专利名称：：柴油机排放颗粒物微观结构特征自动定量评价方法
技术领域：
：本发明涉及一种对柴油机排放颗粒物微观结构特征参数的评价方法。
背景技术：
：直径微小的大气悬浮颗粒物由于悬浮时间长、比表面积大，极容易吸附有毒有害物质，对人体健康威胁很大。数量众多的柴油机车所排放的废气是城市大气中悬浮颗粒物的重要来源之一，因此对柴油车微粒排放的研究受到了广泛的关注。目前柴油车颗粒物的形成机理特别是微粒自身结构和理化特性在其生成、演化历程中的变化规律已成为内燃机工程和环保领域关注的热点。柴油机燃烧过程中形成的微粒具有极其复杂的微观结构特征，这种微观结构特征与微粒本身的多种理化性能有着密切的关系。如，许多研究者已经发现对于柴油机排放的这类以碳元素为核心的微粒，其氧化特性随内部微观结构的变化而变化，特别是那些具有无定形微观结构的碳质微粒，要比具有规则石墨化微观结构的碳质微粒更容易被氧化，其氧化反应活化能更低。因此，采用合理的方法自动定量评价柴油机燃烧过程中所排放颗粒物微观结构特征参数的变化，不仅可以深化研究柴油机微粒物的生成机理和排放规律，更重要在于有助于提出柴油机燃烧过程中形成微粒物的有效控制方法。
发明内容本发明的目的是通过对柴油机排放的碳质微粒微观形貌图像进行数学变换处理，提出一种自动提取颗粒物微观结构特征定量信息的技术方法。以下结合附图对本发明的技术方案进行说明本发明主要是解决如何准确提取微粒微观结构特征参数。这些微粒微观结构特征参数主要包括微晶尺寸La、层面间距d和曲率C。其中La是以碳元素为核心的微粒微观组织结构中的一个重要结构参数，它定义为微晶碳层上每条微晶碳层的长度；d的定义是微粒微观结构中相邻两个微晶碳层的垂直距离；C的定义为微晶碳层的微晶尺寸与此微晶碳层两端像素点间直线距离的比值。上述特征参数的定义见附图1。上述3个微粒微观结构特征参数对微粒的多种物理_化学性能影响很大，特别是它们是微粒氧化稳定性和高温稳定性的主要决定因素，对它们的准确评价有助于提高柴油机微粒排放的控制技术的应用效果。对柴油机排放颗粒物微观结构参数自动定量评价方法，包括四大步骤，而其中最主要的是步骤3，即微粒微观形貌图像数学变换处理方法。本发明提出的其具体技术方法由以下步骤完成1.样品前处理将Ig从柴油机排气中收集的微粒样品精细研磨后置于150ml二氯乙烷(CH2Cl2)中萃取24小时，期间使用超声波振荡器加速所述萃取过程。将萃取后的微粒样品置于IOml无水乙醇(CH3CH2OH)中，使用超声波振荡器振荡30分钟，使研磨后的微粒样品均勻分散于无水乙醇中，形成稳定的悬浮液。取一滴分散好的微粒-乙醇悬浮液置于场发射透射电子显微镜(TEM)镍网微栅上，待乙醇自由挥发后，微粒样品前处理工作即完成。2.微粒微观形貌图像的获取利用场发射透射电子显微镜(TEM)对步骤1完成的微粒样品形貌进行观测，获取微粒微观形貌电子显微镜照片。3.微粒微观形貌图像数学变换处理方法。这个步骤包括了6个主要过程3.1图像规格化微粒微观形貌图像在拍摄过程中，由于人为的因素，可能造成所获取的微观形貌图像的对比度不同、灰度范围有差异。为了将不同微观形貌图像的平均灰度、方差、对比度等统计特性指标调整到一个统一的范围，使不同的源图像具有相同的灰度均值和方差，需要对源图像进行规格化处理。设I(i，j)为像素点(i，j)的灰度，其中i和j分别为所述微粒微观形貌图像中以像素点为单位的横、纵坐标，M和N分别代表源微粒形貌图像的灰度均值和灰度方差，N(i，j)是规格化后点(i，j)的灰度。图像规格化定义如下<formula>formulaseeoriginaldocumentpage8</formula>式中，<formula>formulaseeoriginaldocumentpage8</formula>式中A和B为微粒源图像具有的横、纵像素点数量，在选择处理图像的范围时，应尽量使A和B相近；Μ『V0是预先设定的规格化后的图像灰度均值和方差，两者取值范围均为0255之间的整数。3.2方向图计算首先，将规格化后的微粒图像分成大小为QXQ的子块，其中Q的取值范围为0.35lOnm，而对于面积小于QXQ的子块，则予以去除。这样就将AXB大小的整个微粒图像分成PXP个互不重叠的子块，其中的P可通过下面的公式计算<formula>formulaseeoriginaldocumentpage8</formula>式中S为形貌图像中每两个相邻像素点所对应的实际距离。然后，采用Sobel算子(见图2)计算每个子块像素点(u，ν)的水平和竖直方向梯度值δφ,ν)和φ^，ν)，如公式(e)和(f)所示<formula>formulaseeoriginaldocumentpage8</formula>再利用公式(g)_⑴估计中心在点(i，j)子块的局部方向<formula>formulaseeoriginaldocumentpage9</formula><formula>formulaseeoriginaldocumentpage9</formula>O(U)=^tan->(^4)如果<formula>formulaseeoriginaldocumentpage9</formula>()如果σ(，Λ)=ο公式(i)中的θ即为所在子块的局部方向角。3.3图像分割包括方差法、方向法和复合法。采用由方差法和方向法共同组成的复合方法分割上述微粒形貌图像。其基本原理如下如果图像某一区域的灰度统计特性中灰度的方差很大，则此区域对应于图像的前景区域；反之对应于图像的背景区域。此外，如果图像某一区域的方向直方图中存在峰值，则表明该区域为前景区域，反之为背景区域。3.3.1方差法3.3.1.1按照步骤3.2中的方法将微粒形貌图像划分为互不重叠的PXP的子块，对每一图像子块分别进行处理；3.3.1.2按照公式(j)、(k)计算每一图像子块的灰度均值和方差Means=—YjJdNiu,ν),(」)<formula>formulaseeoriginaldocumentpage9</formula>式中N(u，v)是子块(k，l)中第u行第ν列的图像点灰度值，Means为图像子块的灰度均值，Vars为图像子块的方差。3.3.1.3对于每一图像子块，当Vars小于定义的阀值Tl(取值范围为0255之间的正整数)时，将其设定为背景区域；否则，作为前景区域，保留其灰度值。3.3.2方向法3.3.2.1按照步骤3.2中的方法计算微粒形貌图像的方向图；3.3.2.2按照步骤3.2中的方法计算方向直方图；3.3.2.3按下列标准对每一图像子块进行分割①如果所述方向直方图中的峰值超过定义的阀值T2(取值范围为0255之间的正整数)时，则该区域被视为前景；②如果所述方向直方图中的峰值差值小于定义的阀值Τ3(取值范围为0255之间的正整数)，则该区域被定义为背景；③如果所述方向方差大于定义的阀值Τ4(取值范围为010000之间的正整数)，则该区域被定义为前景。3.3.3复合法设A，B分别是微粒形貌图像经过方向法和方差法分割后得到的图像，C为用复合方法得到的分割图像，则如果《<7；(1)(l'J)~\A{iJ\其它3.4图像增强图像增强方法采用Gabor滤波器的实部，也就是偶对称的Gabor滤波器，其函数形式如下啦厂成/)=exp|—去务+会|cos(2^)(m)式中，χφ=xcos<i)+ysin<i)(η)=-xsinΦ+ycosΦ(ο)式中Φ是微晶碳层的方向，垂直于Gabor滤波器；f是微晶碳层的频率；Sy分别是Gabor滤波器在χ轴和y轴上的高斯常数。从式(m)(ο)可以看出，为了取得良好的增强效果，必须确定Φ、f、参数，以及Gabor滤波器在χ轴和y轴上的高斯常数δx和δy；3.4.1按照步骤3.2和3.3中方向图计算的方法计算每个图像子块的方向图；3.4.2计算微晶碳层的频率3.4.2.1把按照3.1步骤规格化后的图像按步骤3.2中的方法分割成QXQ大小的互不重叠的子块；以图像子块中心点(i，j)为中心，子块碳层方向为短轴，作一个尺寸为2QXQ大小的长方形窗口，在窗口中按公式(ρ)计算幅值X[k]ιP~\Xlk)=-~XN(u,v)k=0，1，...，2Ρ-1(ρ)/=0式中，u=i+(d-~)cos(0(i,j))+(k-P)sin(0(i,j))(1)v=j+(d-~)sin(0(i,j))+(P-k)cos(0(i,j))(r)3.4.2.2离散信号X[k]组成了一个二维的正弦波，从得到的X[k]中找到所有的极大值点，并计算这些极大值点的平均距离，或称为极大值点间的平均像素点数，记为T(i，j)，则微晶碳层的频率可表示为F(i，j)=1/T(i，j)。3.4.2.3如果X[k]信号中没有连续的峰值，那么频率值就设为_1，表示无效频率。3.4.3确定Gabor滤波器在χ轴和y轴上的高斯常数δχ和δ,·将Gabor滤波器应用于规格化后的图像N(u，ν)可得到增强后的碳质微粒微观形貌图像E(i，j)E(hJ)=^^h(u,v.O(i,j)),F(i,j)N(i-u,j-v)(s)WgWg—~V=---—22(s)式中N为规格化后的微粒形貌图像，0为微晶碳层方向图、F为微晶碳层频率，Wg为Gabor滤波器的尺寸大小，Wg取值范围为O100的整数。3.5二值化3.5.1按步骤3.2中的方法把微粒形貌图像分成PXP大小的子块；3.5.2对每一子块进行如下处理(1)按公式(k)的方法求每一子块的平均灰度；(2)统计子块内大于等于T及小于等于T的像素个数N1和Ns，其中T=Means；(3)如果INs-N11<δ(δ取值范围为0100的整数)，则T为所求阀值；否则如果Ns>N1，则T=T-I；而在Ns-N1彡δJ.Ns彡N1时，T=T+1。3.6图像细化3.6.1构造如附图4所示的8个消除模板，其中1表示前景点，0表示背景点，X表示即可为前景点又可为背景点；3.6.2构造如附图5所示的六个保留模板；3.6.3从微粒微观图像的左上角像素点开始，按照从左到右、从上到下的顺序对形貌图像进行扫描；3.6.4对于某一前景像素点(以P5为例)，抽取出14个像素领域，如附图6所示，将P5的前8个领域像素(Pl，P2，P3，P4，P6，P7，P8，P9)与专利附图4所示的8个消除模板相比较，如果这8个领域元素和8个消除模板中的一个匹配时(模板中非“X”值的所有元素与该元素定义的8个领域中的像素值都相等时称匹配)，则去除P5(即P5=0)，否则，P5保留；3.6.5如果该像素在所述步骤3.6.4中被去除，则将该像素的14个领域像素再和附图5所示的6个保留模板进行比较，同时去除图7所示的三种保留模板情况；如果与其中一个匹配，则P5保留，否则P5才真正删除；3.6.6对所述微粒微观形貌图像中的所有像素点进行迭代，直到没有一个像素值被改变位置。图像细化后的结果如附图8所示。4.柴油机排放颗粒物微观结构特征参数的提取和计算根据步骤3进行微粒微观形貌图像变换处理后，提取出微粒微观结构特征数字图像；再根据微粒微观结构特征参数的定义，自动计算出微晶尺寸、层面间距和曲率这3个微粒微观形貌特征参数。采用上述方法即可实现微粒微观形貌特征参数的自动定量提取。图1微粒微观结构特征参数的定义图2Sobel算子模板示意3方向窗的选取示意4消除模板示意5保留模板示意6抽取的领域示意7保留模板去除的三种情况示意8细化后的微粒微观形貌图图9实施例1的原始微观图像图10实施例1截取的待处理图像图11实施例1图像处理后的结果图12实施例2的原始微观图像图13实施例2截取的待处理图像图14实施例2图像处理后的结果图15实施例3的原始微观图像图16实施例3截取的待处理图像图17实施例3图像处理后的结果具体实施例方式以下通过具体的实施例对本发明进行详细的描述，但本发明所涵盖的内容并不限于下述实施例。实施例一1.样品前处理将Ig从CY6102柴油机(取样工况转速lOOOr/min、喷油压力ΙΙΟΜρ、当量燃空比0.41)排气中收集的微粒样品精细研磨后置于150ml二氯乙烷中萃取24小时，期间使用超声波振荡器加速其萃取过程。将萃取后的微粒样品置于IOml无水乙醇中，使用超声波振荡器振荡30分钟，使微粒样品均勻分散于无水乙醇中，形成稳定的悬浮液。取一滴分散好的所述微粒_乙醇悬浮液置于TEM镍网微栅上，待乙醇自由挥发后，微粒样品前处理完成。2.微粒微观形貌图像的获取利用场发射透射电子显微镜对微粒形貌进行观测，获取微粒微观形貌电子显微镜照片，如附图9所示。在微粒微观形貌电子显微镜照片中选择微粒微观结构特征比较明显的部分，提取出237X262个像素大小的图像，如附图10所示，进行微粒微观结构特征参数的提取。3.微粒微观形貌图像数学变换3.1图像规格化图像规格化参数Mtl和Vtl分别设定为O和255，然后按照公式(a)(c)进行图像规格化。3.2方向图计算设Q=0.35nm,每个子块的面积为0.1225nm2，经计算得到S=O.265mm,P=1.79XIO40然后，采用Sobel算子按照公式(e)和(f)计算每个子块像素点(u，ν)的水平和竖直方向的梯度值饭…,V)和办(Μ,V);再利用公式(g)(h)估计每个子块的局部方向。3.3图像分割设定Tl=0、T2=255、Τ3=0、Τ4=255。按照公式(j)(1)描述的复合法进行图像分割。3.4图像增强在获取所述微粒微观形貌图像每个子块的方向图后，按公式(ρ)(r)计算幅值X[k]，并计算这些极大值点的平均距离，即得到微晶碳层的频率F(i，j)=1/T(i，j)。设定Wg取值为0；采用Gabor滤波器，按照公式(s)中的方法得到增强后的微粒微观形貌图像。3.5二值化按照Q=O.35nm分割图像子块，设定δ取值为0，对每一子块进行如下处理按公式(j)的方法求每一子块的平均灰度；统计子块内大于等于τ及小于等于T的像素个数N1和Ns，其中T=Means；如果|Ns-N11<δ，则T为所求阀值；否则如果Ns>N1,则T=T-I;而在INs-N1I彡δ且队彡N1时，T=Τ+1。3.6图像细化采用如附图4所示的8个消除模板和附图5所示的六个保留模板；从图像的左上角像素点开始，按照从左到右、从上到下的顺序对形貌图像中每一个像素点如步骤3.6所述进行处理，实施例1图像细化后的结果如附图11所示。4微观结构特性参数计算经计算，实施例1的各微观结构特性参数分别为La=1.0662nm；d=0.392131nm；C=1.305869。实施例二1样品前处理将Ig从CY6102柴油机(取样工况转速lOOOr/min、喷油压力ΙΙΟΜρ、当量燃空比0.53)排气中收集的微粒样品精细研磨后置于150ml二氯乙烷中萃取24小时，期间使用超声波振荡器加速萃取过程。将萃取后的微粒样品置于IOml无水乙醇中，使用超声波振荡器振荡30分钟，使微粒样品均勻分散于无水乙醇中，形成稳定的悬浮液。取一滴分散好的所述微粒_乙醇悬浮液置于TEM镍网微栅上，待乙醇自由挥发后，微粒样品前处理完成。2微粒微观形貌图像的获取利用场发射透射电子显微镜对微粒形貌进行观测，获取微粒微观形貌电子显微镜照片，如附图12所示。在微粒微观形貌电子显微镜照片中选择微粒微观结构特征比较明显的部分，提取出253X242个像素大小的图像，如附图13所示，进行微粒微观结构特征参数的提取。3微粒微观形貌图像数学变换3.1图像规格化图像规格化参数Mtl和Vtl分别设定为255和0，然后按照公式(a)(c)进行图像规格化。3.2方向图计算设Q=5nm,每个子块的面积为25nm2，经计算得到S=O.265mm,P=2.54X103。然后，采用Sobel算子按照公式(e)和(f)计算每个子块像素点(u，ν)的水平和竖直方向的梯度值δφ,ν)和办(w，v);再利用公式(g)(h)估计每个子块的局部方向。3.3图像分割设定Tl=255、T2=0、Τ3=255、Τ4=0。按照公式(j)(1)描述的复合法进行图像分割。3.4图像增强在获取微粒微观形貌图像每个子块的方向图后，按公式(ρ)(r)计算幅值X[k]，并计算这些极大值点的平均距离，即得到微晶碳层的频率F(i，j)=1/T(i，j)。设定Wg取值为100；采用Gabor滤波器，按照公式(s)中的方法得到增强后的微粒微观形貌图像。3.5二值化按照Q=5nm分割图像子块，设定δ取值为0，对每一子块进行如下处理按公式(j)的方法求每一子块的平均灰度；统计子块内大于等于T及小于等于T的像素个数N1和Ns，其中T=Means；如果|Ns-N11<δ，则T为所求阀值；否则如果Ns>N1,则T=T-I；而在Ns-N1彡δ且队彡N1时，T=Τ+1。3.6图像细化采用如附图4所示的8个消除模板和附图5所示的六个保留模板；从图像的左上角像素点开始，按照从左到右、从上到下的顺序对形貌图像中每一个像素点如步骤3.6所述进行处理，实施例2图像细化后的结果如附图14所示。4微观结构特性参数计算经计算，实施例二的各微观结构特性参数分别为La=1.04720nm；d=0.35414nm；C=1.50231。实施例三1样品前处理将Ig从CY6102柴油机(取样工况转速1200r/min、喷油压力ΙΙΟΜρ、当量燃空比0.41)排气中收集的微粒样品精细研磨后置于150ml二氯乙烷中萃取24小时，期间使用超声波振荡器加速萃取过程。将萃取后的微粒样品置于IOml无水乙醇中，使用超声波振荡器振荡30分钟，使微粒样品均勻分散于所述无水乙醇中，形成稳定的悬浮液。取一滴分散好的所述微粒-乙醇悬浮液置于TEM镍网微栅上，待乙醇自由挥发后，微粒样品前处理完成。2微粒微观形貌图像的获取利用场发射透射电子显微镜对微粒形貌进行观测，获取微粒微观形貌电子显微镜照片，如附图15所示。在微粒微观形貌电子显微镜照片中选择微粒微观结构特征比较明显的部分，提取出579X552个像素大小的图像，如附图16所示，进行微粒微观结构特征参数的提取。3微粒微观形貌图像数学变换3.1图像规格化图像规格化参数Mtl和V。分别设定为100和150，然后按照公式(a)(c)进行图像规格化。3.2方向图计算设Q=10nm，每个子块的面积为lOOnm2，经计算得到S=O.265mm,P=1.46XIO40然后，采用Sobel算子按照公式(e)和(f)计算每个子块像素点(u，ν)的水平和竖直方向的梯度值&(W,V)和办(W,V);再利用公式(g)(h)估计每个子块的局部方向。3.3图像分割设定Tl=100、T2=100、T3=100、T4=1000。按照公式(j)(1)描述的复合法进行图像分割。3.4图像增强在获取微粒微观形貌图像每个子块的方向图后，按公式(ρ)(r)计算幅值X[k]，并计算这些极大值点的平均距离，即得到微晶碳层的频率F(i，j)=1/T(i，j)。设定Wg取值为50；采用Gabor滤波器，按照公式(s)中的方法得到增强后的微粒微观形貌图像。3.5二值化按照Q=IOnm分割图像子块，设定δ取值为100，对每一子块进行如下处理按公式(j)的方法求每一子块的平均灰度；统计子块内大于等于τ及小于等于T的像素个数N1和Ns，其中T=Means；如果|Ns-N11<δ，则T为所求阀值；否则如果Ns>N1,则T=T-I;而在INs-N1I彡δ且队彡N1时，T=Τ+1。3.6图像细化采用如附图4所示的8个消除模板和附图5所示的六个保留模板；从图像的左上角像素点开始，按照从左到右、从上到下的顺序对形貌图像中每一个像素点按步骤3.6所述进行处理，实施例三图像细化后的结果如附图17所示。4微观结构特性参数计算经计算，实施例三的各微观结构特性参数分别为La=1.963nm；d=0.362nm；C=1.231。本发明根据微粒微观形貌图像的特点，采用了包括图像Gabor滤波法、局部阀值法、改进的OPTA法等一系列数学算法对微粒微观结构特征参数——微晶尺寸、曲率、层面间距进行了提取。应用本方法可以自动、快速、准确的评价微粒微观结构特征，从而提供了一种微粒排放控制技术在汽车及内燃机上应用效果的快速、自动考核方法。权利要求柴油机排放颗粒物微观结构特征自动定量评价方法，其特征是自动定量评价柴油机排放碳质颗粒物的微晶尺寸(La)、层面间距(d)和曲率(C)3个微观结构特性参数，其中微晶尺寸(La)定义是微晶碳层上每条微晶碳层的长度；层面间距(d)的定义是微粒微观结构中相邻两个微晶碳层的垂直距离；曲率(C)的定义是微晶碳层的微晶尺寸与此微晶碳层两端像素点间直线距离的比值，自动定量评价的过程包括以下步骤(1)样品前处理将1g从柴油机排气中收集的微粒样品精细研磨后置于150ml二氯乙烷中萃取24小时，期间使用超声波振荡器加速萃取过程，将萃取后的微粒样品置于10ml无水乙醇中，使用超声波振荡器振荡30分钟，使研磨后的微粒样品均匀分散于所述无水乙醇中，形成稳定的悬浮液，取一滴分散好的微粒-乙醇悬浮液置于场发射透射电子显微镜镍网微栅上，待乙醇自由挥发后，微粒样品前处理工作完成；(2)微粒微观形貌图像的获取采用场发射透射电子显微镜对步骤(1)所述微粒样品形貌进行观测，获取微粒微观形貌电子显微镜照片；(3)对步骤(2)所获取微粒微观形貌的图像进行数学变换处理(3.1)图像规格化对源图像进行规格化处理设I(i，j)为像素点(i，j)的灰度，其中i和j分别为微粒微观形貌图像中以像素点为单位的横、纵坐标，M和N分别代表源微粒形貌图像的灰度均值和灰度方差，N(i，j)是规格化后点(i，j)的灰度，图像规格化定义如下式中，<mrow><mi>M</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mi>A</mi><mo>*</mo><mi>B</mi></mrow></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>A</mi><mo>-</mo><mn>1</mn></mrow></munderover><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>B</mi><mo>-</mo><mn>1</mn></mrow></munderover><mi>I</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>b</mi><mo>)</mo></mrow></mrow><mrow><mi>V</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mi>A</mi><mo>*</mo><mi>B</mi></mrow></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>A</mi><mo>-</mo><mn>1</mn></mrow></munderover><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>B</mi><mo>-</mo><mn>1</mn></mrow></munderover><msup><mrow><mo>(</mo><mi>I</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>-</mo><mi>M</mi><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>c</mi><mo>)</mo></mrow></mrow>式中A和B为微粒源图像具有的横、纵像素点数量；M0、V0是预先设定的规格化后的图像灰度均值和方差，两者取值范围均为0～255之间的整数。(3.2)方向图计算将规格化后的微粒图像分成大小为Q×Q的子块，其中Q的取值范围为0.35～10nm，对于面积小于Q×Q的子块予以去除，将A×B大小的整个微粒图像分成P×P个互不重叠的子块，其中P通过(d)式计算<mrow><mi>P</mi><mo>=</mo><mfrac><mrow><mi>Min</mi><mrow><mo>(</mo><mi>A</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow><mo>×</mo><mi>S</mi></mrow><mi>Q</mi></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>d</mi><mo>)</mo></mrow></mrow>式中S为形貌图像中每两个相邻像素点所对应的实际距离；采用Sobel算子计算每个子块像素点(u，v)的水平方向的梯度值和竖直方向的梯度值如式(e)和(f)所示<mrow><mo>∂</mo><mi>x</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>=</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><mn>2</mn><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>+</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mn>2</mn><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>-</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>e</mi><mo>)</mo></mrow></mrow><mrow><mo>∂</mo><mi>y</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>=</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><mn>2</mn><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mn>2</mn><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>v</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow>再利用式(g)、(h)、(i)估计中心在点(i，j)子块的局部方向<mrow><msub><mi>V</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>u</mi><mo>=</mo><mi>i</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow><mrow><mi>i</mi><mo>+</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow></munderover><munderover><mi>Σ</mi><mrow><mi>v</mi><mo>=</mo><mi>j</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow><mrow><mi>j</mi><mo>+</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow></munderover><mo>∂</mo><mi>x</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>∂</mo><mi>y</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>g</mi><mo>)</mo></mrow></mrow><mrow><msub><mi>V</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>u</mi><mo>=</mo><mi>i</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow><mrow><mi>i</mi><mo>+</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow></munderover><munderover><mi>Σ</mi><mrow><mi>v</mi><mo>=</mo><mi>j</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow><mrow><mi>j</mi><mo>+</mo><mfrac><mi>P</mi><mn>2</mn></mfrac></mrow></munderover><mrow><mrow><mo>(</mo><mo>∂</mo><msup><mi>x</mi><mn>2</mn></msup><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>-</mo><mo>∂</mo><msup><mi>y</mi><mn>2</mn></msup><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>)</mo></mrow></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>h</mi><mo>)</mo></mrow></mrow><mrow><mfencedopen='{'close=''><mtable><mtr><mtd><mi>θ</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><msup><mi>tan</mi><mrow><mo>-</mo><mn>1</mn><mrow><mo>(</mo><mfrac><mrow><msub><mi>V</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></mrow><mrow><msub><mi>V</mi><mi>y</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></mrow></mfrac><mo>)</mo></mrow></mrow></msup></mtd><mtd><mi>if</mi><mrow><mo>(</mo><msub><mi>V</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>≠</mo><mn>0</mn></mtd></mtr><mtr><mtd><mi>θ</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mi>π</mi><mn>2</mn></mfrac></mtd><mtd><mi>if</mi><mrow><mo>(</mo><msub><mi>V</mi><mi>x</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>=</mo><mn>0</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></mrow>公式(i)中的θ即为所在子块的局部方向角；(3.3)进行图像分割，包括方差法、方向法、复合法；(3.3.1)方差法(3.3.1.1)按照步骤(3.2)将微粒形貌图像划分为互不重叠的P×P的子块，对每一图像子块分别进行处理；(3.3.1.2)按照(j)、(k)式计算每一图像子块的灰度均值和方差<mrow><mi>Means</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mi>P</mi><mo>×</mo><mi>P</mi></mrow></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></mrow><mrow><mi>Vars</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mi>P</mi><mo>×</mo><mi>P</mi></mrow></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><msup><mrow><mo>(</mo><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow><mo>-</mo><mi>Means</mi><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow>式中N(u，v)是子块(k，l)中第u行第v列的图像点灰度值，Means为图像子块的灰度均值，Vars为图像子块的方差；(3.3.1.3)对于每一图像子块，当Vars小于定义的阀值T1时，将其设定为背景区域，否则作为前景区域，保留其灰度值，T1取值范围为0～255之间的正整数；(3.3.2)方向法(3.3.2.1)按照步骤(3.2)计算微粒形貌图像的方向图和方向直方图；(3.3.2.2)按下列标准对每一图像子块进行分割①如果所述方向直方图中的峰值超过定义的阀值T2时，则该区域被视为前景，T2取值范围为0～255之间的正整数；②如果所述方向直方图中的峰值差值小于定义的阀值T3，则该区域被定义为背景T3取值范围为0～255之间的正整数；③如果所述方向方差大于定义的阀值T4，则该区域被定义为前景，T4取值范围为0～10000之间的正整数；(3.3.3)复合法设A，B分别是微粒形貌图像经过方向法和方差法分割后得到的图像，C为用复合方法得到的分割图像，则(3.4)图像增强采用偶对称的Gabor滤波器，其函数形式如下<mrow><mi>h</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>:</mo><mi>φ</mi><mo>,</mo><mi>f</mi><mo>)</mo></mrow><mo>=</mo><mi>exp</mi><mo>{</mo><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mo>[</mo><mfrac><msubsup><mi>x</mi><mi>φ</mi><mn>2</mn></msubsup><msubsup><mi>δ</mi><mi>x</mi><mn>2</mn></msubsup></mfrac><mo>+</mo><mfrac><msubsup><mi>y</mi><mi>φ</mi><mn>2</mn></msubsup><msubsup><mi>δ</mi><mi>y</mi><mn>2</mn></msubsup></mfrac><mo>]</mo><mo>}</mo><mi>cos</mi><mrow><mo>(</mo><mn>2</mn><mi>πf</mi><msub><mi>x</mi><mi>φ</mi></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>m</mi><mo>)</mo></mrow></mrow>式中，xφ＝xcosφ+ysinφ(n)yφ＝-xsinφ+ycosφ(o)式中φ是微晶碳层的方向，垂直于Gabor滤波器；f是微晶碳层的频率；δx和δy分别是Gabor滤波器在x轴和y轴上的高斯常数，图像增强即需要确定φ、f参数，以及Gabor滤波器在x轴和y轴上的高斯常数δx和δy；(3.4.1)按照所述步骤(3.2)中方向图计算的方法计算每个图像子块的方向图；(3.4.2)计算微晶碳层的频率(3.4.2.1)按照步骤(3.1)图像规格化处理过的图像再按步骤(3.2)中的方法分割成P×P大小的互不重叠的子块；以图像子块中心点(i，j)为中心，子块碳层方向为短轴，作一个尺寸为2P×P大小的长方形窗口，在窗口中按公式(p)计算幅值X[k]；<mrow><mi>X</mi><mo>[</mo><mi>k</mi><mo>]</mo><mo>=</mo><mfrac><mn>1</mn><mi>P</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>d</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>P</mi><mo>-</mo><mn>1</mn></mrow></munderover><mi>N</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>)</mo></mrow></mrow>k＝0，1，…，2P-1(p)式中，<mrow><mi>u</mi><mo>=</mo><mi>i</mi><mo>+</mo><mrow><mo>(</mo><mi>d</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac><mo>)</mo></mrow><mi>cos</mi><mrow><mo>(</mo><mi>O</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>+</mo><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mi>P</mi><mo>)</mo></mrow><mi>sin</mi><mrow><mo>(</mo><mi>O</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>q</mi><mo>)</mo></mrow></mrow><mrow><mi>v</mi><mo>=</mo><mi>j</mi><mo>+</mo><mrow><mo>(</mo><mi>d</mi><mo>-</mo><mfrac><mi>P</mi><mn>2</mn></mfrac><mo>)</mo></mrow><mi>sin</mi><mrow><mo>(</mo><mi>O</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>+</mo><mrow><mo>(</mo><mi>P</mi><mo>-</mo><mi>k</mi><mo>)</mo></mrow><mi>cos</mi><mrow><mo>(</mo><mi>O</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow></mrow>(3.4.2.2)离散信号X[k]组成了一个二维的正弦波，从得到的X[k]中找到所有的极大值点，并计算这些极大值点的平均距离，或称为极大值点间的平均像素点数，记为T(i，j)，则微晶碳层的频率可表示为F(i，j)＝1/T(i，j)；(3.4.2.3)如果X[k]信号中没有连续的峰值，那么频率值就设为-1，表示无效频率；(3.4.3)确定Gabor滤波器在x轴和y轴上的高斯常数δx和δy，将Gabor滤波器应用于规格化后的图像N(u，v)可得到增强后的碳质微粒微观形貌图像E(i，j)<mrow><mi>E</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>u</mi><mo>=</mo><mo>-</mo><mfrac><msub><mi>W</mi><mi>g</mi></msub><mn>2</mn></mfrac></mrow><mrow><mo>-</mo><mfrac><msub><mi>W</mi><mi>g</mi></msub><mn>2</mn></mfrac></mrow></munderover><munderover><mi>Σ</mi><mrow><mi>v</mi><mo>=</mo><mo>-</mo><mo>-</mo><mfrac><msub><mi>W</mi><mi>g</mi></msub><mn>2</mn></mfrac></mrow><mrow><mo>-</mo><mfrac><msub><mi>W</mi><mi>g</mi></msub><mn>2</mn></mfrac></mrow></munderover><mi>h</mi><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo>:</mo><mi>O</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>,</mo><mi>F</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mi>N</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mi>u</mi><mo>,</mo><mi>j</mi><mo>-</mo><mi>v</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mi>s</mi><mo>)</mo></mrow></mrow>(s)式中N为规格化后的微粒形貌图像，O为微晶碳层方向图、F为微晶碳层频率，Wg为Gabor滤波器的尺寸大小，Wg取值范围为0～100；(3.5)二值化(3.5.1)按所述步骤(3.2)中的方法把微粒形貌图像分成P×P大小的子块；(3.5.2)对每一子块进行如下处理(3.5.2.1)按公式(k)的方法求每一子块的平均灰度；(3.5.2.2)统计子块内大于等于T及小于等于T的像素个数Ni和Ns，其中T＝Means；(3.5.2.3)如果|Ns-Nl|＜δ(δ取值范围为0～100)，则T为所求阀值；否则如果Ns＞Nl，则T＝T-1；而在|Ns-Nl|≥δ且Ns≤Nl时，T＝T+1。(3.6)图像细化(3.6.1)构造8个矩阵并形成8个消除模板，其中1表示前景点，0表示背景点，×表示即可为前景点又可为背景点；<mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced>(3.6.2)构造6个矩阵并形成六个保留模板；<mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mi>X</mi></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mi>X</mi></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mi>X</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mi>X</mi></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced>(3.6.3)从图像的左上角像素点开始，按照从左到右、从上到下的顺序对形貌图像进行扫描；(3.6.4)对于某一前景像素点P(i，j)(i和j分别为该像素点以像素数为单位所对应的横、纵坐标)，抽取出14个像素领域，如下面的矩阵所示，将P(i，j)的8个领域像素(P(i-1，j-1)，P(i-1，j)，P(i-1，j+1)，P(i，j-1)，P(i，j+1)，P(i+1，j)，P(i+1，j)，P(i+1，j+1))与上面的8个消除模板相比较，如果这8个领域元素和8个消除模板中的一个匹配时(模板中非“×”值的所有元素与该元素定义的8个领域中的像素值都相等时称匹配)，则去除P(i，j)(即P(i，j)＝0)，否则，P(i，j)保留；<mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>+</mo><mn>2</mn><mo>)</mo></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>+</mo><mn>2</mn><mo>)</mo></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>+</mo><mn>2</mn><mo>)</mo></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>2</mn><mo>,</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>2</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow></msub></mtd><mtd><msub><mi>P</mi><mrow><mo>(</mo><mi>i</mi><mo>+</mo><mn>2</mn><mo>,</mo><mi>j</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow></msub></mtd><mtd><mi>X</mi></mtd></mtr></mtable></mfenced>(3.6.5)如果该像素在所述步骤(3.6.4)中被去除，则将P(i，j)的14个领域像素再和(3.6.2)中的6个保留模板进行比较，同时去除下面矩阵所示的三种保留模板情况；如果与其中一个匹配，则P(i，j)保留，否则P(i，j)才真正删除；<mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mfencedopen='['close=']'><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr><mtr><mtd><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd><mtd><mn>0</mn></mtd></mtr></mtable></mfenced>(3.6.6)对所述微粒微观形貌图像中的所有像素点进行迭代，直到没有一个像素值被改变位置；(4)柴油机排放颗粒物微观结构特征参数的提取和计算根据步骤(3)进行微粒微观形貌图像变换处理后，提取出微粒微观结构特征数字图像；再根据微粒微观结构特征参数的定义，自动计算出微晶尺寸(La)、层面间距(d)和曲率(C)这3个微粒微观形貌特征参数。FSA00000017713300011.tif,FSA00000017713300022.tif,FSA00000017713300023.tif,FSA00000017713300031.tif全文摘要本发明公开了一种对柴油机排放颗粒物微观结构特征自动定量评价方法。自动定量评价柴油机排放颗粒物微晶碳层上每条微晶碳层的长度、微粒微观结构中相邻两个微晶碳层的垂直距离、以及微晶尺寸与此微晶碳层两端像素点间直线距离的比值，这3个微观结构特性参数。方法包括四大步骤即样品前处理；微粒微观形貌图像的获取；对获取微粒微观形貌的图像进行数学变换处理；和柴油机排放颗粒物微观结构特征参数的提取和计算。采用了图像Gabor滤波法、局部阀值法、改进的OPTA法等对微粒微观结构特征3个参数进行了提取。应用本方法可以自动、快速、准确的评价微粒微观结构特征，从而增加了一种微粒排放控制技术在汽车及内燃机上应用效果的快速、自动考核方法。文档编号G01N15/00GK101799393SQ20101010210公开日2010年8月11日申请日期2010年1月28日优先权日2010年1月28日发明者吕刚,宋崇林,张炜,王林申请人:天津大学