張利欣， 孫 涵， 堯昊天， 邊勝琴

（北京科技大學a.自動化學院；b.計算機與通信工程學院，北京 100083）

0 引 言

通過對金相組織分析來預測材料的相關性能是材料研究的重要方法，而晶粒作為金相組織結構的核心組成部分，是微觀組織結構研究的重點。傳統(tǒng)的晶粒提取和測量主要通過人工操作。隨著圖像處理技術在材料領域的應用不斷拓展，自動化和精度更高且不受人為因素影響的微觀組織晶粒分析技術被提出。例如，Xu等［1］提出了一種基于區(qū)域分離的晶界自動檢測算法，在20鋼金相圖上獲取到較為完整、準確的晶界。刁福林等［2］采用圖像增強方法對高溫合金進行晶界檢測，有效抑制了偽邊界的產生，提高了晶界的完整性。韓越祥等［3］提出一種k-均值聚類算法＋Kirsch算子的自適應多閾值晶界檢測方法，在20鋼晶界檢測方面優(yōu)于Kirsch算子的晶界提取效果。王寶珠等［4］采用改進的分水嶺變換法實現(xiàn)了工業(yè)純鐵晶粒的檢測。甄海洋［5］提出一種快速有效的金相圖像邊緣恢復與重建算法，成功解決了高質量金相圖像邊緣丟失與斷裂的問題。上述方法，對智能技術在材料金相分析中的研究和發(fā)展都起到了積極的作用。相關研究主要針對金相試樣表面處理較好、晶界清晰、成像質量較高的圖像。但實際金相圖片獲取過程中，影響金相圖清晰度的因素很多，如光源的光強分布不均勻；拍攝、放大過程中帶來的噪聲［6］以及金相試樣制備過程中產生的劃痕、侵蝕不充分等因素，導致的晶界模糊、斷續(xù)等現(xiàn)象，使得上述方法在這類圖像中無法獲得精度高的晶界。鑒于上述問題，本文提出了基于自適應標記的金相組織智能檢測方法，并開展了一系列的對比實驗和結果分析。

1 自適應標記的金相組織檢測原理與方法

復雜金相組織圖像無法通過簡單的邊緣檢測、閾值和區(qū)域分割進行晶界的提取等工作。因此，本文在圖像預處理、邊緣分割和形態(tài)學的基礎上，提出了一套基于自適應標記的分水嶺算法的金相組織智能檢測方法。具體流程見圖1：①采用多尺度Retinex（Multi-Scale Retinex，MSR）算法和中值濾波算法作為預處理，去除金相圖像因光照不均、噪聲等產生的影響；②通過拉普拉斯銳化等方法獲取晶界基本骨架；③在晶界重建階段，采用距離變換和基于自適應標記的分水嶺算法快速重建完整閉合的晶界；④通過計算獲得金相組織的晶粒數(shù)、晶粒度等信息。

1.1 預處理

針對金相組織圖像存在的光照不均低對比度等問題，采用了MSR算法，該方法是在Retinex算法基礎上發(fā)展的。Retinex算法［7］通過去除或降低原始圖像中入射圖像的影響，從而盡量得到反射物體本質圖像。由于Retinex算法需要在顏色保真度和細節(jié)保持度上追求完美的平衡，而這個平衡在應對不同圖像的時候一般都有差別。所以，提出了多尺度Retinex算法MSR［8］，即對一幅圖像在不同的尺度上采用單尺度Retinex算法處理，然后再對不同尺度上的處理結果進行加權求和，獲得所估計的照度圖像。MSR算法把不同尺度下的增強結果線性地組合在一起，充分考慮局部信息和整體信息。對復雜模糊的金相組織預處理效果更優(yōu)，同時融合中值濾波算法濾除內部噪聲，進一步保護圖像邊緣。本文以7050鋁合金金相圖為例開展實驗驗證，圖2（a）、（b）分別是原圖和經過預處理后的結果圖。

1.2 晶界基本骨架提取

在邊緣檢測的算法分析過程中發(fā)現(xiàn)，大部分的邊緣檢測算法都能夠較為準確的獲得清晰的晶界。難點主要在模糊、斷裂的地方。因此，對于顯著性晶界本文首先提出了骨架提取算法，對于模糊、斷裂、析出物夾雜等難以復原的晶界進行晶界重建。

為了獲取更加準確的晶界骨架，本文采用2種不同的晶界提取方法融合獲得最終晶界骨架。2種方法分別是：①對圖像進行拉普拉斯銳化增強邊緣和細節(jié)，減弱非邊緣區(qū)域，進一步去除雜質后二值化、細化；②對圖像進行均值二值化、細化。圖2（c）為方法①和②結果相與獲得的晶界基本骨架圖?？梢钥吹饺诤虾蟮慕Y果，基本去除內部的噪聲，同時獲得了基本的晶粒輪廓。

1.3 晶界重建

晶界骨架提取確定了晶粒的基本輪廓，需要通過晶界重建實現(xiàn)晶界的完整閉合。因分水嶺算法［9］對微弱邊緣具有良好的響應特性，同時能夠得到封閉的區(qū)域，為提取完整晶界提供了可能。但分水嶺算法對圖像中的噪聲、物體表面細微的灰度變化敏感，易產生過度分割的現(xiàn)象。因此，本文提出了基于自適應標記的分水嶺方法：①采用距離變換得到簡化的地形圖；②采用自適應標記方法得到各晶粒準確的標記；③采用優(yōu)化的分水嶺算法快速得到完整的晶界圖。

（1）距離變換。距離變換［10］是把目標點到最近邊緣點的歐式距離作為目標點的灰度值。圖3（b）為圖2（c）距離變換的結果。圖3（c）和圖3（d）分別為圖3（a）的灰度圖和圖3（b）同一區(qū)域的地形三維圖。

對比圖3（c）和圖3（d）發(fā)現(xiàn)，以上處理不僅將原圖中復雜、難以分辨的地形重建為簡單、清晰的地形，而且不會改變原地形分布。前者保證了后續(xù)得到更準確的標記，后者保證最終得到更準確的晶界。

（2）自適應標記法。通常情況下，晶粒面積越大對應的距離圖極大值也會越大。因此，可以由局部距離圖的極大值自適應控制標記范圍。

首先，尋找局部區(qū)域的極大值點，然后，以各極值點為起點在一定閾值范圍內進行區(qū)域生長。本文選取極大值的3/4作為閾值，合并大于該閾值的極值點臨近區(qū)域。對于單個晶粒內部存在多個極大值點的情況，各極值點生長區(qū)域發(fā)生接觸，形成單個晶粒的標記。這種自適應的方法能夠避免單個晶粒內部多個標記產生的過分割；同時，由于相鄰晶粒之間或存在部分晶界，或灰度值較低，阻止標記接觸，避免欠分割。

（3）優(yōu)化的分水嶺算法。地形重建得到了簡單清晰的地形，同時標記取自各極大值區(qū)域，那么在模擬水平面上升、淹沒盆地的過程中，被淹沒區(qū)域的高度是漸變的，對應距離圖上待分類區(qū)域的灰度是逐漸降低的，且待分類區(qū)域中灰度值大的點靠近已標記區(qū)域。

基于上述分析，提出了一種優(yōu)化的分水嶺算法，對未標記點按照灰度值從高到低排序，依次對待標記點進行標記分類。具體分類方法是：①若該點八鄰域內沒有標記點，則跳過該點；②如果八鄰域內有1種標記，則將該點劃為該標記；③如果八鄰域內有2種以上標記，則將該點分類為晶界，直到所有點分類完畢。該方法相比傳統(tǒng)分水嶺算法相比無需反復對標記外邊界的點進行判斷，提高了運算效率，時間復雜度從O（n4）降到了O（n3）。

1.4 金相組織參數(shù)計算

金相組織主要由晶粒組成，通常用晶粒度來表征晶粒尺寸的大小。面積法是通過計數(shù)給定面積網(wǎng)格內的晶粒數(shù)N來測定晶粒度［11］。晶粒數(shù)N：

式中：N內為完全落在測量網(wǎng)格內的晶粒數(shù)；N交為被網(wǎng)格所切割的晶粒數(shù)，對于矩形網(wǎng)格，N交不包含4個角的晶粒。晶粒度級別

式中：M為放大倍數(shù)；A為所使用的測量網(wǎng)格面積，mm2；N為放大M倍時，使用面積為A的測量網(wǎng)格內晶粒數(shù)。

2 實驗與分析

本文選取具有復雜特征的7050鋁合金圖片為例開展實驗，該圖像具有光照不均勻、邊界模糊、斷裂等典型特征，能夠較好地驗證本文方法的有效性。

2.1 標記效果的對比與分析

對于本文提出的自適應標記方法，分別與八鄰域法［12］（為了清晰顯示標記點，做了適當膨脹處理）、閾值法、形態(tài)學重建法［13］、裁剪法［5］等標記方法進行對比，結果如圖4所示。

實驗結果顯示：八鄰域法在單個晶粒中標記了多個極值點。閾值法選擇單一全局閾值無法將大小不一的晶粒同時標記。形態(tài)學重建法無法得到小晶粒的標記。裁剪法采用固定值裁剪，對于晶粒大小差異大的圖像，標記效果不理想。本文提出的自適應標記方法依據(jù)晶粒大小確定標記范圍，標記結果基本與晶粒一一對應，為后續(xù)晶粒計數(shù)的準確性奠定了必要基礎。

2.2 晶界分割結果的對比與評價

（1）結果對比。本文對圖5（a）所示的金相組織進行了手工標注，結果如圖5（b）所示的。同時選取了常用的5種晶界檢測方法和本文的智能檢測方法進行對比，如圖5（c）～（h）所示。

結果顯示，圖5（c）和（d）分別運用Canny和Sobel檢測方法存在晶界斷裂嚴重的問題；圖5（e）用傳統(tǒng)的分水嶺算法提取的晶界與實際存在較大差異，對金相組織形貌分析會產生較大影響；圖5（f）用文獻［2］中的方法對于復雜圖像出現(xiàn)了嚴重過分割的問題；圖5（g）用文獻［14］中的方法將復雜金相圖的晶界與內部干擾項一同提取，后續(xù)處理難以將兩者區(qū)分；圖5（h）運用本文方法獲得了與原圖非常接近的晶粒形貌和數(shù)量，且晶界完整閉合，結果較為理想。

（2）結果評價。Boundary IoU是一種衡量邊緣分割質量好壞的指標，相比Mask IoU、Trimap IoU和Fmeasure作為衡量指標對各種類型的分割錯誤更加敏感［15］。具體表達式如下：

式中：G為真實的邊緣；P為算法分割的邊緣；d為邊界區(qū)域的寬度，通常設置為圖像對角線的百分比dilation ratio為2%，為更全面地評價本文算法的分割效果，增加了dilation ratio為1和0.5%的結果對比；Gd為與真實邊緣距離為d的像素組成的區(qū)域；Pd為與分割的邊緣距離為d的像素組成的區(qū)域。以手工標注的晶界為標準，分割結果如表1所示。

表1顯示，本文方法與其它5種方法相比，晶界分割準確度有了較大提升，降低dilation ratio值后，依然明顯優(yōu)于其他方法。

2.3 金相組織計算結果對比與分析

在金相組織計算方面，主要通過晶粒數(shù)和計算時間兩方面對比。表2為5種方法和人工法的對比，結果顯示本文方法在晶粒數(shù)計算準確率能夠達到91.4%，明顯優(yōu)于其它方法。

本文方法在獲得較高的晶粒分割和計數(shù)的前提下，大大降低了計算時間和人工計算強度，但相比方法2～4，算法運行時間略長，但精度更高且檢測時間可以滿足金相組織的檢測需求。

3 結 語

本文以復雜金相組織圖像晶粒檢測問題為研究對象，提出了基于自適應標記分水嶺的微觀組織智能檢測方法，通過對比實驗證明該方法能夠獲得很高的金相組織分割精度和更準確的晶粒計數(shù)。該方法不用人為操作，大大提高了金相組織分析的計算速度，尤其在高通量的金相組織定量計算和表征的研究中，將起到重要作用。