夏 杰, 謝 威, 陳雁秋

(復(fù)旦大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院, 上海 201203) (復(fù)旦大學(xué) 上海市智能信息處理重點(diǎn)實(shí)驗(yàn)室, 上海 201203)

焦炭光學(xué)組織的超反射率圖像分析系統(tǒng)①

夏 杰, 謝 威, 陳雁秋

(復(fù)旦大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院, 上海 201203) (復(fù)旦大學(xué) 上海市智能信息處理重點(diǎn)實(shí)驗(yàn)室, 上海 201203)

分析焦炭的光學(xué)組織是一種重要的評(píng)估焦炭質(zhì)量的方式, 目前這種評(píng)估方式還停留在人工階段. 為了改變現(xiàn)狀, 本文設(shè)計(jì)和實(shí)現(xiàn)了一套自動(dòng)分析系統(tǒng), 可以自動(dòng)采集焦炭切片的顯微圖像并自動(dòng)分割和識(shí)別其中的焦炭光學(xué)組織. 系統(tǒng)由圖像采集系統(tǒng)和圖像分析系統(tǒng)兩個(gè)子系統(tǒng)構(gòu)成. 在圖像采集系統(tǒng)中, 我們使用多角度極化技術(shù)拍攝得到焦炭切片在不同極化角度下的反射率圖像, 本文稱這種特殊圖像為超反射率圖像. 在圖像分析系統(tǒng)中, 我們提出了一種針對(duì)焦炭的超反射率圖像的新型分析算法, 可以準(zhǔn)確高效地分割和識(shí)別圖像中的各種焦炭光學(xué)組織.

焦炭光學(xué)組織; 顯微圖像; 多角度極化; 圖像分割; 形態(tài)剖面; 隨機(jī)森林

冶金焦炭是鋼鐵行業(yè)的重要原材料, 焦炭的質(zhì)量在鋼鐵冶煉過(guò)程中尤其是對(duì)于高爐順行有著關(guān)鍵性的影響. 分析焦炭樣本切片的光學(xué)組織是一種高效和方便的評(píng)估焦炭質(zhì)量的方法. 目前在工業(yè)界, 這種通過(guò)光學(xué)手段來(lái)分析焦炭光學(xué)組織的方法仍然停留在人工數(shù)點(diǎn)階段. 人工評(píng)估方式需要耗費(fèi)大量的人力和時(shí)間,并且不同操作員之間的經(jīng)驗(yàn)差異也會(huì)給分析結(jié)果帶來(lái)很大的不確定性. 因此, 實(shí)現(xiàn)一套高效、精確的焦炭光學(xué)組織自動(dòng)分析系統(tǒng)有著非常重大的現(xiàn)實(shí)意義.

多年來(lái), 國(guó)內(nèi)外已經(jīng)有不少運(yùn)用數(shù)字圖像處理技術(shù)對(duì)焦炭光學(xué)組織進(jìn)行分析的方法被提出. Eilertsen等[1]使用粗糙度指數(shù)和纖維度參量來(lái)表征紋理特征,可以區(qū)分不同性質(zhì)的焦炭. 王培珍等[2]提出了一種結(jié)合均值偏移和邊緣置信度的焦炭顯微圖像分割方法,但無(wú)法識(shí)別分割出來(lái)的組織類別. 文獻(xiàn)[3]提出了一種基于行程長(zhǎng)度紋理特征和支持向量機(jī)的焦炭顯微圖像分類方法, 但不能對(duì)一幅圖像中的各種光學(xué)組織實(shí)現(xiàn)分割. 以上焦炭光學(xué)組織的圖像分析方法使用的都是普通的灰度或彩色圖像. 然而, 通常不同的焦炭光學(xué)組織在由常規(guī)手段拍攝到的圖像中極其相似, 即使有經(jīng)驗(yàn)的研究人員通過(guò)肉眼也很難分辨. 因此, 上述算法在焦炭光學(xué)組織的分割和識(shí)別方面有著很大的局限性.

因此, 要進(jìn)一步分析焦炭樣本中各種焦炭光學(xué)組織的分布, 必須依賴于新的成像技術(shù)的幫助. 一些研究[4,5]指出多角度極化技術(shù)是解決這個(gè)問(wèn)題的關(guān)鍵技術(shù)之一. 多角度極化技術(shù)通過(guò)在顯微鏡的入射光路上放置一個(gè)起偏器, 使入射光變?yōu)闃O化光, 然后對(duì)同一場(chǎng)景不斷改變起偏器的角度來(lái)采集目標(biāo)物的顯微圖像.對(duì)于同一個(gè)拍攝區(qū)域, 在不同極化角度下采集到的焦炭圖像是有較大差異的(見(jiàn)圖1). 因?yàn)樵诓煌嵌鹊臉O化光下, 焦炭光學(xué)組織的反射率是不一樣的. 而且,不同焦炭光學(xué)組織的反射率隨著極化角度改變的變化情況也是不一樣的. 這一性質(zhì)給不同光學(xué)組織的分類和識(shí)別帶來(lái)了更多重要的信息, 為提高分析精度提供了更好的條件. 在此基礎(chǔ)上, Crelling等[6]設(shè)計(jì)了一種圖像采集系統(tǒng)可以方便地獲得焦炭切片在不同極化角度下的反射率圖像(圖像中每個(gè)像素為反射率值).

圖1 從左至右依次為同一焦炭切片局部在36度、90度、144度極化角度下采集到的顯微圖像

這種新的成像技術(shù)也給算法設(shè)計(jì)帶來(lái)了挑戰(zhàn). 對(duì)于這種多角度極化技術(shù)成像的焦炭顯微圖像, 目前相關(guān)的處理和分析的研究還不是很多. 文獻(xiàn)[7]中使用一種自適應(yīng)多目標(biāo)圖像分割方法來(lái)分割焦炭反射率圖像,但是這個(gè)算法無(wú)法識(shí)別分割出來(lái)的焦炭光學(xué)組織. Pearson等[8]提出了一個(gè)可以分割并識(shí)別不同焦炭光學(xué)組織的算法. 但是他們僅僅利用了最大反射率和雙反射率(最大反射率與最小反射率的差)來(lái)對(duì)每個(gè)像素點(diǎn)分類. 多角度極化產(chǎn)生的豐富信息沒(méi)有被充分利用,因此算法效果并不是特別理想. 文獻(xiàn)[9]提出一種使用Gabor濾波器提取反射率圖像的紋理信息來(lái)分割識(shí)別不同光學(xué)組織的算法, 在識(shí)別的精度方面有了一定提高. 總的來(lái)說(shuō), 目前對(duì)于多角度極化技術(shù)成像的焦炭顯微圖像的分析, 相關(guān)算法都還不夠成熟, 并且都沒(méi)有把不同極化角度下的反射率圖像作為一個(gè)整體來(lái)看待, 各方面性能還有很大的提升空間.

1 系統(tǒng)概述

基于目前的研究現(xiàn)狀, 本文利用多角度極化技術(shù)設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)焦炭光學(xué)組織自動(dòng)分析系統(tǒng). 系統(tǒng)分為兩個(gè)部分, 圖像采集系統(tǒng)和圖像分析系統(tǒng). 整個(gè)系統(tǒng)的流程框架如圖2所示.

圖2 焦炭光學(xué)組織自動(dòng)分析系統(tǒng)流程

圖像采集系統(tǒng)負(fù)責(zé)拍攝焦炭切片得到顯微圖像.基于文獻(xiàn)[6]我們搭建了一套使用多角度極化技術(shù)的焦炭顯微圖像采集系統(tǒng). 對(duì)于焦炭切片的某一個(gè)采樣點(diǎn),系統(tǒng)自動(dòng)旋轉(zhuǎn)起偏器的角度, 拍攝到一組在不同極化角度下的焦炭切片的反射率圖像. 本文把這樣一組圖像定義為焦炭的超反射率圖像. 圖像分析系統(tǒng)負(fù)責(zé)對(duì)采集的超反射率圖像進(jìn)行分析, 分割和識(shí)別圖像中不同的焦炭光學(xué)組織, 生成統(tǒng)計(jì)數(shù)據(jù)作為研究人員評(píng)估焦炭質(zhì)量的參考和依據(jù). 在圖像分析系統(tǒng)中, 本文提出了針對(duì)于焦炭超反射率圖像的一種準(zhǔn)確高效的焦炭光學(xué)組織分析算法.

2 焦炭超反射率圖像采集系統(tǒng)

2.1 系統(tǒng)硬件結(jié)構(gòu)

我們的圖像采集系統(tǒng)基于ZEISS Imager M1m光學(xué)顯微鏡搭建, 裝置外觀如圖3所示. 與其他顯微圖像采集系統(tǒng)的主要不同之處在于, 我們?cè)陲@微鏡的入射光路上, 安裝了一個(gè)自動(dòng)化起偏器. 該自動(dòng)化起偏器由手動(dòng)起偏器集成步進(jìn)電機(jī)和編碼器改造而來(lái), 可通過(guò)編程控制旋轉(zhuǎn)至任意角度. 顯微鏡的載物臺(tái)有三個(gè)方向的自由度, 通過(guò)左右前后的平移, 可以實(shí)現(xiàn)對(duì)焦炭切片上不同采樣點(diǎn)的拍攝, 通過(guò)上下平移, 可以在拍攝焦炭切片時(shí)實(shí)現(xiàn)自動(dòng)對(duì)焦. 我們使用一臺(tái)AxioCam HRc彩色數(shù)碼照相機(jī)采集顯微圖像, 該相機(jī)拍攝到的圖像分辨率為1388*1040, 單個(gè)通道的每個(gè)像素大小為12bit. 實(shí)際拍攝過(guò)程中我們把彩色圖像轉(zhuǎn)換為灰度圖像來(lái)處理.

圖3 圖像采集系統(tǒng)裝置外觀, 藍(lán)線為顯微鏡光路

2.2 圖像采集

首先我們需要標(biāo)定相機(jī). 這里的相機(jī)標(biāo)定是指確定所拍攝的焦炭光學(xué)組織的反射率與在其圖像中的灰度值的相互關(guān)系. 標(biāo)定工作完成后, 就可以進(jìn)行圖像采集. 在焦炭切片的某一個(gè)采樣點(diǎn)上, 不同極化角度下相機(jī)直接拍攝到的灰度圖像被轉(zhuǎn)換為反射率圖像,即每個(gè)像素點(diǎn)的灰度值要根據(jù)標(biāo)定的結(jié)果轉(zhuǎn)換為對(duì)應(yīng)反射率.

2.2.1 相機(jī)標(biāo)定

焦炭組織的反射率與對(duì)應(yīng)的圖像灰度值存在線性映射關(guān)系. 令反射率為R, 灰度值為G, 則反射率與灰度值之間的轉(zhuǎn)換關(guān)系可表示為:

相機(jī)標(biāo)定的目標(biāo)實(shí)際上就是要確定式(1)中α和β的值. 我們使用5張標(biāo)準(zhǔn)片(反射率分別為0%, 0.59%, 0.9%, 1.72%, 7.45%)來(lái)標(biāo)定相機(jī), 拍攝5張標(biāo)準(zhǔn)片可以得到5組R與G的數(shù)據(jù). 然后通過(guò)這5組已知數(shù)據(jù), 我們可以使用線性回歸(最小二乘法求解)得到式(1)中α和β的值. 這樣我們就確定了反射率與灰度值之間的轉(zhuǎn)換關(guān)系. 同時(shí), 不同極化角度下反射率與灰度值之間的轉(zhuǎn)換關(guān)系是不一樣的, 因此在各個(gè)選定的極化角度下我們都需要計(jì)算相應(yīng)的的α和β.

2.2.2 超反射率圖像

為了全面準(zhǔn)確地獲取焦炭樣本的信息, 在一塊焦炭切片上, 我們均勻設(shè)置多個(gè)采樣點(diǎn). 在每個(gè)采樣點(diǎn)上, 圖像采集系統(tǒng)控制自動(dòng)化起偏器從0度到180度間隔一定角度旋轉(zhuǎn)k次, 分別在每個(gè)極化角度下拍攝一次圖像, 然后隨即將圖像中灰度轉(zhuǎn)換為反射率保存.

這樣在一個(gè)采樣點(diǎn)上采集到的反射率數(shù)據(jù)可以形成一個(gè)數(shù)據(jù)立方體, 如圖4所示. 其中x和y表示二維平面像素信息坐標(biāo)軸,z軸表示極化角度信息. 該數(shù)據(jù)立方體由沿著z軸的以一定極化角度間隔的一系列二維圖像組成.z軸一共有k層, 每一層對(duì)應(yīng)于一定極化角度下的反射率圖.

本文把這樣的數(shù)據(jù)立方體看作一種特殊的高維圖像, 稱為超反射率圖像. 焦炭超反射率圖像的每個(gè)像素是一個(gè)k維的向量, 向量的每一維數(shù)據(jù)分別代表這個(gè)像素對(duì)應(yīng)的焦炭組織在特定極化角度下的反射率.本文系統(tǒng)在實(shí)際的采集流程中, 綜合考慮圖像采集時(shí)間和數(shù)據(jù)信息豐富度兩方面, 經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證選擇了k= 10作為起偏器旋轉(zhuǎn)次數(shù)的最優(yōu)值.

圖4 焦炭超反射率圖像

3 焦炭超反射率圖像分析系統(tǒng)

3.1 圖像分析系統(tǒng)概述

在圖像采集系統(tǒng)將一個(gè)焦炭切片上的所有采樣點(diǎn)的圖像數(shù)據(jù)采集完畢后, 這一批圖像數(shù)據(jù)被輸入圖像分析系統(tǒng). 圖像分析系統(tǒng)會(huì)對(duì)讀入的所有焦炭超反射率圖像進(jìn)行分析, 通過(guò)有效算法對(duì)每一張圖像分割并識(shí)別其中的焦炭光學(xué)組織, 最后生成相關(guān)統(tǒng)計(jì)數(shù)據(jù).如何準(zhǔn)確高效地分割和識(shí)別圖像中的焦炭光學(xué)組織是整個(gè)系統(tǒng)的難點(diǎn)和關(guān)鍵. 對(duì)于這種焦炭的超反射率圖像的分析, 目前還沒(méi)有比較成熟的算法. 因此, 本文設(shè)計(jì)了一種新型的分析算法來(lái)解決這個(gè)問(wèn)題.

3.2 焦炭光學(xué)組織分析核心算法

我們提出的算法的基本思想是: 通過(guò)對(duì)焦炭超反射圖像中每個(gè)像素點(diǎn)分類來(lái)達(dá)到對(duì)不同焦炭光學(xué)組織分割和識(shí)別的效果. 首先在專家標(biāo)注過(guò)的圖片中對(duì)標(biāo)注的各個(gè)像素點(diǎn)提取有效特征, 用來(lái)訓(xùn)練隨機(jī)森林分類器[10]. 然后對(duì)一張新的焦炭超反射率圖像, 利用分類器對(duì)圖中所有像素點(diǎn)分類, 為每個(gè)像素點(diǎn)分配一個(gè)焦炭光學(xué)組織類別.

3.2.1 預(yù)處理

焦炭的超反射率圖像是一種高維圖像, 直接處理這種圖像是比較困難的. 同時(shí), 超反射率圖像在帶來(lái)更多有效信息的同時(shí), 也存在大量的冗余信息, 直接處理是耗時(shí)低效的. 因此, 我們有必要先對(duì)超反射率圖像進(jìn)行降維處理.

在焦炭顯微圖像研究領(lǐng)域, 最大反射率與雙反射率已經(jīng)被證明對(duì)于區(qū)分不同的焦炭光學(xué)組織是很有效的[5,8], 實(shí)際上這兩者也是目前研究人員人工做判斷的主要依據(jù). 因此, 提取超反射圖像的最大反射率圖和雙反射率圖就是一種簡(jiǎn)單有效的降維手段. 但是最大反射率圖和雙反射率圖在突出了超反射率圖像中的一些重要特征時(shí), 也丟失了圖像中的很多細(xì)節(jié).

使用主成分分析算法(Principal Component Analysis, PCA)[13]提取超反射率圖像的主成分圖, 可以盡可能多的保留圖像中的重要信息, 減少信息損失.基于這些考慮, 以及經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證, 我們采用超反射率圖像的主成分圖、最大反射率圖和雙反射率圖的組合(見(jiàn)圖5)作為下一步進(jìn)行特征提取的圖像集合.

圖5 從左至右依次為典型的主成分圖、最大反射率圖和雙反射率圖

3.2.2 特征提取

對(duì)焦炭的超反射率圖像預(yù)處理之后, 我們要對(duì)降維得到的圖像集合進(jìn)行特征提取. 按前述, 用來(lái)特征提取的圖像集合為:

其中Ip、Im、Ib分別代表主成分圖、最大反射率圖和雙反射率圖.

經(jīng)過(guò)大量觀察發(fā)現(xiàn), 焦炭顯微圖像是由很多塊形態(tài)各異和大小不一的區(qū)域構(gòu)成, 這些區(qū)域內(nèi)的灰度值相對(duì)均勻和穩(wěn)定, 如圖6紅框內(nèi)區(qū)域所示. 因此, 我們采用形態(tài)剖面算法來(lái)提取特征. 形態(tài)剖面(Morphological Profle, MP)[11]是一種建立在測(cè)地形態(tài)學(xué)[12]基礎(chǔ)上的圖像處理算法, 善于分離和突出圖像中具有不同大小和不同亮度的圖像結(jié)構(gòu). 形態(tài)剖面的基本操作是測(cè)地開(kāi)和測(cè)地閉操作, 相比于傳統(tǒng)的開(kāi)閉操作, 測(cè)地開(kāi)和測(cè)地閉操作具有更好的形態(tài)保持能力,不會(huì)破壞焦炭光學(xué)組織的原有結(jié)構(gòu). 這些特點(diǎn)使得形態(tài)剖面很適于處理焦炭顯微圖像. 同時(shí)形態(tài)剖面基于數(shù)學(xué)形態(tài)學(xué), 易于并行處理和硬件實(shí)現(xiàn), 在運(yùn)行速度上有很大優(yōu)勢(shì).

圖6 典型焦炭反射率圖的形態(tài)剖面示例(λ= 2、4、6)

一個(gè)形態(tài)剖面由一個(gè)開(kāi)剖面(opening profile)和一個(gè)閉剖面(closing profile)組成. 令γ(I,λ)表示對(duì)圖像I使用結(jié)構(gòu)元大小為λ的測(cè)地開(kāi)操作后的結(jié)果, Θ(I,n)為圖像I的開(kāi)剖面, 定義如下:

類似地, 令φ(I,λ)表示對(duì)圖像I使用結(jié)構(gòu)元大小為λ的測(cè)地閉操作后的結(jié)果, Ψ(I,n)為圖像I的閉剖面,定義如下:

顯然, Θ(I,0)=Ψ(I,0)=I, 即λ=0時(shí), 開(kāi)剖面和閉剖面等于原圖. 因此圖像I的形態(tài)剖面MP(I,n)可定義如下:

一張圖像的形態(tài)剖面實(shí)際上是一個(gè)圖像序列, 總共2n+1張圖像. 本文實(shí)際采用圓盤狀結(jié)構(gòu)元, 則λ可定義為圓盤半徑. 圖6是采用圓盤狀結(jié)構(gòu)元對(duì)一張典型的焦炭反射率圖像計(jì)算出的形態(tài)剖面示例.

對(duì)于圖像I中的一個(gè)像素x, 在形態(tài)剖面MP(I,n)中,x對(duì)應(yīng)于一個(gè)2n+1維的向量:

對(duì)于焦炭超反射率圖像, 我們分別對(duì)圖像集合(2)中的圖像計(jì)算形態(tài)剖面. 最終我們對(duì)焦炭超反射率圖像在像素x處提取的特征向量可表示為:

在預(yù)處理過(guò)程中, 我們盡可能保留和強(qiáng)化了焦炭超反射率圖像的極化信息. 通過(guò)形態(tài)剖面算法, 我們進(jìn)一步挖掘了圖像的空間信息. 因此, 針對(duì)焦炭超反射率圖像的特點(diǎn), 我們?cè)谔卣魈崛∵^(guò)程中充分利用了其中的有效信息. 圖7形象地展示了特征提取的主要過(guò)程.

圖7 對(duì)焦炭超反射率圖像提取特征的示意圖

3.2.3 分類器

大量被標(biāo)記過(guò)的像素點(diǎn)經(jīng)過(guò)特征提取后, 生成的特征向量(7)將作為隨機(jī)森林分類器的訓(xùn)練數(shù)據(jù). 訓(xùn)練完成后, 對(duì)于一張要分析的焦炭超反射率圖像, 將其所有像素點(diǎn)提取特征后輸入隨機(jī)森林分類器. 最終根據(jù)分類結(jié)果, 每一個(gè)像素點(diǎn)都會(huì)被歸類到某一種焦炭光學(xué)組織類別.

隨機(jī)森林(Random Forests, RF)[10]是一種由多個(gè)決策樹(shù)組合成的分類器. 隨機(jī)森林不需要通過(guò)特征選擇就能夠處理高緯度的數(shù)據(jù), 并且能以很快的速度學(xué)習(xí)大數(shù)據(jù)量的訓(xùn)練集. 隨機(jī)森林的這些優(yōu)點(diǎn)使得它在本文討論的這個(gè)問(wèn)題上很有優(yōu)勢(shì): 一方面, 特征向量(7)的維度是比較高的; 另一方面, 訓(xùn)練集中有大量標(biāo)記過(guò)的像素點(diǎn)被用來(lái)訓(xùn)練分類器.

4 實(shí)驗(yàn)與討論

我們通過(guò)實(shí)驗(yàn)以及與現(xiàn)有其他算法的比較, 從兩個(gè)方面來(lái)評(píng)估本文提出的焦炭光學(xué)組織分析算法的性能: 準(zhǔn)確性和速度.

4.1 實(shí)驗(yàn)參數(shù)選擇

算法的目標(biāo)是分割和識(shí)別不同的焦炭光學(xué)組織.關(guān)于焦炭光學(xué)組織的具體分類規(guī)則, 我們采用的是國(guó)家冶金工業(yè)部頒布的《焦炭光學(xué)組織的測(cè)定方法》中規(guī)定的標(biāo)準(zhǔn)[14]. 我們把焦炭的光學(xué)組織分為各向同性、鑲嵌狀以及片狀. 另外, 在焦炭樣本切片的制作過(guò)程中, 需要用一種半透明膠質(zhì)物填充焦炭顆粒的間隙,因此在焦炭切片的顯微圖像中有很大一部分屬于背景區(qū)域. 背景區(qū)域往往也較易與其他區(qū)域混淆, 這也是我們要分割和識(shí)別的對(duì)象之一.

在實(shí)驗(yàn)中, 形態(tài)剖面的具體參數(shù)設(shè)置為:n=12,λ=｛3*i|i=0,1,L,n｝ . 因此, 實(shí)驗(yàn)中對(duì)焦炭超反射率圖像中每個(gè)像素提取的特征向量(7)是一個(gè)75維的向量.

4.2 數(shù)據(jù)集構(gòu)造與評(píng)價(jià)指標(biāo)

從大量的拍攝數(shù)據(jù)中, 我們選取了50張焦炭超反射率圖像, 并在專家指導(dǎo)下對(duì)圖像中典型的焦炭光學(xué)組織區(qū)域進(jìn)行了標(biāo)注, 形成真值. 我們?nèi)?0張作為隨機(jī)森林的訓(xùn)練集, 10張作為測(cè)試集. 我們?cè)跍y(cè)試集上將實(shí)驗(yàn)結(jié)果與文獻(xiàn)[7]、文獻(xiàn)[8]以及文獻(xiàn)[9]中提出的算法進(jìn)行比較.

我們使用準(zhǔn)確率(Precision)、召回率(Recall)以及綜合考慮二者的F-Measure來(lái)定量評(píng)價(jià)算法的準(zhǔn)確性.它們的定義如下:

這里需要說(shuō)明的是, 對(duì)于特定的一個(gè)光學(xué)組織類別來(lái)說(shuō),TP指所有被正確分到這一類的像素點(diǎn)個(gè)數(shù),FP指所有被錯(cuò)誤分到這一類的像素點(diǎn)個(gè)數(shù), 而FN指應(yīng)該屬于這一類卻被分到其他類的像素點(diǎn)個(gè)數(shù).

4.3 實(shí)驗(yàn)結(jié)果與分析

使用隨機(jī)森林分類器訓(xùn)練并分類后, 對(duì)一張典型焦炭超反射率圖像的分割效果如圖8所示. 圖中綠色代表各向同性組織, 藍(lán)色代表鑲嵌狀組織, 黃色代表片狀組織, 灰色代表背景區(qū)域. 由于文獻(xiàn)[7]的算法只能分割不能識(shí)別, 分割出的每塊區(qū)域沒(méi)有標(biāo)簽, 因此我們將其分割結(jié)果與測(cè)試集的真值比較后, 人工為其每類分割區(qū)域匹配了最優(yōu)的光學(xué)組織類別, 以便于與其他算法之間的定性與定量比較. 圖8(c)是根據(jù)匹配后的結(jié)果著色的.

從圖8明顯可以看出, 圖8(c)的分割效果與圖8(b)差距比較大, 相比之下圖8(d)(e)(f)都顯然更加接近專家標(biāo)注的結(jié)果. 仔細(xì)比較圖8(d)(e)(f), 每張圖中的紅色方框標(biāo)出了一些3種算法分割效果差別比較明顯的區(qū)域. 可以發(fā)現(xiàn), 圖8(d)(e)中紅框內(nèi)的區(qū)域與圖8(b)相比都存在一些或大或小的差異, 而本文算法的分割效果與專家標(biāo)注基本吻合. 這些差異說(shuō)明文獻(xiàn)[8,9]中的算法在這些光學(xué)組織的識(shí)別上不同程度地出現(xiàn)了一些錯(cuò)誤. 這些錯(cuò)誤積累起來(lái)會(huì)嚴(yán)重影響焦炭光學(xué)組織的分析結(jié)果, 給研究人員評(píng)價(jià)焦炭質(zhì)量帶來(lái)較大干擾.

圖8 本文提出的算法與文獻(xiàn)[7,8,9]中算法的分割效果對(duì)比

具體的定量評(píng)價(jià)統(tǒng)計(jì)數(shù)據(jù)如表1所示, 表中的數(shù)據(jù)也基本驗(yàn)證了我們從圖8作出的判斷. 從表1的數(shù)據(jù)可以看出, 文獻(xiàn)[8,9]以及本文的算法基本在各個(gè)指標(biāo)上都明顯地高于文獻(xiàn)[7]的算法. 以文獻(xiàn)[7]的算法為基準(zhǔn), 這說(shuō)明文獻(xiàn)[8,9]以及本文的算法在對(duì)焦炭光學(xué)組織的分割和識(shí)別方面都取得了一定的突破. 進(jìn)一步比較這三者, 本文提出的算法在準(zhǔn)確率和召回率兩個(gè)指標(biāo)上都顯著優(yōu)于文獻(xiàn)[8]中的算法. 與文獻(xiàn)[9]中的算法相比, 本文提出的算法在各向同性組織和片狀組織的召回率顯著提升的同時(shí), 各個(gè)類別的準(zhǔn)確率也有不同程度的提升. 特別是在各向同性組織上, 文獻(xiàn)[9]算法的表現(xiàn)與本文算法有明顯差距. 總體而言, 本文提出的算法在焦炭光學(xué)組織分析的準(zhǔn)確性方面的表現(xiàn)要優(yōu)于文獻(xiàn)[7,8,9]中的算法.

表1 實(shí)驗(yàn)結(jié)果準(zhǔn)確率和召回率比較

在算法的運(yùn)行速度上, 我們提出的算法也表現(xiàn)出了很高的效率. 在Windows 7操作系統(tǒng), Intel雙核3.2G主頻處理器, 4G內(nèi)存的軟硬件環(huán)境下, 算法的運(yùn)行時(shí)間如表2所示. 其中文獻(xiàn)[7]的算法缺少識(shí)別的步驟與功能, 因此可比性不大.

表2 算法運(yùn)行時(shí)間比較

5 結(jié)語(yǔ)

本文設(shè)計(jì)與實(shí)現(xiàn)了一種基于多角度極化技術(shù)的焦炭光學(xué)組織自動(dòng)分析系統(tǒng),并提出了焦炭超反射率圖像的概念. 系統(tǒng)可以自動(dòng)采集焦炭樣本切片的超反射率圖像, 并對(duì)采集的圖像自動(dòng)分析其中的焦炭光學(xué)組織. 為了分割和識(shí)別超反射率圖像中的各種焦炭光學(xué)組織, 本文提出了一種準(zhǔn)確高效的分析算法, 在實(shí)驗(yàn)中各方面表現(xiàn)優(yōu)于現(xiàn)有其他算法. 本系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn), 給相關(guān)研究人員快速可靠地評(píng)價(jià)焦炭質(zhì)量以及指導(dǎo)煉焦配煤帶來(lái)了極大的便利.

1 Eilertsen JL, Hole M, Foosn?s T, Qye HA. Image analysis for classification of coke for anode production. 21st Biennal Conference on Carbon. Buffalu, NY, 1993: 675–676.

2 王培珍,毛雪芹,毛雪菲,高尚義,張代林.基于均值偏移和邊緣置信度的焦炭顯微圖像分割.中國(guó)圖象圖形學(xué)報(bào),2010, 15(10):1478–1484.

3 王培珍,繆家龍,周可,張代林.基于行程長(zhǎng)度紋理特征的焦炭顯微圖像分類算法.煤炭學(xué)報(bào),2012, 37(6):1051–1055.

4 Eilertsen JL, Rrvik S, Foosns T, ?ye HA. An automatic image analysis of coke texture. Carbon, 1996, 34(3): 375–385.

5 Pusz S, Buszko R. Reflectance parameters of cokes in relation to their reactivity index (CRI) and the strength after reaction (CSR), from coals of the Upper Silesian Coal Basin, Poland. International Journal of Coal Geology, 2012, 90(1): 43–49.

6 Crelling JC, Glasspool IJ, Gibbins JR, Seitz M. Bireflectance imaging of coal and carbon specimens. International Journal of Coal Geology, 2005, 64(3–4): 204–216.

7 Li ML, Qi LH, Li HJ. An imaging technique using rotational polarization microscopy for the microstructure analysis of carbon/carbon composites. Microscopy Research and Technique, 2012, 75(1): 65–73.

8 Pearson DE, Pearson RA, Jiao Y, Kyoung H. Quantitative reflectance measurements of metallurgical coke. 10th Australian Coal Science Conference. Brisbane, Queensland, 2013.

9 謝威,夏杰,錢暉,陳雁秋.冶金焦炭圖像的拍攝與自動(dòng)分析技術(shù).微型電腦應(yīng)用,2015,(10):14–17.

10 Breiman L. Random forests. Machine learning,2001,45(1):5–32.

11 Pesaresi M, Benediktsson JA. A new approach for the morphological segmentation of high-resolution satellite imagery. IEEE Trans. on Geoscience and Remote Sensing, 2001, 39(2): 309–320.

12 Soille P. Morphological image analysis: principles and applications. Springer Science & Business Media, 2013: 183–218.

13 Wold S, Esbensen K, Geladi P. Principal component analysis. Chemometrics and Intelligent Laboratory Systems, 1987, 2(1): 37–52.

14 中華人民共和國(guó)冶金工業(yè)部.焦炭光學(xué)組織的測(cè)定方法.北京:中國(guó)標(biāo)準(zhǔn)出版社,1996.

Hyper-Reflectance Image Analysis System of Coke Optical Texture

XIA Jie, XIE Wei, CHEN Yan-Qiu
(School of Computer Science, Fudan University, Shanghai 201203, China) (Shanghai Key Laboratory of Intelligent Information Processing, Fudan University, Shanghai 201203, China)

Analyzing optical texture of metallurgical cokes is an important way to measure the quality of coke. Currently, these measurements have been still in the manual stage. In this paper, we present a system to improve the status quo, which can automatically capture the microscopic images of coke sections and then segment and recognize different coke optical textures in the images. The system consists of two subsystems, which are image acquisition system and image analysis system. We take advantage of multi-directional polarizing technique to capture the reflectance images of coke sections at different polarizing angles, and this special type of image is termed as hyper-reflectance image in this paper. In the image analysis system, we propose a novel analysis algorithm to analyze the hyper-reflectance image of coke, which shows excellent performance in the segmenting and recognizing of coke optical texture.

coke optical texture; microscopic image; multi-directional polarization; image segmentation; morphological profle; random forests

國(guó)家自然科學(xué)基金(61175036)

2016-04-04;收到修改稿時(shí)間:2016-05-03

10.15888/j.cnki.csa.005489