[发明专利]一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法

说明书

本发明公开了一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，首先通过卷积神经网络输出图像轮廓；其次利用鲁棒分水岭变换实现图像中晶粒的预分割，解决了相关技术分水岭算法存在的过分割以及分割区域个数与轮廓精度难以平衡的问题；最后根据卷积神经网络输出的图像轮廓对预分割结果进行优化，本发明利用鲁棒分水岭变换联合卷积神经网络来构建分割模型，能够实现陶瓷材料晶粒尺寸的自动测量，而且具有较高的计算效率和准确性，在基于扫描电镜图像的陶瓷材料分析领域具有广泛的应用前景。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法。

背景技术

陶瓷是一种多晶材料，研究人员通常利用扫描电子显微镜(Scanning ElectronMicroscope,SEM)对陶瓷样品扫描成像，通过分析图像中晶粒的尺寸分布来估计陶瓷材料样品的物理属性。扫描电子显微镜的工作原理是通过高压将电子束打在样品表面，电子与样品表面材料相互作用产生电信号，对电信号接收处理后显示成像结果。陶瓷材料的SEM图像由材料区域(即晶粒)和晶粒间的空隙(即晶界)组成，由于陶瓷是一种绝缘材料，不具备导电的性质，在成像时容易被高压电击穿。为了避免此类情况，需要控制晶粒尺寸尽可能小，即同样大小的面积内存在更多的晶界，使高压电从晶界导出，保护陶瓷样本不被击穿。然而晶粒尺寸直接决定了陶瓷材料的性能，因此需要统计SEM图像中晶粒尺寸大小的分布情况，便于得到实验条件与晶粒尺寸之间的分布关系，进而间接构建实验条件与材料性能之间的对应关系。当前，SEM图像中的晶粒分析主要依靠人工手段，测量结果具有明显的局限性：首先，一幅图像中晶粒个数众多，人工统计耗时耗力，测量难度大、效率低；其次，晶粒大小形状不规则，人工测量易受主观因素影响导致结果不准确。因此如何提高工作效率以及晶粒尺寸测量的准确性仍然是一个具有挑战性的课题。

为了获取陶瓷材料的晶粒尺寸分布，首先需要分析陶瓷材料的SEM图像，该类图像具有以下几个特点：图像边缘信息丰富但纹理信息缺失，图像中的晶粒大小不均匀且形状不规则，图像的对比度较低。基于上述特点，利用图像分割技术实现对晶粒的分割，然后统计晶粒的大小分布是一种可行的方法。常用的图像分割方法分为无监督图像分割方法和有监督图像分割方法。

无监督图像分割方法包含基于像素的图像分割方法、基于轮廓的图像分割方法和基于区域的图像分割方法。在无监督图像分割算法中，基于像素分类的图像分割、基于区域信息的图像分割都依赖于图像的纹理特征，而陶瓷材料SEM图像中的纹理信息缺失，导致这两类方法难以实现有效的图像分割。鉴于此类图像边缘信息丰富，我们将采用基于轮廓的图像分割策略。在此类方法中，分水岭是最为流行的一种算法。然而传统的分水岭变换对噪声敏感，分割结果存在过分割问题，为了解决这个问题，学者们提出了形态学重建算法，通过腐蚀和膨胀运算修正梯度图像，再对修正后的梯度图像进行分水岭变换，达到克服过分割问题的目的。相关技术的形态学重建算法(Adaptive Morphological Reconstruction,AMR)通过对梯度图像执行组合形态学开闭运算，在保持大的目标不被平滑的同时有效滤除小目标，可以得到很好地重建效果。但是该算法的重建结果受梯度重建的结构元参数r影响较大，如果r取值较小，分割结果仍然存在过分割，如果r取值较大，结构元素对梯度的平滑导致分割结果的轮廓精度较低。

随着深度学习的不断快速发展，图像语义分割越来越受到学者们的关注。与传统的图像分割不同，图像语义分割本质上是对图像的像素进行分类，将输入图像中的每个像素分配一个语义类别，以得到像素化的密集分类。针对图像的轮廓预测，相关技术采用富卷积特征网络(Richer Convolutional Features,RCF)，该网络在每一个卷积层都计算其损失函数，且将所有层的特征信息进行融合得到最终的特征，其中深层次的特征可以输出更多的轮廓信息，浅层次的特征可以为深层次特征补充细节。但是由于SEM图像具有非常高的分辨率，现有图像分割算法对SEM图像分割耗时较长，并且SEM图像采集设备高昂，很难像常规图像一样形成海量数据集，因此难以直接利用深度卷积神经网络实现端到端的目标分割。所以如何快速获得陶瓷材料SEM图像的准确分割结果还需进一步研究。

发明内容