一种陶瓷显微图像气泡的提取方法

1.本发明属于二维图像处理领域，涉及一种陶瓷显微图像气泡的提取方法。


背景技术：

2.陶瓷中的气泡是指在瓷器胎外釉下到釉内分布的气泡。在陶瓷烧制的过程中，胎体以及釉中的水分在高温的环境下挥发成气态水分子，在挥发的过程中被粘性强的釉层所阻挡从而形成气泡。由于瓷器存世的时间长短不同和烧制的方式不同，釉层中积留气泡的状态和分布有明显的区别。因此陶瓷中的气泡在陶瓷的种类鉴别以及年代鉴别有着重要的作用。
3.目前还没有完善的提取陶瓷气泡的方法，现有基于图像处理的方法来提取陶瓷气泡的方法，存在受光线影响无法清晰分辨气泡边缘导致提取图像不清晰或者小气泡提取不到的问题。


技术实现要素：

4.针对现有技术的缺点或不足，本发明的目的在于提供一种陶瓷显微图像气泡的提取方法，精确高效的提取陶瓷中气泡，解决现有方案无法准确提取气泡的问题。
5.为实现上述目的，本发明所采用的技术方案是：
6.一种陶瓷显微图像气泡的提取方法，包括以下步骤：
7.步骤1，通过显微照相机获取陶瓷碎片显微图像；
8.步骤2，对显微图像进行抑制噪声和平滑图像处理，得到预处理后的显微图像；
9.步骤3，对预处理后的显微图像经过灰度共生矩阵提取显微图像的气泡纹理特征；
10.设置显微图像灰度等级为k，设置灰度共生矩阵提取方向θ与步长d，将方向与步长的统一变换称为δ；
11.对于显微图像中的每一个像素点(x，y)，存在该点的灰度值为p1，以及对应的另一个像素点(x+δ，y+δ)，存在该点的灰度值为p2；则这两个点构成的构点对{(x，y)，(x+δ，y+δ)}的灰度值为(p1，p2)；
12.设置一个滑动窗口，使点(x，y)在整个图像上移动，这时会得到很多不同的(p1，p2)的值，将(p1，p2)出现的次数记录在m矩阵中；
13.最后将m举证中的数据归一化为出现的概率概率分布，得到该图像的灰度共生矩阵；
14.步骤4，对于计算出来的共生矩阵，利用纹理特征公式，计算出相应的纹理；
15.步骤5，将处理后的图像输入到unet分割算法中进行气泡特征的提取：
16.s51：将灰度共生矩阵处理后的图像大小进行调整，调整后的大小为256*256*3，将调整后的图像作为unet的输入，输入的图像先经过下采样层，下采样层为前五层：
17.s52：通过下采样操作之后，进行上采样操作，上采样层为后五层，与下采样中大小相同的图像拼接后再通过卷积操作；
18.s53：前九层卷积使用的是relu激活函数，最后一层使用sigmoid激活函数，损失函数使用的是交叉熵损失
19.进一步，所述步骤2具体处理过程如下：
20.s21：设置滑动窗口大小为3x3，取显微图像中心点为(x，y)；
21.s22：设置卷积核以及权重σ，使用下面公式进行计算：
[0022][0023]
s23：遍历完整个图像，得到预处理后的显微图像。
[0024]
进一步，所述步骤4根据灰度共生矩阵，采用均值，方差，对比度，角二阶矩作为特征量计算出相应的纹理；
[0025]
均值：
[0026]
方差：
[0027]
对比度：
[0028]
角二阶矩：
[0029]
式中，m为图像宽度，n为图像高度，i为该像素点横坐标，j为该像素点纵坐标，d为步长，θ为旋转角度。
[0030]
进一步，所述步骤5中下采样层为前五层：
[0031]
第一层：卷积核5x5，步长为1的卷积层，卷积核为2x2的池化层；
[0032]
第二层：卷积核3x3，步长为1的卷积层，卷积核为2x2的池化层；
[0033]
第三层：卷积核为1x1，步长为1的卷积层，卷积核为2x2的池化层；
[0034]
卷积核为3x3，步长为1的卷积层，卷积核为2x2的池化层；
[0035]
第五层：卷积核为1x1，步长为1的卷积层，卷积核为2x2的池化层；
[0036]
输出的每一层大小分别为128x128x64，64x64x128，32x32x256，16x16x512，8x8x1024。
[0037]
进一步，所述步骤5中卷积操作具体为：
[0038]
ss1：第六层先与第四层的输出拼接后，再经过卷积核5x5，步长为1的卷积层，卷积核为2x2的池化层；
[0039]
ss2：第七层先与第三层的输出拼接后，再经过卷积核3x3，步长为1的卷积层，卷积核为2x2的池化层；
[0040]
ss3：第八层先与第二层的输出拼接后，再经过卷积核为1x1，步长为1的卷积层，卷积核为2x2的池化层；
[0041]
ss4：第九层先与第一层的输出拼接后，再经过卷积核为3x3，步长为1的卷积层，卷积核为2x2的池化层；
[0042]
ss5：第十层：卷积核为1x1，步长为1的卷积层，卷积核为2x2的池化层；
[0043]
输出的每一层大小分别为16x16x512，32x32x256，64x64x128，128x128x64，256x256x3。
[0044]
进一步，所述步骤5中所述最后一层上采样层后连接全连接层作为输出。
[0045]
本发明具有以下有益效果：
[0046]
本发明采用灰度共生矩阵算法与深度学习算法unet结合的方式来提取陶瓷显微图像的气泡，灰度共生矩阵用于提取图像的纹理特征，矩阵能反映图像灰度关于方向，变化幅度等信息，可以分析图像的局部特征和其排列规则。unet是使用全卷积网络进行语义分割的算法之一，通过对训练数据进行弹性形变来扩充数据集，从而在少量的数据上也可以达到比较好的效果；克服了单一算法受采集光线影响的问题，解决了提取边缘不清晰的问题。
[0047]
进一步，将unet中3x3的卷积核改为5x5，3x3，1x1解决了只是用unet提取不充分，导致较小的气泡提取不到的问题，加强了算法的实用性。
[0048]
本发明的目的在于提供一种提取陶瓷显微图像气泡的方法，为陶瓷碎片年代鉴定，类别鉴定提供了一定的依据。
附图说明
[0049]
图1：算法流程图
[0050]
图2：unet网络架构图
[0051]
图3(a)：原图
[0052]
图3(b)：预处理后的图
[0053]
图4：灰度共生矩阵处理后的示意图
[0054]
图5：通过unet网络后的结果图
具体实施方式
[0055]
下面将结合本申请实施例中的附图，对实施例中的技术方案进行清楚、完整的描述。
[0056]
本发明提供一种基于灰度共生矩阵与unet模型结合的显微图像气泡提取方法，解决了单个unet模型在提取气泡时受对比度的影响导致小气泡提取不到的问题。
[0057]
整个算法流程图如图1所示，具体包括如下步骤：
[0058]
步骤1，通过显微照相机回去陶瓷碎片显微图像，本实例采用的设备是艾尼提wifi显微镜，可放大倍数为600倍，获取到的陶瓷显微图像；
[0059]
步骤2，通过高斯滤波对显微图像进行预处理，能够有效的抑制噪声，平滑图像。得到预处理以后的显微图像，其具体处理过程如下：
[0060]
s21：设置滑动窗口大小为3x3，取中心点为(x，y)；
[0061]
s22：设置卷积核以及权重σ，使用下面公式进行计算：
[0062][0063]
s23：遍历完整个图像，结束。
[0064]
处理前后的效果图如图3(a)和3(b)；
[0065]
步骤3，对获取到的图像，经过灰度共生矩阵，提取特征后得到的结果图，如图4，所示。
[0066]
对于输入的灰度图像，灰度等级为256。首先需要将灰度等级压缩到64；
[0067]
设置灰度共生矩阵θ为0
°
，45
°
和90
°
，步长为2，4。
[0068]
显微图像的灰度等级为64，所以它的共生矩阵大小为64x64。
[0069]
图像中的每一个像素点(x，y)，设置其滑动窗口大小为7x7
[0070]
在每一个滑动窗口中计算该点的灰度值为p1，以及对应的另一个像素点(x+δ，y+δ)，存在该点的灰度值为p2的次数，记录在矩阵m’中。
[0071]
最后将m’矩阵中的数据归一化为出现的概率概率分布，这样就得到了该点的灰度共生矩阵。
[0072]
将整个图像遍历完之后就会得到整个图像中所有像素点的共生矩阵。
[0073]
步骤4，对于计算出来出来的共生矩阵，利用纹理特征公式，计算出相应的纹理。
[0074]
步骤5：将处理后的图像输入到unet中进行气泡特征的提取包括：
[0075]
s51：将灰度共生矩阵处理后的图像大小进行调整，调整后的大小为256*256*3，将调整后的图像作为unet的输入
[0076]
s52：输入的图像先经过下采样层，下采样层为前五层：
[0077]
第一层：卷积核5x5，步长为1的卷积层，卷积核为2x2的池化层；
[0078]
第二层：卷积核3x3，步长为1的卷积层，卷积核为2x2的池化层；第三层：卷积核为1x1，步长为1的卷积层，卷积核为2x2的池化层；
[0079]
第四层：卷积核为3x3，步长为1的卷积层，卷积核为2x2的池化层；
[0080]
第五层：卷积核为1x1，步长为1的卷积层，卷积核为2x2的池化层；
[0081]
输出的每一层大小分别为128x128x64，64x64x128，32x32x256，16x16x512，
[0082]
8x8x1024。
[0083]
s53：通过下采样操作之后，进行上采样操作，与下采样中大小相同的图像拼接后再通过卷积操作：
[0084]
ss1：第六层先与第四层的输出拼接后，再经过卷积核5x5，步长为1的卷积层，卷积核为2x2的池化层；
[0085]
ss2：第七层先与第三层的输出拼接后，再经过卷积核3x3，步长为1的卷积层，卷积核为2x2的池化层；
[0086]
ss3：第八层先与第二层的输出拼接后，再经过卷积核为1x1，步长为1的卷积层，卷积核为2x2的池化层；
[0087]
ss4：第九层先与第一层的输出拼接后，再经过卷积核为3x3，步长为1的卷积层，卷积核为2x2的池化层；
[0088]
ss5：第十层：卷积核为1x1，步长为1的卷积层，卷积核为2x2的池化层；
[0089]
输出的每一层大小分别为16x16x512，32x32x256，64x64x128，128x128x64，256x256x3；
[0090]
s54：前九层卷积使用的是relu激活函数，最后一层使用sigmoid激活函数，损失函数使用的是交叉熵损失。
[0091]
图5为最后输出的结果图。
[0092]
参照上述实施例对本发明进行了详细说明，所述领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本权利要求范围当中。