基于圖像處理20鋼的晶界提取算法

韓越祥， 盧振發

（1.浙江工業職業技術學院設計與藝術學院，浙江紹興315100；2.江蘇大學材料科學與工程學院，江蘇鎮江212013）

0 引 言

具有鐵素體＋珠光體組織特征的鋼材在我國工程結構材料中應用廣泛，這主要與其加工成本較低、強塑性較好等有關，在對鐵素體＋珠光體鋼材進行組織分析時，如何有效地進行晶界提取是廣大科研工作者長期關注的課題［1］，然而，實際應用過程中還沒有專用的金相設備或者晶界提取算法能夠處理所有類型的金相組織。近些年來，雖然在晶界提取算法上發展了一些新的理論并提出了新的算法，但是由于晶界提取過程較為復雜（圖像預處理與分割、閾值設定、子圖像處理等）、影響因素較多［2］，常用的基于形態學的Kirsch算子、Roberts算子、Canny算子、LoG算子和Soble算子等在處理圖像時還無法提取到完整的晶界，最終圖像處理結果中的晶界也往往會受到噪聲點多、圖像分割等的影響［3-5］。本文選取具有代表性的組織類型為鐵素體＋珠光體的20鋼為研究對象，通過對金相組織進行預處理與分割、子圖像處理、晶界提取和晶界優化等步驟［6］，提出了適宜于20鋼的基于Kirsch算子的自適應多閾值晶界提取算法，并對其進行了滯后閾值優化處理，結果將有助于快速、準確的晶界提取和定量分析，改善金相定量評級效率低、準確度差等問題，更好地滿足大批量金相組織檢測需求。

1 材料與圖像處理方法

實驗材料為江蘇沙鋼集團生產的熱軋20鋼板，組織類型為鐵素體＋珠光體。基于圖像處理的晶界提取算法流程主要包括：輸入圖像、預處理與分割、子圖像分類、設置閾值、晶界提取、晶界優化和輸出晶界等。其中，對輸入的圖像進行預處理與分割是晶界提取算法的前提，這主要是因為金相組織通常是由不同類型和尺寸的晶粒組成，晶界提取前需要區分不同噪聲點和不同清晰度的晶界，以增加后續晶界提取的辨識度［7］；在對輸入圖像進行預處理與分割后，不同面積大小和信息熵的子圖像因有各自不同的特點而需要采用不同的晶界提取算法［8］，因此需要進行子圖像分類；子圖像分類處理后需要進行閾值設定，這是因為子圖像中的像素點和噪聲等會對晶界提取產生影響，而閾值設定可以降低對噪聲的敏感度以及提升圖像處理效果［9］，本文基于Kirsch算子的晶界提取算法設定的閾值介于20～45；如果設置單個閾值進行晶界提取會出現閾值與圖像信息不匹配的問題，因此采用經過預處理與分割的改進分水嶺算法和k均值聚類算法與Kirsch算子相結合來對晶界進行提取；對于噪聲點較多、圖像質量較差的金相組織，進一步采用滯后閾值算法進行晶界優化，即對圖像設定一個較高閾值和一個較低閾值，并以較低閾值的結果作為真實邊緣，以降低噪聲等的干擾。

2 結果及討論

2.1 圖像預處理與分割

采用改進分水嶺算法［10］對20鋼的金相組織進行預處理與分割，改進分水嶺算法處理圖如圖1所示，包括預處理后的金相圖像和經過改進分水嶺算法處理后的效果圖。對比分析可知，對于晶粒完整且尺寸較大、噪聲點較少的晶粒，改進分水嶺算法可以實現良好分割，如圖1中方框所示；而對于晶粒不完整、腐蝕效果較差以及噪聲點較多的晶粒，改進分水嶺算法并不能完全消除噪聲點干擾，但是可以做到減弱干擾的效果，如圖1中圓框所示。

圖1 改進分水嶺算法處理圖

采用k-均值聚類算法［11］對20鋼的金相組織進行預處理與分割，k-均值聚類算法處理圖如圖2所示，包括以5個聚類中心和以2個聚類中心進行聚類操作的圖像。對比分析可知，以5個聚類中心進行k均值聚類算法處理的圖像在圓框所示區域的聚類效果較好，該區域像素灰度基本一致，有助于后續晶界提取，而對于方框所示區域的聚類效果較差，該區域像素灰度不穩定，會在一定程度上影響后期晶界提取效果。當以2個聚類中心進行k-均值聚類算法處理圖像，則會由于鐵素體的灰度值較小（遠低于附近像素點和晶界區域像素點）而使得金相組織圖像中只能提取到鐵素體信息，而忽略了晶界信息，見圖2（b）。

圖2 k均值聚類算法處理圖像

2.2 子圖像分類

采用上述改進分水嶺算法對20鋼的金相組織進行預處理與分割后，輸入的圖像都會轉化成n個子圖像。其中，面積較大的子圖像和面積較小的子圖像由于噪聲點多少不同而適應于不同閾值提取，當采用改進分水嶺算法提取面積較大的晶粒區域時，較小的閾值即可完成準確識別，而對于面積較小、噪聲點較多的區域，需要采用較大的閾值才能去除偽晶界的影響以提高識別率［12］。

對圖1中的子圖像進行面積統計分析，結果如圖3所示，圖3（a）的子圖像面積曲線圖中面積較小且數量最多的區域對應曲線中緩慢上升階段（像素面積＜1 000），采用改進分水嶺算法并不能完全解決噪聲多區域的分割問題；子圖像面積曲線圖中平穩上升階段（像素面積介于1 000～4 000）則對應于圖1中有部分噪聲的區域，此時的改進分水嶺算法可以一定程度上解決分割問題，但是還不能實現100%消除噪聲影響，后期采用嚴格的標準可以較好地實現晶界的提取；子圖像面積曲線圖中快速上升階段（像素面積＞4 000）則對應于圖1中晶粒完好的區域，此時的改進分水嶺算法基本可以解決晶界提取問題。由圖3（b）可見，像素在不同階段都呈現梯度分布特征，即在實際晶界提取過程中，對子圖像設置不同的晶界提取標準就可以得到識別率較高的晶界。

圖3 改進分水嶺算法處理后子圖像面積統計圖

以圖2（a）為例進行k-均值聚類算法處理，圖4為k-均值聚類算法處理后子圖像面積統計圖，其中，右上角1、63、127、191和255分別為5個聚類中心的灰度階數［13］。由于此時的子圖像類別不如采用改進分水嶺算法處理子圖像時那么多，且這5個子圖像的面積差異較小，因此，單從面積大小上無法區別圖像中不同區域應該采用哪種晶界提取算法來進行，需要進一步研究不適宜區域面積法的分類算法［14］。

圖4 k-均值聚類算法處理后子圖像面積統計圖

采用區域面積法進行經過圖像預處理與分割的子圖像的晶界提取時存在一定缺陷，因此，進一步使用了圖像信息熵（表征圖像信息的豐富度）的方法對子圖像進行了分類處理，這種方法可以區分子圖像中不同區域的噪聲里多少以及圖像復雜程度等［15］。圖5為采用改進分水嶺算法和k-均值聚類算法處理后子圖像的信息熵統計圖，其中，信息熵越大則表示子圖像中灰度變化多且快，而相同灰度區域的信息熵為0。對比分析可知，采用改進分水嶺算法處理后，子圖像的信息熵統計圖可分為快速增長階段（該區域噪聲點少、灰度值較為接近，適宜于寬松的晶界提取算法）、快速減緩階段（該區域噪聲點增多、灰度值有一定差異，適宜于較嚴格的晶界提取算法）和平穩上升階段（該區域噪聲點多、灰度值變化劇烈，適宜于嚴格的晶界提取算法）［16］。采用k-均值聚類算法處理后，子圖像的信息熵統計圖如圖5（b）所示，其中1、2、3、4和5分別表示灰度階數為1、63、127、191和255的子圖像。可見，3和4屬于高信息熵；2和5屬于中信息熵；1屬于低信息熵，而信息熵越高則子圖像中噪聲點越多，越需要更嚴格的晶界提取算法。經過改進分水嶺算法和k-均值聚類算法處理后子圖像的信息熵分類效果圖見圖6。

圖6 不同算法處理后子圖像信息熵效果圖

2.3 晶界提取

通過上述子圖像分類處理結果可知，實際應用過程中不同子圖像需要采用不同的晶界提取算法。圖7為基于Kirsch算子［17］的晶界提取效果圖，其中，子圖像對噪聲的敏感度通過閾值T來表征，T介于20～45。對比圖7的不同閾值條件下晶界提取效果圖可知，T較小時對應的晶界提取效果圖中的噪聲干擾較多，反映出來的晶界數量明顯多于T較大（噪聲干擾較小）時的晶界提取效果圖，因此，對于含有不同噪聲點的圖像，如何選擇合適的閾值來獲取晶界提取效果較好的圖像則尤為重要。

進一步將改進分水嶺算法和k-均值聚類算法與Kirsch算子相結合得到的自適應多閾值晶界提取效果圖如圖8所示，其中T都選取為30－20－20－25－35。可見，改進分水嶺算法＋Kirsch算子和k均值聚類算法＋Kirsch算子的自適應多閾值晶界提取效果圖都要優于圖7的基于Kirsch算子的晶界提取效果圖。對于圖8（a）所示的改進分水嶺算法＋Kirsch算子得到的效果圖，方框中噪聲點要相對單閾值為20的晶界提取結果少（圖7（a）），且要相對單閾值為40的晶界提取得到的晶界更完整（圖7（e）），即采用自適應多閾值晶界提取方法可以避免由于噪聲多而影響晶界提取效果。對于圖8（b）所示的k-均值聚類算法＋Kirsch算子得到的效果圖，方框中的晶界提取效果與圖8（a）相似，但是圓框中的噪聲點要少于圖8（a），即相對具有更佳的晶界提取效果。

圖7 不同閾值條件下晶界提取效果圖

圖8 自適應多閾值晶界提取效果圖

2.4 晶界優化

雖然采用改進分水嶺算法＋Kirsch算子和k-均值聚類算法＋Kirsch算子的自適應多閾值晶界提取效果圖要明顯優于采用單一閾值的晶界提取效果圖，但是圖8中仍然存在較多的噪聲點，因此，有必要采用滯后閾值的方法［18］來對晶界進行進一步優化，即在圖像處理時分別設定一個較高的閾值和一個較低的閾值對圖像邊緣進行提取，并以相應處理結果作為存疑邊緣和真實邊緣，然后以設定算法遍歷邊緣，以確定圖像中的點是噪聲點還是晶界點。采用滯后閾值算法對圖8（b）進行晶間優化處理后的圖像如圖9所示。對比可知，滯后閾值算法處理后的圖像中的噪聲點相對處理前有所減少，但是晶界卻沒有受到影響，即晶界提取效果進一步增強。

圖9 滯后閾值算法進行晶間優化處理后的圖像

圖10為手工提取得到的20鋼的晶界效果圖和晶界二值圖。由圖10可見，20鋼的晶界非常清晰，可以作為20鋼的晶界提取標準，設定此時的晶界匹配率為100%，晶界二值圖中可知，此時20鋼的晶粒個數和平均面積分別為259和4 317.2 μm2，手工提取晶界的方法耗時3 600 s。不同閾值條件下基于Kirsch算子的晶界提取效果和本文提出的滯后閾值算法（ZIPC）的晶界提取效果進行對比分析，結果見表1。可見，基于Kirsch算子得到的晶界提取效果圖中的晶粒個數和晶粒平均面積會由于單閾值的不同而存在較大差異，而運行時間不變且都明顯低于手工提取方法；當閾值T從20增加至40時，晶粒個數在343～168之間變化，晶粒平均面積在（3 257.1～6 679.0）μm2。未經預處理的ZIPC算法和經過預處理的ZIPC算法的運行時間分別為18和20 s，明顯低于手工提取方法，且相應的晶粒個數分別為272和238，相應的晶粒平均面積分別為5 380.5和4 169.0 μm2。對比表1的晶間提取效果統計結果可知，本文提出的經過預處理的滯后閾值算法的晶界提取時間較短，且與手工提取方法得到的晶粒個數和晶粒平均面積最為接近。

圖10 手工提取法得到的20鋼的晶界

表1 不同算法下晶界提取的對比結果

3 結 論

（1）對于晶粒完整且尺寸較大、噪聲點較少的晶粒，改進分水嶺算法可實現良好分割，而對于晶粒不完整、腐蝕效果較差以及噪聲點較多的晶粒，改進分水嶺算法并不能完全消除噪聲點干擾。當采用改進分水嶺算法提取面積較大的晶粒區域，較小閾值即可完成準確識別，而對于面積較小、噪聲點較多區域，需要采用較大的閾值才能去除偽晶界的影響以提高識別率。

（2）改進分水嶺算法＋Kirsch算子和k-均值聚類算法＋Kirsch算子的自適應多閾值晶界提取效果圖都要優于基于Kirsch算子的晶界提取效果圖。

（3）基于Kirsch算子得到的晶界提取效果圖中的晶粒個數和晶粒平均面積會由于單閾值的不同而存在較大差異，而運行時間不變且都明顯低于手工提取方法；當閾值T從20增加至40時，晶粒個數在343～168之間變化，晶粒平均面積在3 257.1～6 679.0 μm2。未經預處理的ZIPC算法和經過預處理的ZIPC算法的運行時間分別為18和20 s，明顯低于手工提取方法，且相應的晶粒個數分別為272和238，相應的晶粒平均面積分別為5 380.5和4 169.0 μm2。