一种基于边缘信息的材料晶粒组织分割方法与流程

本发明属于材料图像分割领域，，涉及一种基于边缘信息的材料晶粒组织分割方法，尤其涉及到一种以材料晶粒组织图像数据为基础，基于其边缘信息进行晶粒组织分割的方法。

背景技术：

在材料科学中，一种新型材料从最初的研发到最终的工程使用，往往要经历设计、实验验证、性能分析、材料制造等阶段，研发时间跨度非常之大，研发周期往往超过10年，原因在于材料的开发模式一直使用尝试-错误法。为了节省实验成本和研发周期，发达国家均在探索如何将超级计算机仿真技术、大数据技术、材料计算技术进行有机结合，实现在超级计算机中对新材料的开发进行模拟，缩短新材料的研发周期，促进材料产业技术的跨越式发展，加速材料科学的发展。

为了定量的描述材料微观组织结构和材料宏观性能的内在关系，急需研制材料空间组织的三维重建系统，三维图像重建往往和材料二维序列图像有着重要的关联，对于量级巨大的材料晶粒与二维图片，人为的分割或修复耗时耗力，因此需要一种能有效捕获晶粒组织图像轮廓信息，对材料晶粒组织分割效果较好的自动化方法。

材料晶粒组织的本质是由不同灰度级的一个个晶粒组成。由于晶粒取向不同而产生耐蚀性差异不同，会出现晶界灰度差异甚至晶界消失的现象，再加上切片图像上各个晶粒灰度值本身通常呈现出不同的灰度范围，因此选择一个好的分割算法尤为重要。

技术实现要素：

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于边缘信息的材料晶粒组织分割方法，针对材料晶粒组织图像呈现多灰度级的特点，旨在提供一种基于边缘信息的材料晶粒组织分割方法，能将晶粒边缘较为准确的分割出来，且具有很好的连续性。

首先结合图像局部和全局信息，求取待分割晶粒组织图像上每个像素不同不同方向上的最大相应，即输出边缘概率信息(能量图)，然后基于此构造多尺度晶粒组织图像并求取不同尺度下的能量图的平均值，然后将它们转化成一个个闭合的区域和边界，接着对这些区域和边界基于相似性做进一步融合与分层，最后通过合理设定阈值得到较为准确的边缘检测结果。

技术方案

一种基于边缘信息的材料晶粒组织分割方法，其特征在于步骤如下：

步骤1：对待分割晶粒组织图像610*610采用双三次插值分别缩放至460*460、390*390、320*320三个不同尺度，然后采用图像局部和全局信息的融合方法，分别得到不同尺度下的边缘能量图；

步骤2：然后采用双线性插值将390*390、320*320两种尺度下边缘能量图恢复为460*460大小，然后将恢复后的两个边缘能量图与之前得到的尺度为460*460边缘能量图进行平均计算得到融合后的边缘能量图；

步骤3：通过定向分水岭分割算法将融合后的边缘能量图转化为一个个区域和边界，将每个边界进行细分得到多个线段，计算每个线段的方向，并将其作为该线段对应弧上每个像素的方向，代入e(x,y,o(x,y))，重新计算每个弧的强度，以该弧的强度作为各个像素强度的平均值，即细节度最高的边界及区域；

步骤4：采用ucm合并算法，根据细节度最高的边界及区域，构造图模型g＝(p0,k0,w(k0))，其中p0、k0、w(k0)分别是作为节点的区域、连接区域的边、权重；权重w(k0)表示区域之间的差异度；按照差异性升序排列，相邻的两区域的进行合并，进而完成层级树的构造。

所述步骤1的图像局部和全局信息的融合方法、步骤3的定向分水岭分割算法，以及步骤4的采用ucm合并算法采用文献arbeláez,p.,mairem.,fowlkesc.,etal.contourdetectionandhierarchicalimagesegmentation[j].ieeetransactionsonpatternanalysis&machineintelligence,2011,33(5):898-916.中描述的方法。

有益效果

本发明提出的一种基于边缘信息的材料晶粒组织分割方法，首先对待分割晶粒组织图像通过轮廓检测器将多个局部信息结合到基于光谱聚类的全局框架中，然后通过构造多尺度下的晶粒组织图像进而获取融合后的边缘能量图，接着采用定向分水岭算法得到区域和边界，最后对得到区域和边界进行差异性分层得到细致程度不同的分割结果，进而可以从中选取较为理想的分割图像。实验验证了本发明能够对晶粒组织图像进行有效的分割，边界连续性好，准确率高，因此具有良好的实用价值及应用前景。

附图说明

图1：本发明方法流程图

图2：晶粒组织图像分割过程中多尺度融合示意图

图3：其中一幅材料晶粒组织图像(a)及本发明在门限k＝0.09下的晶粒组织分割结果(b)。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

具体实施例：实验采用卡耐基梅隆大学提供的镍基高温合金in100数据集作为晶粒组织提取的原始数据，图像分辨率为610x610。

步骤1、对原始图像(610*610)采用双三次插值分别缩放至(460*460)、(390*390)、(320*320)三个不同尺度，然后通过下述步骤分别得到不同尺度下的边缘能量图。

对晶粒组织图像中的每一个像素，以其为圆心作圆，并用倾斜角为θ的直径将圆形划分为两个区域，并对每个区域做直方图统计，将得到的两个区域的数据代入下式，

其中g(i)、h(i)表示两个直方图统计对应的数据，χ²(g,h)，即为g(x,y,θ)在θ方向的梯度幅值。然后按传统pb算法将晶粒组织图像四个不同的特征通道，前三个通道基于cie空间，第四个通道为纹理通道，分别计算这四个通道在三个不同直径(δ/2,δ,2δ)下的g(x,y,θ)，然后进行加权求和得到不同直径下的g(x,y,θ)。公式为，

其中i代表不同通道，s代表不同直径，α表示不同直径长度下每一个特征通道的权重，根据伯克利bsds500分割数据集优化计算得到。

然后求对称矩阵wij，其中每一个元素通过下式计算，

其中，i、j表示距离不超过半径r(r＝5)的像素，p是两个像素连线上的任意一点，找到线段上存在的像素最大权值，ρ为常数(ρ＝0.1)。通过dii＝∑jwij得到矩阵d，根据下式，

(d-w)v＝λdv

得到前n+1个特征向量，其中n＝16，然后把每一个特征向量看作一副图像，使用高斯方向导数滤波器对其进行卷积操作，得到▽θvk(x,y)，代入下式，得到全局意义上的梯度，

最终的带方向边缘权重信号可有下式得到，

其中，β、γ由伯克利bsds500分割数据集优化计算得到。然后对gpb(x,y,θ)值作sigmoid函数变换，归一化至[0,1]。

针对每一个像素的gpb(x,y,θ)，代入[0,π]的八个方向，求其最大值作为边缘概率e(x,y)。

步骤2：然后采用双线性插值将(390*390)、(320*320)两种尺度下边缘能量图恢复为(460*460)大小，然后将恢复后的两个边缘能量图与之前得到的尺度为460*460边缘能量图进行平均计算得到融合后的边缘能量图；

步骤3：通过定向分水岭分割算法将融合后的边缘能量图转化为一个个区域和边界，将每个边界进行细分得到多个线段，计算每个线段的方向，并将其作为该线段对应弧上每个像素的方向，代入e(x,y,o(x,y))，重新计算每个弧的强度，以该弧的强度作为各个像素强度的平均值，即细节度最高的边界及区域；

步骤4：通过上述步骤可得到细节度最高的边界及区域集合，为了进一步获得符合人类视觉的闭合、无自相交、带权重的晶粒组织图像分割结果，这里采用差异化分层策略。首先，由上一步输出的细节度最高的边界及区域(最低层级)通常包含很多弱边缘，因此往往会造成过分割；其次，最高层级分割结果通常仅包含强边缘，从而导致欠分割，因此通过差异化分层算法可以根据实际问题在最低层级与最高层级之间进行权衡以取得尽可能好的结果。

采用ucm合并算法，根据细节度最高的边界及区域，构造图模型g＝(p0,k0,w(k0))，其中p0、k0、w(k0)分别是作为节点的区域、连接区域的边、权重；权重w(k0)表示区域之间的差异度；按照差异性升序排列，相邻的两区域的进行合并，进而完成层级树的构造。

过程为：

(1)选择具有最小权值的轮廓，即

(2)设r1、r2∈p0被最小权值边界c^*连接。

(3)合并r1、r2，即令r＝r1∪r2，更新合并后的区域及边界，即p0\{r1，r2}∪{r}→p0，k0\{c^*}→k0。

(4)直到剩余最后一个区域，否则更新权值并重复以上过程。

(5)基于上述步骤，通过设定不同的门限k，即可得到细致程度不同的分割结果，并保存较为理想的分割结果。

通过大量实验发现，对上述多尺度边缘能量图进行融合，可以在一定程度上提高晶粒组织图像分割的准确度。