方 呂1,李淑芬2(1.北京化工大學信息科學與技術學院,北京 100029;2.北京聯合大學自動化學院,北京 100101)
作者簡介:方呂(1983-),男,湖北黃岡人,北京化工大學在讀碩士研究生,主要從事圖像處理研究。
在橡膠工業中,炭黑是僅次于橡膠的重要原材料,它不僅能提高橡膠制品的強度,而且可改進膠料的工藝性能。橡膠中炭黑分散度是指炭黑在膠料中分散的均勻程度,是衡量膠料質量和預測成品性能的重要依據。
炭黑的識別方法可分為人工識別和自動識別兩大類。目前,常用的人工識別方法為ASTM D2663中的A法和B法及GB/T 6030—2006中的顯微照相法等。人工識別炭黑分散度由操作人員根據實際觀察或圖像觀察,綜合炭黑分散和分布情況判斷膠料中炭黑分散情況,比較定級,因此受到人為主觀因素的影響[1]。
Matlab是Mathworks公司推出的工程計算軟件,其功能強大,圖形顯示方便,具有豐富的圖像處理函數庫,可以避免繁瑣的計算。本工作使用Matlab 7.0軟件,依據數學形態學的基本原理,分析橡膠中炭黑微粒圖像,并進行炭黑粒子大小和數量的統計測量。
1 圖像處理流程
精確分割是準確定量分析的基礎,從圖像中提取目標可以通過兩個途徑實現:一是提取目標邊緣,二是提取目標區域。
圖1所示為炭黑填充橡膠的掃描電子顯微鏡(SEM)原始照片(使用韓國Seron株式會社生產的AIS2100型SEM測定,分辨率為3.5 nm),可以看到目標與背景灰度值差別不大。在Matlab軟件中調用imhist(I)命令,得到其灰度直方圖(如圖2所示),可以看出,灰度值呈現單峰,即目標和背景的灰度值都集中在150附近,這意味著如果直接使用閾值分割的方法提取炭黑顆粒的特征將會十分困難。同時可以看到,SEM照片背景不均勻,底紋較多,這是由于SEM照片的截面是經過液氮脆斷后形成的。使用canny算子進行邊緣檢測(如圖3所示)可以發現,其偽邊緣較多,因此如果通過邊緣檢測來分割背景或區域填充,圖像處理過程也會非常復雜。
根據以上分析,要準確、方便地測定出炭黑顆粒的幾何尺寸,就必須結合SEM照片的實際特點,采用數學方法進行圖像處理。圖像處理流程主要包括圖像預處理、數學形態學處理和圖像特征值計算。
2 圖像預處理
由于SEM在成像過程中受到入射電子本身的波動性以及成像過程中其它因素(如球像差、像散、外界震動、電噪聲和統計漲落噪聲等)的影響,因此圖像中夾雜噪聲在所難免。從原始照片的灰度直方圖上可以看到有毛刺現象,這在一定程度上會影響試驗結果的精確度。一般使用平滑濾波可以抑制噪聲的影響,本研究采用維納濾波進行去噪處理。維納濾波是一種線形平滑濾波,它是一種自適應濾波,能根據圖像的區域方差來調整濾波器的輸出。在Matlab軟件中維納濾波對應的命令為J=wiener 2(I,[m n]),通過m×n鄰域估算平均值和標準方差,默認值為3×3。維納濾波后的圖像灰度直方圖如圖4所示,與圖2比較,可以看出維納濾波的效果較好。
同時,對濾波后的圖像進行均衡化處理,目的是使整幅圖的灰度范圍拉開,使得該范圍內的像素明暗對比清晰,從而增強對比度,有利于圖像的分析與識別。在Matlab軟件中圖像均衡化處理對應的命令為J=adapthisteq(I)。
3 數學形態學處理
數學形態學是一種非線性圖像處理和分析理論[2],對形狀敏感,基本思想是用具有一定形態的結構元素去度量和提取圖像中的對應形狀,以達到對圖像分析和識別的目的。
利用數學形態學進行圖像分析的基本步驟如下:①提出所要描述的物體幾何結構模式,即提取物體的幾何特征;②根據模式選擇相應的結構元素,結構元素應該簡單且對模式具有最強的表現力;③用選定的結構元素對圖像進行擊中與否變換(HMT),得到比原始圖像更顯著的突出物體特征信息的圖像,可以方便提取信息。
數學形態學包括膨脹和腐蝕兩個重要的形態運算,A被B膨脹表明B的映像-B被平移距離x后與A至少有一個非零公共元素,膨脹運算是將與某物體接觸的所有背景點合并到該物體中的過程,是相對于目標的操作;而腐蝕是一種消除邊界點使邊界向內部收縮的過程,可以用來消除小且無意義的物體,A被B腐蝕的結果為所有使B被平移x后包含于A的點x的集合,是相對于背景的操作。
此外,A被B開運算就是A被B腐蝕后的結果再被B膨脹,能夠平滑圖像的輪廓,消弱狹窄部分,去掉細的突出;閉運算也是平滑圖像的輪廓,它一般是融合窄的缺口和細長的彎口,去掉小洞,填補輪廓上的縫隙,A被B閉運算就是A被B膨脹后的結果再被B腐蝕。
膨脹、腐蝕、開運算和閉運算在Matlab軟件中對應的操作命令分別為J=imdilate(I,SE),J=imerode(I,SE),J=imopen(I,SE)和J=imclose(I,SE),其中SE為結構元素,是Matlab對象,形態學操作過程其實就是用SE對象去探測和分析圖像的過程,Matlab圖像處理工具箱帶有不同shape的結構元素,可以直接調用,也可以自定義NHOOD,用strel(NHOOD)命令。
對本研究圖像而言,炭黑顆粒近似圓形,因此可以直接調用disk結構元素進行開運算處理。試驗發現,通過數學形態學處理,可以模糊背景,有效地將炭黑顆粒與背景區分開,效果較明顯;且當選取半徑為30時,得到的圖像最優,低于25則不能有效去除背景,超過35則目標不夠完整。數學形態學處理后的照片如圖5所示,除了一個隱藏的顆粒(見圖1)外,其它均能完整地與背景分離。圖6所示為數學形態學處理后的灰度直方圖。
將炭黑與背景分離后,使用閾值法進行圖像分割,在Matlab中使用命令J=im2bw(I,level)即可實現基于閾值level的圖像二值化處理。其中,閾值的選取是關鍵,決定著圖像分割的精確程度。對有明顯雙峰(目標和背景)的圖像而言,選擇峰谷作為閾值,在灰度直方圖上可以看出峰谷在灰度值53左右,因此level=53/255=0.208。如果有目標對象在圖像邊界處或者不完整,則生成的二值化圖像是非連通的,可以在二值化步驟之前使用平滑濾波器J=filter 2[fspecial(‘aver-age’,7),I]/255進行濾波,二值化后的圖像如圖7所示。
4 圖像的特征值計算
圖像經過二值化處理后,為了便于統計分析每個對象的特征值,首先使用形態學命令[L,num]=bwlabel(I,8)對每個連通對象進行標注,num返回連通對象的個數,然后使用stats=re-gionprops(L,properties)命令提取,L是標注的對象,properties是測度參數,可以為Area,equivdi-ameter和majoraxislength等。Regionprops命令返回的是選定區域的像素個數,利用SEM照片上的放大比例標尺可以算出微粒的實際尺寸。本研究圖像中共有11個顆粒,可以得到面積和當量直徑大小分布曲線,分別如圖8和9所示。根據炭黑分散度的評價體系,就可以判斷出該膠料中炭黑顆粒的均勻度。
5 結語
基于Matlab 7.0軟件,利用數學形態學的圖像處理方法,將炭黑粒子與背景分離,實現了炭黑微粒的尺寸測定,得出炭黑粒子面積和當量直徑大小分布曲線,彌補了人工識別方法的不足,為進一步評價炭黑粒子分散度提供了依據。該方法也適用于其它材料的微觀結構分析。數學形態學相對于邊緣檢測和區域填充的空間局限性具有較大的優越性。
參考文獻:
[1]謝振合,張 海.混煉膠炭黑分散度自動識別的特征指標體系及圖像處理方法[J].橡膠工業,2006,53(2):99-103.
[2]王家文,李仰軍.Matlab 7.0圖形圖像處理[M].北京:國防工業出版社,2006.
