原油乳狀液液滴直徑測量軟件開發與應用

李曉平， 陳樹仁，， 崔 琳， 萬 捷

(1.中國石油大學(北京)油氣管道輸送安全國家工程實驗室/城市油氣輸配技術北京市重點實驗室，北京102249;2.河北石油職業技術學院，河北 廊坊065000;3.新疆石油勘察設計研究院，新疆烏魯木齊830026)

0 引言

乳狀液廣泛存在于石油工業的各個環節中，目前世界上開采的原油絕大多數為油包水乳狀液形式［1］。其中，乳狀液液滴粒徑的大小對研究攪拌槽中的剪切率以及W/O乳狀液的粘度規律有重要的影響［2］，為進一步研究油氣水多相流打下基礎。可見，研究乳狀液的性質非常重要，而乳狀液液滴直徑是個重要的參數［3-6］。因此，原油乳狀液液滴直徑的測量十分必要。

1 開發背景

乳狀液的研究是油氣水多相流的重點和難點，液滴直徑的測量是乳狀液研究的基礎。目前乳狀液液滴直徑的測量方法有間接測量法和直接測量法。間接法［7］用分散穩定性分析儀，通過相厚度隨時間的變化，確定粒子移動速度，從而計算出粒子的平均直徑。直接測量法最常見的方法是先用電子顯微鏡拍攝得到原油乳狀液的圖片，再運用相關工具對圖片進行處理，繼而測量出液滴的直徑。

目前實驗室普遍采用的方法是直接測量法，但是現有軟件的測量是基于手工的，會帶來諸多人為因素的誤差。圖1為顯微照片處理軟件的工作界面。

圖1 顯微照片處理軟件的工作界面

現有軟件測量液滴粒徑時，完全依賴于人為主觀地去選擇被測液滴，而且在測量過程中如何確定液滴邊緣同樣受主觀因素影響較大，造成測量結果因人而異，影響測量結果的精度。在實驗過程中，被選中的液滴絕大多數是面積較大、邊緣較明確的，如圖1的綠色區域是被選中液滴的直徑數據。為了客觀地反映液滴粒徑，就需要選擇大量的液滴去測量，顯然工作量增大，而且不能快速處理。因此，需要開發一個能夠準確、客觀、快速地進行測量的軟件，為乳狀液的研究奠定堅實的基礎。

2 新方法的理論基礎

2.1 圖像的預處理

在實際應用中，系統采集到的原始圖像并不是完美的。由于光照度不均勻，或由于攝像頭獲得的圖像經過A/D轉換、線路傳送產生噪聲污染等原因，圖像質量被降低了［8］。因此，在對圖像進行分析之前，必須對圖像質量進行改善，所以需要進行圖像預處理。圖像預處理的目的是降低圖像噪聲，有選擇地突出圖像中感興趣的特征，而衰減不需要的特征，提高圖像的可懂度。圖像的預處理主要包括平滑濾波、銳化等內容。

2.2 圖像的二值化

液粒與背景的根本差別就在于各自灰度值的不同，因此可以利用灰度值將液粒與背景完全分開。通常采用的方法是圖像二值化。圖像二值化［9］是指圖像上所有點的灰度值只有兩種可能，不是“0”，就是“255”，把灰度值超過某一閾值的像素賦以最大灰度值255，其余像素則賦予最小灰度值0。

若位于坐標(x，y)處的像素灰度值為 f(x，y)，則選定合適的閾值V進行處理后的圖像g(x，y)由下式確定:

式中，V為選定的閾值。

圖像二值化有許多方法，采用比較多的是全局閾值法。全局閾值法在整幅圖像內采用固定的閾值分割圖像，其核心是閾值的選擇。為了增強軟件的實用性，該軟件采用了基于圖像灰度直方圖的自動選擇閾值方法，由系統根據圖像灰度直方圖自動確定圖像二值化的閾值，并用全局閾值法進行圖像的二值化。

進行二值化處理，得到二值圖像還有其他一些好處，圖像的幾何性質只與0和255的位置有關，不再涉及到像素的灰度值，使處理變得更加簡單。因而，二值圖像處理目前已成為圖像處理中的一個獨立的、重要分支而獲得廣泛的應用［10］。

2.3 邊緣檢測

邊緣是圖像中所要提取目標和背景的分界線，只有提取出了邊緣才能將背景和目標區分開來。因此數字圖像的邊緣檢測是圖像分割、目標區域的識別、區域形狀提取等圖像分析操作的重要基礎，是圖像識別中提取圖像特征的一個重要步驟。

圖像的邊緣有方向和幅度兩個屬性，沿邊緣方向像素變化平緩，垂直于邊緣方向像素變化劇烈。邊緣上的這種變化可以用微分算子檢測出來，通常用一階或二階導數來檢測邊緣，不同的是一階導數認為最大值對應邊緣位置，而二階導數則以過零點對應邊緣位置［11］。圖像邊緣檢測的最常用的算子有 Roberts算子［12］、Sobel 算 子［13］、Prewitt 算 子［14］、Laplacian 算子［15］、LOG 算子［16］和 Canny 算子［17］。每一種算子都具有不同的優缺點，本軟件采用Laplacian算子來實現數字圖像的邊緣檢測，Laplacian算子是二階導數算子，如下式所示:

實際計算也是借助模板卷積實現的，兩種常用的拉普拉斯算子如下式所示:

它具有各向同性的優點，即與坐標軸無關，坐標軸旋轉后梯度結果不變。

2.4 直徑測量

邊緣檢測后的圖像可以清晰地顯示出一個個液滴，但還不是液滴直徑的數據。要得到具體的水滴直徑，還需要對圖像進行進一步的辨識、統計處理。

辨識，就是對上述圖像進行識別，識別每個點所屬的圓(液滴)，進而計算出每個液滴(圓)的直徑并最終統計出液滴直徑的分布規律。辨識采用二級鏈表的數據結構，頂層是圓的一個鏈表，每個圓是點的鏈表。辨識、統計流程圖如圖2所示。確定點所屬圓的流程如圖3所示。點在圓上的流程由圖4可見。

圖2 辨識統計流程圖

3 軟件的應用特點和效果

本文所介紹的測量乳狀液液滴直徑的圖像處理軟件是在Delphi環境下進行開發的。

該軟件具有便捷高效和實用性強的應用特點。用以往的工具處理一幅圖片所做的統計粒徑和輸出數據往往需要幾min甚至十幾min的時間，而應用本文中實現的軟件來處理圖片，無論粒子數量的多少，處理一幅圖片的時間都可以控制在30 s的時間之內，極大地提高了圖片處理的效率。該軟件還沿用了傳統圖像處理軟件的習慣方法，不僅功能全面，運行穩定，而且還具有人性化界面設計，操作直觀，易學實用，有效地滿足了不同個體的需求。

現在以一幅原油乳狀液顯微鏡成像圖為例，檢驗軟件的實際應用效果。

圖3 確定點所屬圓的流程圖

圖4 確定點在圓上的流程圖

3.1 打開圖片

首先將需要處理的原油乳狀液液滴圖片打開，如圖5所示。由于電子顯微鏡拍攝下來的圖片可能不是BMP格式的，為了便于位圖處理，需要對其進行格式轉換。

圖5 乳狀液顯微鏡成像圖

3.2 預處理

軟件對乳狀液液滴圖片進行預處理，如圖6所示。

圖6 預處理后的效果圖

肉眼之所以可以判斷出液滴，主要是根據液滴周圍灰度值的變化規律。圖7和圖8為液滴圖片同一行經過預處理前、后灰度值變化曲線，不難發現經過預處理后灰度值曲線明顯光滑很多，這樣更有助于后續的圖像處理。

圖7 預處理前灰度值變化曲線

圖8 預處理后灰度值變化曲線

3.3 二值化

由于邊緣處灰度值連續而且相差不是特別大，計算機還不能直接把液滴和背景區分開。因此，還需要進行二值化處理。軟件對其進行二值化處理的效果見圖9。

3.4 邊緣檢測

本軟件利用八鄰域模板進行卷積計算，如圖10所示。

3.5 直徑測量

軟件在該部分利用相應的算法對液滴顆粒進行模擬畫圓，通過吻合的效果來判斷算法的精確性。具體效果參見圖11。

圖11中紅色圓圈是根據每個圓中鏈表所記錄的各個點的坐標所畫，從總體上來說其對液滴吻合效果良好，可見測出來的液滴直徑會很精確。

圖9 二值化后的效果圖

圖10 邊緣檢測后的效果圖

圖11 液滴吻合效果圖

在數據區程序能夠自動算出各個圓的直徑，并且數出液滴的個數，在圖表區程序能夠自動畫出液滴分布的統計圖。具體效果參見圖12～13。

圖12 粒徑分布統計圖

圖13 累積粒徑分布曲線

4 結語

通過對原油乳狀液液滴直徑測量軟件的實際應用和檢驗，發現測量效果較好。該軟件的應用不僅工作效率明顯提高，還解決了實驗室手工測量原油乳狀液液滴直徑的缺陷，并有一定的應用前景。

致謝:中國石油大學(北京)油氣儲運專業溫凱老師對程序的調試給予的指導和幫助，閻鳳元老師和周軍博士對論文思路、觀點、論證給予的指導、啟發和探討，煤層氣課題組的全體同學對程序的論證提出的寶貴建議。在此一并致以衷心的感謝!

［1］ 宋承毅.石油工業多相混輸技術研究進展［J］.油氣儲運，2003，22(9):26-29.

［2］ 蔣小華.油水乳狀液粘度特性及攪拌槽中剪切率影響研究［D］.北京:中國石油大學(北京).2008.

［3］ 孫濤壘，彭 勃.原油活性組分油水界面擴張粘彈性研究［J］.物理化學學報，2002，18(2):161-165.

［4］ 張 帆，王福賓.油水乳狀液性質及其影響因素［J］.油氣田地面工程，2005，12(24):2-3.

［5］ Pal R.Effect of droplet size on the rheology of emulsions［J］.AIChE J，1996，42(11):31-38.

［6］ Pal R.Shear viscosity behavior of emulsions of two immiscible liquids［J］.JColloid Interface Sci，2000(255):359-366.

［7］ 張文玲，徐冬梅.建立一種檢測乳狀液油滴粒徑的方法［J］.新疆石油科技，2007，3(17):46-51.

［8］ 董長虹.Matlab圖像處理與應用［M］.北京:國防工業出版社，2004:129-130.

［9］ Ridier T W，Calvars S.Picture thresholding using as iterative selection method［J］.IEEE-SMC，1978:630-632.

［10］ 舒紅平，蔣建明.基于灰度最優閾值的圖像分割方法及應用［J］.重慶工商大學學報(自然科學版)，2003(4):80-83.

［11］ 姚 敏.數字圖像處理［M］.北京:機械工業出版社，2006:226-227.

［12］ Roberts L G.Machine perception of three-dimensional solids［J］.Optical and Electro-optical Information Processing，1965(2):159-197.

［13］ Davis L S.A survey of edge detection techniques［J］.Computer Graphics and Image Processing，1982，4(1):248-250.

［14］ Prewitt J. Object enhancement and extraction ［J］. Picture Processing and Psychohistories，1970.75-80.

［15］ Haraliek R M，Shapiro L G.Image segmentation techniques［J］.Computer Vision，Graphics and Image Processing，1985，29:100-105.

［16］ Marr D，Hildrith E.Theory of edge detection［J］.Proc，Royal Society of London，1980:187-191.

［17］ John Canny.Finding edges and lines in Images［J］.MA Tech Publishing，1983，8(24):46-48.