15 | 一种融合超像素信息的钢材金相组织分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117853722A true CN117853722A (zh) | 2024-04-09 |
Family
ID=90541203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311727491.5A Pending CN117853722A (zh) | 2023-12-15 | 2023-12-15 | 一种融合超像素信息的钢材金相组织分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853722A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118097310A (zh) * | 2024-04-24 | 2024-05-28 | 陕西丰京建材有限公司 | 一种数字化检测混凝土表面缺陷的方法 |
CN118154615A (zh) * | 2024-05-13 | 2024-06-07 | 山东聚宁机械有限公司 | 一种挖掘机履带板的板体质量智能检测方法 |
-
2023
- 2023-12-15 CN CN202311727491.5A patent/CN117853722A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118097310A (zh) * | 2024-04-24 | 2024-05-28 | 陕西丰京建材有限公司 | 一种数字化检测混凝土表面缺陷的方法 |
CN118154615A (zh) * | 2024-05-13 | 2024-06-07 | 山东聚宁机械有限公司 | 一种挖掘机履带板的板体质量智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量*** | |
CN106340016B (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN107123088B (zh) | 一种自动更换证件照背景颜色的方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN105139395B (zh) | 基于小波池化卷积神经网络的sar图像分割方法 | |
CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
CN108921201B (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
JP6099479B2 (ja) | ひび割れ検出方法 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
CN114091606B (zh) | 一种隧道***炮孔半眼痕识别和损伤平整度评价分类方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN111681249A (zh) | 基于Grabcut的砂石颗粒的改进分割算法研究 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其*** | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN113658117B (zh) | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
CN110796661A (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及*** | |
CN115457044B (zh) | 基于类激活映射的路面裂缝分割方法 | |
CN112686902A (zh) | 核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法 | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN112258525A (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |