一种排除析出相干扰的金相显微图像分析方法及装置

1.本发明涉及金相图像分析技术领域，特别涉及一种排除析出相干扰的金相显微图像分析方法及装置。


背景技术：

2.在材料科学领域的研究中，材料的微观结构在对于材料的加工处理技术，组织发展，物理和力学性质等方面的研究中发挥着不可替代的作用。材料微观结构的科学定量表征是材料科学领域内的核心问题。
3.近年来，材料科学和人工智能的学科交叉研究得到了世界各国的高度重视。由于依赖于人工经验性的分析和信息提取会导致材料显微结构的重要信息的遗漏，且材料的微观结构通常以非结构化图像数据的形式呈现，所以通过计算机视觉领域的图像分割方法准确智能地提取材料显微图像中的微观结构信息已经成为计算机科学与材料科学间交叉研究的热点方向。而采用基于深度学习的图像分割方法，在传统方法学习到的低维特征的基础之上，进一步学习材料显微图像的拓扑结构，能够更加准确且高效地提取材料图像中的关键信息，是当下研究的热门趋势。
4.然而针对金相图像分析任务，其晶粒生长过程中会在晶粒边界处产生析出相，容易导致基于深度学习的金相分割模型将析出相边界错误地认为是晶粒晶界，影响后续的晶界重建效果。因此迫切需要一种矫正方法排除析出相的干扰，获得正确的分割结果。


技术实现要素：

5.本发明提供了一种排除析出相干扰的金相显微图像分析方法及装置，以解决现有的晶粒边界分割方法将析出相边界误识别为晶粒边界的技术问题。
6.为解决上述技术问题，本发明提供了如下技术方案：
7.一方面，本发明提供了一种排除析出相干扰的金相显微图像分析方法，所述排除析出相干扰的金相显微图像分析方法包括：
8.基于预设晶界分割模型，获取金相材料显微图像的晶界分割结果；
9.基于预设析出相分割模型，获取金相材料显微图像的析出相分割结果；
10.基于所述晶界分割结果和所述析出相分割结果，筛选出错分晶粒；其中，所述错分晶粒指的是所述晶界分割结果中将析出相误识别为晶粒的情况；
11.对所述错分晶粒进行矫正，合成正确分割结果。
12.进一步地，所述基于预设晶界分割模型，获取金相材料显微图像的晶界分割结果，包括：
13.采用预设晶界分割模型，获取金相材料显微图像的晶界预分割结果；
14.对所述晶界预分割结果进行后处理，将晶界处理至完整、闭合且边界宽度一致，得到晶界分割结果；其中，所述后处理包括膨胀、腐蚀及骨架化操作。
15.进一步地，所述基于预设析出相分割模型，获取金相材料显微图像的析出相分割
结果，包括：
16.采用预设析出相分割模型，获取金相材料显微图像的析出相预分割结果；
17.对所述析出相预分割结果进行后处理，滤除所述析出相预分割结果中的小目标噪声，并去除所述析出相预分割结果内部出现的小空隙；其中，所述后处理包括噪声滤除、膨胀及腐蚀操作。
18.进一步地，基于所述晶界分割结果和所述析出相分割结果，筛选出错分晶粒，包括：
19.采用联通区域划分方法对所述晶界分割结果进行分析，得到晶粒子集；
20.采用联通区域划分方法对所述析出相分割结果进行分析，得到析出相子集；
21.将所述晶粒子集中的晶粒逐一地与所述析出相子集中的析出相进行匹配，若晶粒与析出相的面积重合度高于预设阈值，则认为二者匹配成功；
22.将所有匹配成功的晶粒标识为错分晶粒。
23.进一步地，对所述错分晶粒进行矫正，合成正确分割结果，包括：
24.基于当前错分晶粒与其周围晶粒的关系，对于每个错分晶粒，找到与其相邻近的所有非错分晶粒；
25.采用预设重分配策略将所述错分晶粒所占像素分配给所述非错分晶粒；其中，所述预设重分配策略为分水岭和图割中的任意一种或多种的组合。
26.另一方面，本发明还提供了一种排除析出相干扰的金相显微图像分析装置，所述排除析出相干扰的金相显微图像分析装置包括：
27.晶界提取模块，用于基于预设晶界分割模型，获取金相材料显微图像的晶界分割结果；
28.析出相提取模块，用于基于预设析出相分割模型，获取金相材料显微图像的析出相分割结果；
29.错分晶粒筛选模块，用于基于所述晶界提取模块输出的晶界分割结果和所述析出相提取模块输出的析出相分割结果，筛选出错分晶粒；其中，所述错分晶粒指的是所述晶界分割结果中将析出相误识别为晶粒的情况；
30.错分晶粒重分配模块，用于对所述错分晶粒进行矫正，合成正确分割结果。
31.进一步地，所述晶界提取模块具体用于：
32.采用预设晶界分割模型，获取金相材料显微图像的晶界预分割结果；
33.对所述晶界预分割结果进行后处理，将晶界处理至完整、闭合且边界宽度一致，得到晶界分割结果；其中，所述后处理包括膨胀、腐蚀及骨架化操作。
34.进一步地，所述析出相提取模块具体用于：
35.采用预设析出相分割模型，获取金相材料显微图像的析出相预分割结果；
36.对所述析出相预分割结果进行后处理，滤除所述析出相预分割结果中的小目标噪声，并去除所述析出相预分割结果内部出现的小空隙；其中，所述后处理包括噪声滤除、膨胀及腐蚀操作。
37.进一步地，所述错分晶粒筛选模块具体用于：
38.采用联通区域划分方法对所述晶界分割结果进行分析，得到晶粒子集；
39.采用联通区域划分方法对所述析出相分割结果进行分析，得到析出相子集；
40.将所述晶粒子集中的晶粒逐一地与所述析出相子集中的析出相进行匹配，若晶粒与析出相的面积重合度高于预设阈值，则认为二者匹配成功；
41.将所有匹配成功的晶粒标识为错分晶粒。
42.进一步地，所述错分晶粒重分配模块具体用于：
43.基于当前错分晶粒与其周围晶粒的关系，对于每个错分晶粒，找到与其相邻近的所有非错分晶粒；
44.采用预设重分配策略将所述错分晶粒所占像素分配给所述非错分晶粒；其中，所述预设重分配策略为分水岭和图割中的任意一种或多种的组合。
45.再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
46.又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
47.本发明提供的技术方案带来的有益效果至少包括：
48.本发明通过对金相材料显微图像进行初步分割，得到晶界和析出相预分割结果；然后根据晶界预分割结果和析出相预分割结果，基于析出相与晶粒的重叠度筛选出需要矫正的错分晶粒，最后基于当前错分晶粒和周围晶粒的关系，采用重分配策略将错分晶粒所占像素分配给非错分晶粒，以矫正将析出相边界误识别为晶界的问题。从而提高了晶界分割准确度。实现了高效提取金相材料显微图像中晶界和析出相的分割结果，同时进一步矫正了由于析出相遮挡导致的晶界错分割问题，有效提高了分割结果，实现高效率、高精度的分割效果。
附图说明
49.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
50.图1是本发明实施例提供的排除析出相干扰的金相显微图像分析方法的执行流程示意图；
51.图2是镍基高温合金显微图像原图-晶界-析出相示意图；其中，(a)为镍基高温合金显微图像原图示意图；(b)为镍基高温合金显微图像晶界标注示意图；(c)镍基高温合金显微图像析出相标注示意图；
52.图3是本发明实施例提供的晶界/析出相分割网络的结构示意图；
53.图4是进行析出相错分边界矫正效果前后效果示意图；
54.图5是本发明实施例提供的排除析出相干扰的金相显微图像分析装置框图。
具体实施方式
55.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
56.第一实施例
57.针对现有的晶粒边界分割方法将析出相边界误识别为晶粒边界的问题，本实施例提供了一种排除析出相干扰的金相显微图像分析方法，实现了针对存在析出相遮挡问题的金相显微图像的晶界、析出相分割和错分晶粒矫正的后处理。该方法可以由电子设备实现。该方法的执行流程如图1所示，包括以下步骤：
58.s1，基于预设晶界分割模型，获取金相材料显微图像的晶界分割结果；
59.具体地，在本实施例中，上述s1的实现过程如下：
60.s11，采用预设晶界分割模型，获取金相材料显微图像的晶界预分割结果；
61.其中，需要说明的是，晶界分割模型用于提取金相材料显微图像中晶界部分。其可以采用边缘检测模型、阈值分割模型或深度学习模型中的任意一种。
62.在本实施例中，由于医学图像和材料图像都存在语义简单、结构单一、以及数据集较小的特点，因此，本实施例采用了经典的图像分割网络u-net来进行图像分割，其中，u型网络和特征图拼接的设计可以充分利用小数据集中的语义信息，从而准确确定图像中的晶界部分，当然可以理解的是，此仅为本实施例的优选设计，本实施例并不限定晶界分割模型的具体类型。
63.s12，对所述晶界预分割结果进行后处理，将晶界处理至完整、闭合且边界宽度一致，得到晶界分割结果；其中，后处理包括膨胀、腐蚀及骨架化操作；
64.其中，需要说明的是，晶界常规后处理方法的处理过程为：对晶界分割模型输出的晶界预分割结果进行膨胀处理，连接分割不完整的晶界，然后通过腐蚀、骨架化操作晶界处理至边界宽度一致，再适度均匀膨胀晶界，便于肉眼观察矫正和之后进行晶粒的重建。另针对晶界预测不完整导致的枝杈问题，采用单个晶粒膨胀的剪枝方法，对晶界枝杈部分进行去除，得到完整、闭合的晶界。
65.具体地，在本实施例中，晶界分割网络的输入图像为镍基高温合金材料显微图像，标注图像为晶界标注。如图2所示，图2中的(a)为镍基高温合金材料显微图像的原图，图2中的(b)为其对应的由专家标注的图像晶界部分，图2中的(c)为其对应的由专家标注的图像析出相部分。如图2中的(a)所示，图中存在较为明显的析出相对晶界的遮挡现象，并且存在析出相边界和晶界相似度较高的问题。在本实施例中，所使用的数据集总共包括20张，像素值为2048*2048的原始数据集，按照训练集:验证集:测试集＝7:1:2的比例进行数据划分。
66.在网络训练过程中，首先进行数据预处理操作。将输入的灰度材料显微图像进行预处理，包括裁剪、缩放和归一化等操作，以便于后续网络的训练和优化。然后构建图像分割网络。在本实施例中，采用u-net网络架构，其包括编码器和解码器两部分，如图3所示。编码器由多个卷积层和池化层组成，用于提取图像特征。解码器由多个上采样层和卷积层组成，用于将特征图映射回原始图像进行分割。在u-net网络中，编码器可以逐渐缩小特征图的大小，以提取图像深层次特征信息，解码器通过上采样和特征图拼接的方式，逐渐恢复特征图的大小，并进行图像分割。在网络训练过程中，利用已经标注好的分割标签数据，对u-net网络进行监督式学习，采用平衡交叉熵损失函数来计算网络预测值与真实标签之间的误差，学习率设置为0.0001，采用adam优化器进行参数优化，epoch最大设置为100，损失函数使用balanced cross-entropy(bce)loss，其中，bce loss函数公式如下：
[0067][0068]
其中，是网络输出的分割预测图，y
*
为真值图像。β参数是用来平衡正样本和负样本的因子，β的公式如下：
[0069][0070]
最后进行分割预测。对新的灰度材料显微图像进行分割预测时，将图像输入已经训练好的u-net网络中，网络将输出分割结果。然后通过二值化处理，将输出图像分为背景和前景两部分，从而实现对目标区域的准确分割。
[0071]
在晶界分割结果后处理部分，本实施例首先进行膨胀处理操作。对晶界分割网络直接输出的图像进行膨胀处理，以连接分割不完整的晶界。膨胀是一种图像处理中常用的形态学操作，它可以将二值图像中的前景物体进行膨胀，使其扩大，从而连接相邻的晶界。通过膨胀处理，可以将晶界的断裂部分连接起来，保证晶界的完整性。然后对膨胀后的晶界进行骨架化处理。骨架化是一种图像处理中常用的形态学操作，它可以将二值图像中的前景物体变成其骨架，获得具体的边界形状，从而方便后续处理。在本实施例中，通过骨架化处理，可以将晶界处理至边界宽度一致，方便之后进行晶粒的重建。此外，本实施例还针对晶界预测不完整导致的枝杈问题，采用单个晶粒先膨胀后腐蚀处理的剪枝方法，对枝杈进行去除，得到完整、闭合的晶界。该方法可以保证晶界的准确性和连续性，提高晶粒重建的精度和可靠性。最后再对晶界进行适度的膨胀，以方便肉眼的筛查和矫正。
[0072]
s2，基于预设析出相分割模型，获取金相材料显微图像的析出相分割结果；
[0073]
具体地，在本实施例中，上述s2的实现过程如下：
[0074]
s21，采用预设析出相分割模型，获取金相材料显微图像的析出相预分割结果；
[0075]
其中，需要说明的是，析出相分割模型用于提取金相材料显微图像中析出相部分。其可以是边缘检测模型、阈值分割模型或深度学习模型中的任意一种。在本实施例中，所用的析出相分割模型与晶界分割模型相同，均为u-net网络。此外，由于析出相存在分布较紧密，分割结果容易粘连的特性，在具体训练过程中，本实施例采用了u-net网络中提出的loss函数，依据边界远近进行了加权，将靠近边界处置以较高权重，得到更加精确的单个析出相分割结果。
[0076]
s22，对所述析出相预分割结果进行后处理，滤除所述析出相预分割结果中的小目标噪声，并去除所述析出相预分割结果内部出现的小空隙；其中，所述后处理包括噪声滤除、膨胀及腐蚀操作；
[0077]
其中，需要说明的是，析出相常规后处理方法的作用在于：滤除析出相分割模型直接输出的结果图中的小目标噪声，通过腐蚀、膨胀的方法，去除析出相内部出现的小空隙，从而提高析出相的分割精度。
[0078]
具体地，在本实施例中，析出相分割网络的输入图像为镍基高温合金材料显微图像，标注图像为析出相标注，如图2所示，所采用的图像处理方法与晶界分割过程相同，如图3所示。
[0079]
在训练过程中，学习率设置为0.0001，采用adam优化器进行参数优化，epoch最大
设置为100。由于析出相存在相互邻接、容易粘连的特点，在训练过程的损失函数选择上，本实施例采用了u-net loss，对目标的边界区域进行加权，来实现不同析出相之间分离的训练效果，u-net loss函数公式如下：
[0080][0081]
其中，l:ω
→
{1,...,k}是每个像素的真实标签，ω:ω
→
r是一个权重映射图，用来赋予一些像素在训练中更重要的地位。
[0082][0083]
其中，ωc:ω
→
r是平衡类频率的权重映射，d1:ω
→
r表示到最近析出相边界的距离，d2:ω
→
r表示到第二个最近细胞边界的距离。
[0084]
在本实例中，设定ω0＝10像素，σ≈5像素。
[0085]
在析出相分割结果后处理部分，由于析出相的大小相对比较均匀，不存在过小的析出相问题，因此，本实施例首先采用连通域过滤的方法，统计析出相预分割结果中较小的连通域区域，将其作为错误分割的噪声滤除；然后针对每一个析出相内部分割不完全的问题，标记各个析出相个体，通过对每个析出相个体进行先膨胀后腐蚀的操作，来消除内部未完全分割区域；最后采用先腐蚀后小幅度膨胀的操作，将可能粘连的析出相进一步分离。
[0086]
s3，基于所述晶界分割结果和所述析出相分割结果，筛选出错分晶粒；其中，所述错分晶粒指的是所述晶界分割结果中将析出相误识别为晶粒的情况；
[0087]
具体地，在本实施例中，上述s3的实现过程如下：
[0088]
s31，采用联通区域划分方法对所述晶界分割结果进行分析，得到晶粒子集；
[0089]
s32，采用联通区域划分方法对析出相分割结果进行分析，得到析出相子集；
[0090]
s33，将所述晶粒子集中的晶粒逐一地与所述析出相子集中的析出相进行匹配，若晶粒与析出相的面积重合度高于预设阈值，则认为二者匹配成功；
[0091]
s34，将所有匹配成功的晶粒标识为错分晶粒；
[0092]
其中，需要说明的是，上述s3是根据析出相分割结果，对每一个析出相所覆盖的晶粒区域进行判断，如果当前析出相和晶粒重叠度超过设定阈值t，说明该析出相对晶界识别造成了干扰，此时判定对应晶粒为将析出相误识别为晶粒的错分晶粒，对此，需要针对此晶粒进行下一步的重新分割。
[0093]
基于上述，在本实施例中，s3的具体处理过程如下：
[0094]
首先，对晶界预测结果进行反转，得到晶粒效果图像，然后对每个晶粒进行序号标记，得到晶粒集g1～gm；对于预测析出相图像也进行同样的序号标记处理，得到析出相子集x1～xn。对于标记好的析出相图像和晶粒图像，遍历所有析出相，对于析出相xi，统计其在晶粒分割图像上所有存在面积重叠区域的晶粒，得到对应晶粒子集然后遍历所有与析出相xi存在面积重叠的区域，判断当前晶粒是否为析出相错误分割结果。对每个重叠晶粒计算其与析出相xi的iou指标，在本实施例中，iou定义如下：
[0095][0096]
如果iou小于重叠度阈值t，则认为当前晶粒为正常分割，继续进行对下一个重叠晶粒的判断；反之，认为当前晶粒为析出相误识别，然后对其进行重新分配。在本实施例中，通过多次实验效果测定，阈值t的设定为0.9。
[0097]
s4，对所述错分晶粒进行矫正，合成正确分割结果；
[0098]
其中，在本实施例中，上述s4的实现过程如下：
[0099]
针对通过上述s3判断得到的错分晶粒，对该晶粒周围晶粒信息进行提取，基于当前错分晶粒和周围晶粒的关系，采用重分配策略将错分晶粒所占像素分配给所述非错分晶粒，以矫正将析出相边界误识别为晶界的问题，提高晶界分割准确度。其中，所述重分配策略可包括分水岭、图割等方法中的一种或多种。
[0100]
具体地，在本实施例中，对s3判断得到的需要重新分割的晶粒区域进行重新分配的过程具体为：首先，确定待分割晶粒以及其重叠的析出相xk的区域。然后，通过对析出相xk和晶粒两者覆盖区域进行扩充区域计算，然后根据扩充区域位置对原始晶粒分割结果进行矩形裁剪，来确定相关非错分晶粒和进行重分配后处理的操作区域。在进行目标区域裁剪时需记录裁剪位置(在本实例中，记录值为矩形左上角坐标x，y)和裁剪大小(在本实施例中，记录值为矩形宽度w，高度h)以便后期将处理结果拼接回原始分割结果中。其中，需要说明的是，在本实施例中，扩充区域为在析出相xk和晶粒两者覆盖区域的bounding_box区域上下左右各扩充10像素实现。扩充区域选取标准为包括待分割晶粒和其邻接晶粒子集，本实施例并不限定扩充区域选取的具体方法。
[0101]
然后从裁剪后的目标区域中去除晶粒即将晶粒区域标记值设为背景(label＝0)。然后对原晶粒区域采用重分配策略将错分晶粒所占像素分配给所述非错分晶粒。其中，所述重分配策略可包括分水岭、图割等一种或多种。
[0102]
在本实施例中，重分配操作通过分水岭操作实现。分水岭算法流程如下：
[0103]
首先，把梯度图像中的所有像素按照灰度值进行分类，并设定一个测地距离阈值。然后，找到灰度值最小的像素点(默认标记为灰度值最低点)，让阈值从最小值开始增长，这些点为起始点。然后，水平面在增长的过程中，会碰到周围的邻域像素，测量这些像素到起始点(灰度值最低点)的测地距离，如果小于设定阈值，则将这些像素淹没，否则在这些像素上设置大坝，这样就对这些邻域像素进行了分类。最后，随着水平面越来越高，会设置更多更高的大坝，直到灰度值的最大值，所有区域都在分水岭线上相遇，这些大坝就对整个图像像素的进行了分区。
[0104]
重分配之后的图像已经实现了将错分晶粒区域重新分配给相关未错分晶粒的操作。最后针对重新分割的局部图像，依据之前裁剪时存下的x，y坐标值，以及局部宽度w，高度h，将处理之后的图像拼接回原始图像中。
[0105]
通过重复执行s3～s4，对所有析出相及其重叠晶粒全部遍历、筛选、重新分割并拼接结束，即可以完成本方法的完整处理过程。最终矫正效果如图4所示。
[0106]
综上，本实施例提供了一种排除析出相干扰的金相显微图像分析方法，该方法通过对金相材料显微图像进行初步分割，得到晶界和析出相预分割结果；然后根据晶界预分割结果和析出相预分割结果，基于析出相与晶粒的重叠度筛选出需要矫正的错分晶粒，最后基于当前错分晶粒和周围晶粒的关系，采用重分配策略将错分晶粒所占像素分配给非错分晶粒，以矫正将析出相边界误识别为晶界的问题。从而提高了晶界分割准确度。实现了高效提取金相材料显微图像中晶界和析出相的分割结果，同时进一步矫正了由于析出相遮挡导致的晶界错分割问题，有效提高了分割结果，实现高效率、高精度的分割效果。
[0107]
第二实施例
[0108]
本实施例提供了一种排除析出相干扰的金相显微图像分析装置，该排除析出相干扰的金相显微图像分析装置的系统结构如图5所示，包括以下模块：
[0109]
晶界提取模块，用于基于预设晶界分割模型，获取金相材料显微图像的晶界分割结果；
[0110]
析出相提取模块，用于基于预设析出相分割模型，获取金相材料显微图像的析出相分割结果；
[0111]
错分晶粒筛选模块，用于基于所述晶界提取模块输出的晶界分割结果和所述析出相提取模块输出的析出相分割结果，筛选出错分晶粒；其中，所述错分晶粒指的是所述晶界分割结果中将析出相误识别为晶粒的情况；
[0112]
错分晶粒重分配模块，用于对所述错分晶粒进行矫正，合成正确分割结果。本实施例的排除析出相干扰的金相显微图像分析装置与上述第一实施例的排除析出相干扰的金相显微图像分析方法相对应；其中，本实施例的排除析出相干扰的金相显微图像分析装置中的各功能模块所实现的功能与上述排除析出相干扰的金相显微图像分析方法中的各流程步骤一一对应；故，在此不再赘述。
[0113]
第三实施例
[0114]
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
[0115]
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
[0116]
第四实施例
[0117]
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是rom、随机存取存储器、cd-rom、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
[0118]
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
[0119]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0120]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0121]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0122]
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

技术特征：
1.一种排除析出相干扰的金相显微图像分析方法，其特征在于，包括：基于预设晶界分割模型，获取金相材料显微图像的晶界分割结果；基于预设析出相分割模型，获取金相材料显微图像的析出相分割结果；基于所述晶界分割结果和所述析出相分割结果，筛选出错分晶粒；其中，所述错分晶粒指的是所述晶界分割结果中将析出相误识别为晶粒的情况；对所述错分晶粒进行矫正，合成正确分割结果。2.如权利要求1所述的排除析出相干扰的金相显微图像分析方法，其特征在于，所述基于预设晶界分割模型，获取金相材料显微图像的晶界分割结果，包括：采用预设晶界分割模型，获取金相材料显微图像的晶界预分割结果；对所述晶界预分割结果进行后处理，将晶界处理至完整、闭合且边界宽度一致，得到晶界分割结果；其中，所述后处理包括膨胀、腐蚀及骨架化操作。3.如权利要求1所述的排除析出相干扰的金相显微图像分析方法，其特征在于，所述基于预设析出相分割模型，获取金相材料显微图像的析出相分割结果，包括：采用预设析出相分割模型，获取金相材料显微图像的析出相预分割结果；对所述析出相预分割结果进行后处理，滤除所述析出相预分割结果中的小目标噪声，并去除所述析出相预分割结果内部出现的小空隙；其中，所述后处理包括噪声滤除、膨胀及腐蚀操作。4.如权利要求1所述的排除析出相干扰的金相显微图像分析方法，其特征在于，基于所述晶界分割结果和所述析出相分割结果，筛选出错分晶粒，包括：采用联通区域划分方法对所述晶界分割结果进行分析，得到晶粒子集；采用联通区域划分方法对所述析出相分割结果进行分析，得到析出相子集；将所述晶粒子集中的晶粒逐一地与所述析出相子集中的析出相进行匹配，若晶粒与析出相的面积重合度高于预设阈值，则认为二者匹配成功；将所有匹配成功的晶粒标识为错分晶粒。5.如权利要求1所述的排除析出相干扰的金相显微图像分析方法，其特征在于，对所述错分晶粒进行矫正，合成正确分割结果，包括：基于当前错分晶粒与其周围晶粒的关系，对于每个错分晶粒，找到与其相邻近的所有非错分晶粒；采用预设重分配策略将所述错分晶粒所占像素分配给所述非错分晶粒；其中，所述预设重分配策略为分水岭和图割中的任意一种或多种的组合。6.一种排除析出相干扰的金相显微图像分析装置，其特征在于，包括：晶界提取模块，用于基于预设晶界分割模型，获取金相材料显微图像的晶界分割结果；析出相提取模块，用于基于预设析出相分割模型，获取金相材料显微图像的析出相分割结果；错分晶粒筛选模块，用于基于所述晶界提取模块输出的晶界分割结果和所述析出相提取模块输出的析出相分割结果，筛选出错分晶粒；其中，所述错分晶粒指的是所述晶界分割结果中将析出相误识别为晶粒的情况；错分晶粒重分配模块，用于对所述错分晶粒进行矫正，合成正确分割结果。7.如权利要求6所述的排除析出相干扰的金相显微图像分析装置，其特征在于，所述晶
界提取模块具体用于：采用预设晶界分割模型，获取金相材料显微图像的晶界预分割结果；对所述晶界预分割结果进行后处理，将晶界处理至完整、闭合且边界宽度一致，得到晶界分割结果；其中，所述后处理包括膨胀、腐蚀及骨架化操作。8.如权利要求6所述的排除析出相干扰的金相显微图像分析装置，其特征在于，所述析出相提取模块具体用于：采用预设析出相分割模型，获取金相材料显微图像的析出相预分割结果；对所述析出相预分割结果进行后处理，滤除所述析出相预分割结果中的小目标噪声，并去除所述析出相预分割结果内部出现的小空隙；其中，所述后处理包括噪声滤除、膨胀及腐蚀操作。9.如权利要求6所述的排除析出相干扰的金相显微图像分析装置，其特征在于，所述错分晶粒筛选模块具体用于：采用联通区域划分方法对所述晶界分割结果进行分析，得到晶粒子集；采用联通区域划分方法对所述析出相分割结果进行分析，得到析出相子集；将所述晶粒子集中的晶粒逐一地与所述析出相子集中的析出相进行匹配，若晶粒与析出相的面积重合度高于预设阈值，则认为二者匹配成功；将所有匹配成功的晶粒标识为错分晶粒。10.如权利要求6所述的排除析出相干扰的金相显微图像分析装置，其特征在于，所述错分晶粒重分配模块具体用于：基于当前错分晶粒与其周围晶粒的关系，对于每个错分晶粒，找到与其相邻近的所有非错分晶粒；采用预设重分配策略将所述错分晶粒所占像素分配给所述非错分晶粒；其中，所述预设重分配策略为分水岭和图割中的任意一种或多种的组合。

技术总结
本发明公开了一种排除析出相干扰的金相显微图像分析方法及装置，所述方法包括：基于预设晶界分割模型，获取金相材料显微图像的晶界分割结果；基于预设析出相分割模型，获取金相材料显微图像的析出相分割结果；基于所述晶界分割结果和所述析出相分割结果，筛选出将析出相误识别为晶粒的错分晶粒；对所述错分晶粒进行矫正，合成正确分割结果。采用本发明的金相显微图像分析方案，能够针对性地纠正金相图像分析任务中由于析出相遮挡晶粒边界而造成晶粒边界误判的问题，进一步提高后续材料微结构表征的准确度，可广泛应用于金属材料领域中的图像分析、材料评价等方面，具有广泛的应用前景。前景。前景。


技术研发人员：班晓娟 张心怡 马博渊
受保护的技术使用者：北京科技大学
技术研发日：2023.05.08
技术公布日：2023/8/24