显微图像定量分析

显微图像定量分析（精选九篇）

显微图像定量分析 篇1

1材料与方法

1.1实验仪器及软件

数字摄像头 (DPIXEL200和DP520DC, 广州市泰柯计算机有限公司;MD20, 广州市明美光电技术有限公司;YM310, 山东易创电子有限公司;DP26, 日本Olympus公司) ;生物显微镜 (CX31和CX41, 日本Olym- pus公司;B204TR和BK-FL4, 重庆奥特光学仪器有限责任公司) ;显微镜摄像接口 (U-TV0.5XC-3, U-TV 0.63XC, 日本Olympus公司;TV1XC, 广州市明美光电技术有限公司) ;物镜测微尺 (日本Olympus公司) ;图像分析软件 (Image-Pro Plus 6.0, 美国Media Cybernet- ics公司) 。

1.2研究方法

以物镜测微尺为研究标定, 分别在不同数字摄像头和不同生物显微镜下摄取测微尺图像。①不同数字摄像头组:将数字摄像头 (DPIXEL200、DP520DC、 MD20、YM310和DP26) 通过显微镜摄像接口安装在生物显微镜 (CX31) 上, 逐一安装驱动软件, 摄取测微尺的图像;②不同生物显微镜组:将数字摄像头 (DPIXEL200) 通过显微镜摄像接口安装在生物显微镜 (CX31、CX41、B204TR和BK-FL4) 上, 摄取测微尺的图像。上述图像均取4个高倍镜 (40×10) 视野, 保存于计算机内, 采用Image-Pro Plus 6.0图像分析软件分别测试不同显微图像中每微米所代表的像素值。

1.3统计学方法

采用SPSS 17.0统计学软件进行数据分析, 计量资料数据用均数±标准差 (±s) 表示, 多组间比较采用单因素方差分析, 多重比较方法 (SNK法) 比较不同组间的测试结果, 以P < 0.05为差异有统计学意义。

2结果

2.1不同数字摄像头对显微图像定量分析的影响

CX31显微镜下DPIXEL200、DP520DC、MD20、 YM310和DP26摄取的测微尺图像 (图1) ;测试结果显示, DPIXEL200、DP520DC、MD20、YM310和DP26所摄取的测微尺图像每微米所代表的像素值分别为 (2.398±0.011) 、 (5.217±0.019) 、 (4.770±0.012) 、 (4.764± 0.020) 和 (4.437±0.023) (图2) 。 统计学分析显示, 不同数字摄像头摄取的测微尺图像每微米所代表的像素值比较, 差异有高度统计学意义 (F = 15729.14, P = 0.001) 。

2.2不同生物显微镜对显微图像定量分析的影响

CX31、CX41、B204TR和BK-FL4生物显微镜下DPIXEL200摄取的测微尺图像 (图3) ; 测试结果显示, CX31、CX41、B204TR和BK-FL4生物显微镜下DPIXEL200摄取的测微尺图像每微米所代表的像素值分别为 (2.398±0.011) 、 (2.400±0.009) 、 (2.409±0.013) 和 (2.395±0.012) (图4) 。 统计学分析显示, 不同生物显微镜下DPIXEL200摄取的测微尺图像每微米所代表的像素值比较, 差异无统计学意义 (F = 1.033, P > 0.05) 。

3讨论

铸铁的显微组织及分析 篇2

铸铁的显微组织及分析

1、前言

铸铁是一种铁碳合金，在机械制造业应用很广泛。工业常用铸铁的成分范围是：2.5~4.0%C，1.0~3.0%Si，0.5~1.4%Mn，0.01~0.50%P，0.02~0.20%S，除此之外，有时会含有一定量的合金元素，如Cr、Mo、V、Cu、Al等。最然铸铁的强度、塑性和韧性较差，不能进行锻造，但却具有一系列优良性能，如良好的铸造性、减磨性和切削加工性等，而且它的生产设备和工艺简单，加个低廉，因此铸铁在机械制造上得到了广泛的应用。

2、实验目的及设备

目的：识了解灰口铸铁、磨口铸铁、可锻铸铁和球墨铸铁的显微组织特征。设备与材料：光学显微镜，普通灰口铸铁样品，变质灰口铸铁样品，可锻铸铁样品，球墨铸铁样品，麻口铸铁样品。

3、铸铁的石墨化

铸铁组织中石墨的形成叫做“石墨化”过程。

在铁碳合金中，碳可能以两种形式存在，即化合状态的渗碳体（Fe3C）和游离状态的石墨（常用G表示）石墨的晶格形式为简单六方，如图所示：

其面间距较大，结合力弱，故其结晶形态常易发展成为片状，且强度、塑性和韧性极低，接近于零。

在铁碳合金中，在高温下进行长时间加热时，其中的渗碳体便会分解为铁和石墨。可见，碳呈化和状态存在的渗碳体并不是一种稳定的相，它不过是一种亚稳定的状态。而碳呈现游离状态存在的石墨则是一种稳定的相。

如果全部按照Fe-C相图进行结晶，则铸铁（2.5~4.0%C）的石墨化过程可分为三个阶段：

第一阶段：即在1154℃时通过共晶反应而形成石墨：LC’→AE’+G 第二阶段：即在1154~738℃范围内冷却过程中，自奥氏体中不断析出二

铸铁的显微组织及分析

次石墨GⅡ。

第三阶段：即在738℃时通过共晶反应而形成石墨：AS’→AP’+G

铁碳合金相图如左图所示。

4、各类铸铁的性能及显微组织分析

4.1白口铸铁

白口铸铁其中碳除少量溶于铁素体外，绝大部分以渗碳体的形式存在于铸铁中。白口铸铁的特点是硬而脆，很难加工。为了提高白口铸铁的韧性及耐磨性，常加入一些合金元素如铬、钼、镍、钒、硼和稀土等。在实际生产中，可利用白口铸铁硬度高的特点，制造一些高耐磨性的零件和工具。另外还可铸成具有一定深度的白口表面层，而心部则为灰口组织的“冷硬铸铁件”普通白口铸铁的化学成分一般为：2.8%~3.6%C，0.5%~1.3%Si，0.4%~0.9%Mn，这样成分的白口铸铁被认为是白口铸铁发展中的第一代。1928年研制成功的镍硬铸铁，是白口铸铁发展中的第二代：由于镍铬合金化的作用，得到马氏体基体和大约50%游离渗碳体的组织，由于硬度增高，抗磨性有很大的改善，但这种铸铁仍呈现其固有的脆性。

铸铁的显微组织及分析

4.2 灰口铸铁

灰口铸铁的组织特点是具有片状的石墨，其基体组织则分为三种类型：铁素体、珠光体及铁素体+珠光体，如下图所示：

铸铁的显微组织及分析

图（1）珠光体基灰口铸铁 图（2）珠光体+铁素体基灰口铸铁 图（3）铁素体基灰口铸

灰口铸铁的化学成分主要是C、Si、Mn、S、P等。灰口铸铁内的基本组织

铸铁的显微组织及分析

主要有三种，即铁素体(F)、铁素体+珠光体(F+P)和珠光体(P)，它在显微镜下的结构如上图所示。从组织可以看出活口铸铁中的碳大部或全部以片状石墨形式存在，这些结构相当于钢基体上加上片状石墨。

灰口铸铁中片状石墨的存在相当于基体中许多小的裂纹。而石墨与钢的基体相比，其力学性能几乎可以看做为“0”，这就意味着石墨的存在不仅破坏基体的连续性，减少基体受力的有效面积，而且很容易在石墨片的尖端形成应力集中，是材料形成脆性断裂，所以灰铸铁的抗拉强度、塑性和韧性比钢低得多。石墨虽然降低了铸铁的力学性能，但使铸铁获得了许多钢没有的优良性能。主 要有以下几点：良好的切削加工性，良好的铸造性能，良好的减磨性，较低的缺口敏感性。

影响灰口铸铁组织和性能的因素主要有铸铁成分和冷却速度。4.3 可锻铸铁：

可锻铸铁又称展性铸铁，是一种强度和韧性都较高的铸铁，由白口铸铁经石墨化退货后制成，其中碳以团絮状石墨形式存在。可锻铸铁分白心可锻铸铁和黑心可锻铸铁两种。

制造白心可锻铸铁时将铸成的白口铸件放置到退火箱中围以氧化介质，密封后放在炉内加热退火。加热的目的在于使铸铁中的碳扩散到铸件表面，借碳在铸件表面的氧化将铸铁中的碳大部分脱除，使得铸件的组织和含碳量与钢相近，其断口呈白色。生产时，为使铸铁中大部分碳脱除，需要在退火时加热到较高的温度（980~1050℃），同时保温时间要相当长（3～5天），因而这种生产方法只适用于薄件。

制造黑心可锻铸铁时将铸成的白口铸铁置于箱中围以中性介质，密封后放在炉内加热退火。退火的目的在于使铸件中的渗碳体发生分解、形成团絮状石墨。这种可锻铸件，在折断后，断口的心部呈暗黑色，断口的边缘因那里的碳被脱除而呈灰白色。生产时，只要求渗碳体发生分解，在铸铁内部形成石墨。因此，加热温度可以稍低（870～950℃），加热时间也较短。这种生产方法适用于壁厚较大一点的铸件。且黑心可锻铸铁比白心可锻铸铁应用较广。

由于团絮状石墨对金属基体连续性的破坏比片状石墨的轻，因而可锻铸铁的强度和范性的配合视基体组织而定。铁素体可锻铸铁的强度虽然不高，但是

铸铁的显微组织及分析

范性和韧性比较好。而珠光体可锻铸铁虽然在范性和韧性方面不如铁素体可锻铸铁，但是它的强度和硬度比较高，耐磨性好。由于团絮状石墨的缺口效应不像片状石墨那样严重，因此不同于灰口铸铁。可锻铸铁的范性与韧性能够随着基体中珠光体相对量减少而增大。若要求高强度时仍像灰口铸铁那样尽量使基体成为珠光体，而在主要要求高范性和韧性时，尽量使基体成铁素体。

图（4）铁素体基可锻铸铁 图（5）铁素体+珠光体基可锻铸铁

4.4 球墨铸铁

球墨铸铁的石墨呈球状，使其具有很高的强度，又有良好的塑性和韧性。其综合机械性能接近于钢，因其铸造性能好，成本低廉，生产方便，在工业中得到了广泛的应用。

铸铁的显微组织及分析

球墨铸铁中应用最广泛的是铁素体球墨铸铁和珠光体球墨铸铁，其显微组织如下图所示：

图（6）珠光体基球墨铸铁图（7）铁素体+珠光体基球墨铸铁图（8）铁素体基球墨铸铁

球墨铸铁在浇铸前向铁水中加入一定量的球化剂（如镁、钙或稀土元素等）进行球化处理，并加入少量孕育剂（硅铁或硅钙合金），以促进石墨化，在浇铸后即可直接获得具有石墨结晶的铸铁，即球墨铸铁。

球墨铸铁不仅具有远远超过灰口铸铁的机械性能，而且同样也具有灰口铸铁的一系列优点，如良好的铸造性、减震性、切削加工性及低的缺口敏感性等；甚至在某些性能方面与可锻钢媲美，如疲劳强度大致与中碳钢相近，耐磨性优于表面表面淬火钢等。

5、总结

铸铁的强度和韧性较差，不能进行锻造，但它却具有一系列优良的性能，如良好的段造性、减磨性和切削加工性,而且它的生产设备和工艺简单，价格低廉，因此铸铁在机械制造业上得到了广泛的应用。铸铁含碳量高，接近于共晶合金成分，使得它的熔点低，、流动性好以外，而且还因为它的含碳量和含硅量较高，使得它其中的碳大部分不再以化和状态（Fe3C）而以游离的石墨形式存在。铸铁组织的一个特点就是其中含有石墨，而石墨本身具有润滑作用，因而是铸铁具有良好的减磨性和切削加工性。

本次试验鉴于铸铁的优良性能，我们就不同石墨类型的显微组织进行了观察分析，对不同种类的铸铁进行了了解。学习了其内部结构和成分对其性能和外观的一系列影响。通过此次实验，对铸铁的性能及组织结构做了系统性的学

铸铁的显微组织及分析

习，受益匪浅。

铸铁的显微组织及分析

【参考文献】

显微图像定量分析 篇3

关键词： 显微图像； 细节增强； 局部窗口； 极值

中图分类号： TN 911 文献标志码： A doi： 10.3969/j.issn.1005-5630.2016.05.006

文章编号： 1005-5630（2016）05-0407-05

引 言

数码显微成像技术是观察微观世界的有利工具之一[1]，但在成像过程中，经常存在一些退化因素，导致最终的显微图像细节模糊。在对焦最佳时，这种模糊主要是物镜的光学退化引入的，也有成像电路等因素的共同作用。这种固有缺陷的存在，以及人们对高质量图像信息获取的需求，都促使研究者致力于如何有效提升细节信息的工作，即细节增强技术。

显微图像细节增强技术，在硬件上需要提升物镜的成像能力，提高采集成像电路的信噪比，但考虑到成本等因素，都难以付诸实践，最佳的方式是利用软件算法的形式作为补偿。在算法实现细节增强方面，有研究者认为是去模糊工作，将其作为一个反卷积的过程。研究者们设计了诸多模型与方法，比如代数去模糊法（最小二乘等），统计法模型（贝叶斯模型法、马尔科夫随机场等），分析模型（基于各种变分的思路），还包括一些综合多特征优势的混合模型[2-3]。为了更好地获得显微去模糊图像的数学解，常常把反卷积问题转化为能量最小化问题，最普通的策略就是使用最优化理论与迭代方法求解，如RL等方法。但反卷积的方法首先需要点扩散函数的估计，其次是计算时间相对较长，作为软件后处理的方式可能会耽误整个成像过程。细节增强，主要是边缘区域，因此有研究者应用共焦空间微分显微镜系统，实现了在获得样品共焦显微图像的同时直接获取对应的边缘增强显微图像，且图像分辨率与对比度较高[4]。有作者将颜色转移技术应用到显微图像的颜色增强上，实现了显微图像的彩色化达到颜色增强的效果[5]。这些方法的效果好，但计算速度有待进一步提升。因此，为实现显微图像细节增强，本文主要考虑非反卷积式的快速细节增强的方法，以配合整个数码显微成像系统的工作。

对于数码显微成像系统中细节增强后处理算法，高对比的细节增强、高效率的运行能力是关键。针对这个问题，本文结合具体的数码显微镜，提出一种基于局部窗口与极值的细节增强方法，解决细节模糊的问题。

1 数码显微成像系统

数码显微成像系统按功能可分为光学部分、硬件电路部分和软件算法部分。光学部分即显微物镜，其主要作用是使被观察物体成像，使得其可用于人眼观察或者电子目镜CMOS感光；硬件部分即电子目镜，一般采用CMOS器件，其主要作用在于将光信号转变为电信号，并以数字方式将图像记录保存；软件算法部分一方面实现图像和视频的显示，另一方面对图像存在的失真与退化进行校准、补偿等以得到物体真实的图像。如图1所示的数码显微成像系统的典型构架，图中显微镜为宁波永新光学股份有限公司所产的液晶数码显微镜，是本文方法的应用与实验对象。系统要求细节增强效果明显，且运行速度在1 s以下。

由于成像系统的缺陷，所获取的显微图像难免细节有所模糊。而数码显微系统具有功能强大的处理器与软件集成系统，使得有机会用算法补偿提升细节，实现显微图像细节的增强，以便于后期的数据分析。本文旨在通过单幅图像的数据，构建图像的局部窗口范围内极值优选方法，实现细节的增强，弥补硬件上的缺憾。

3 实验结果与分析

应用于显微成像系统的本方法具有一些参数，窗口L1的尺寸初始选择为[9，13，17]，对应L2的尺寸为[5，9，13]。 利用三套双窗口系统，获得最终的增强结果。

显微图像的仿真与实拍实验的结果如图3所示。图3中，第一行（a）（b）（c）为原图，第二行（d）（e）（f）为增强的结果。其中，图（a）为仿真显微灰度图（来自百度图片），图（b）（c）为novel （sw82）拍摄实物（椴树年轮切面与木本双子叶植物茎横切），（d）（e）（f）分别为对应的增强结果。在实拍实验中，采用的物镜为永新所产的novel （sw82），电子目镜CMOS分辨率为2 048×1 536，像元尺寸为2.2 μm，图像为彩色，实验物体对象包括木本双子叶植物茎横切和椴树年轮切面。由于实拍图像尺寸太大，本文截取了图像的部分内容作为实验结果的展示。从实验结果观察，经过本文方法的处理，细节层次得到增强，对比相对提升，实现了较好地效果。另外，根据计算速度监测，对于2 048×1 536的图像，本方法计算时间约为0.5 s，完全适用于永新光学的显微成像系统。

此外，为衡量细节增强的程度，引入了三种图像客观评价方法，包括结合视觉注意机制与边缘展宽衡量的显微图像清晰度评价方法[6]，简称为视觉清晰度法；灰度平均梯度GMG（Gray Mean Gradient）法与拉普拉斯算子和LS（Laplacian Sum）法[6]。视觉清晰度法越小越好，灰度平均梯度GMG与拉普拉斯算子和LS越大越好。对于原图与细节增强图的客观评价结果如表1所示。相比于原图，增强后的结果的视觉清晰度指标更低，GMG与LS指标更高，表明增强结果非常有效。以原图作为基准，以视觉清晰度指标、GMG与LS指标作衡量，通过本文方法的增强，评价指标提升的平均百分比分别为20.9%、71.2%与81.8%，也从一定程度上说明了细节增强的有效性。

4 结 论

本文针对显微成像系统成像退化补偿的要求，提出使用双窗口局部极值的手段实现显微图像细节的增强方法。根据数码光学显微镜固有的细节模糊的缺陷，一方面考虑了细节增强方法的效果要求，另一方面是方法的高效运行速度，鉴于数码显微系统的强大处理器与软件集成能力，提出使用局部双窗口去提取不同尺寸的细节，并用极值的选择加强亮细节与暗细节区域的对比，最终快速实现细节的对比增强。通过实验，给出了仿真与实拍数据的结果，利用客观评价手段论证了细节增强的有效性，且运行速度皆满足显微成像系统要求。未来，更多的工作需要投入到参数的自适应选择上。目前认为自适应参数有两个重点：一是对不同场景数据的训练，得出经验数据，而后自动判别选择相应参数；二是可根据大量数据获取普适应的初始参数，而后根据具体的应用场景设计收敛公式实现参数的最优化。

参考文献：

[1] 李艳军，左洪福，吴振锋，等.显微观测技术的新进展及其应用[J].光学仪器，2002，24（2）：37-42.

[2] RICHARDSON W H.Bayesian-based iterative method of image restoration[J].Journal of the Optical Society of America，1972，62（1）：55-59.

[3] CHAN T F，WONG C K.Total variation blind deconvolution[J].IEEE Transactions on Image Processing，1998，7（3）：370-375.

[4] 吴丽如，唐志利，吴泳波，等.应用共焦空间微分显微镜获取边缘增强显微图像[J].光学学报，2014，34（3）：317001.

[5] 朱美娇.低对比度显微图像的颜色增强方法研究[D].杭州：浙江理工大学，2014.

[6] 赵巨峰，毛磊，刘承，等.视觉注意机制与边缘展宽衡量相结合的显微成像清晰度评价[J].光子学报，2015，44（7）：711002.

显微图像定量分析 篇4

在形成图像强度的诸多因素中,照明因素起决定作用[1]。合理的照明有助于提升一套视觉系统的分辨率和对比度。照明的质量将直接影响到图像质量、边缘提取与拟合的效果。而且,照明对精密视觉测量系统还有更重要的影响:照度、照明稳定性与一致性、光线方向、显微物镜照明入瞳与出瞳的匹配、照明波长与CCD和显微物镜的匹配等因素,都将严重影响测量结果的精度和重复精度[2,3]。

目前,在显微视觉领域,关于照明方面的研究很少。文献[2-3]使用神经网络的方法判断采集图像光强的强弱,决策后发出指令,通过控制光源电源的占空比来调节光源的照射强度,保证工件表面的光照度始终在CCD器件的动态范围内。但是,文中没有提及合适的图像光强是如何界定的;文献[4]指出:微装配任务中的金属块与晶片表面具有高反射性,必须合理配置照明的角度和光强才能提高图像的对比度和分辨率,实现高精度、可靠的显微视觉操作。

本文对显微视觉照明问题的研究初衷来源于工程项目“塑料微流控芯片全自动微对准装配”的实践。由于要对芯片进行基于显微视觉的全自动化微装配,需要通过判别图像质量随照度变化的规律,进而得到具有最佳照度的图像。针对上述问题,首先开发了照明自动调控系统。

2 照明自动调控系统

开发照明自动调控系统(见图1)主要用到变压器、整流桥、光电耦合器件、单片机、双向可控硅等;此外,采用CAN总线方式构成下位机通讯节点。

PWM信号占空比0%~100%对应于上位机的照明控制值(ICV,Illumination Control Value)0~255。“0”表示控制灯箱达到全暗,“255”表示控制灯箱达到最大功率。

对照明自动调控系统的性能进行评测,有式

其中:mI为图像的平均亮度估计,I(i,j)表示像素的灰度值,MN为总像素数。

分别在显微镜3.6×、12×、25×共3种放大倍数(3种F数)下,使ICV分别取0~255,每种情况摄取256帧图像;并使用式(1)对图像进行分析计算;用最小二乘线性度对实验数据进行分析。mI/ICV特性曲线的线性度综合反映了照度自动调控系统、灯箱、光路和CCD等器件的线性化能力,见图2。经实验,本文中使用的视觉系统对于照度改变后,图像平均亮度相应变化的平均线性度(Ef)达到1.3%,见表1。

说明:1)视觉系统对于照明条件的变化具有高的敏感性;2)自行开发的照度自动调控系统具有好的线性以及实用性。

3 人为控制照明的消极影响

照明自动调控系统的开发为显微视觉照明问题的研究提供了硬件基础。在全自动化微操作/微装配生产应用领域,如果仍由操作者依据主观判断选择最佳的图像状态,将导致多次选择结果的不一致,这种主观选择的不一致性将影响显微视觉系统提供的信息的不规律性,势必影响微操作/微装配的精度。

随机选取5个观察者从几类图像集中选出最佳图像,并记录该图像的ICV,实验结果见图3。对5个观察者的实验曲线进行相关性计算,见表2。最低相关性只有0.84,表明不同观察者对图像质量的甄别有较大差异。以对第9类图像为例,User5认为最佳图像出现在ICV=161;User3则选择ICV=80时图像最佳;选择结果差异巨大,体现了人为选择高质量图像对观察者主观判断的依赖性。

4 基于图像质量的评价方法

以往的图像质量评价体系更为关注图像的显示质量。这些图像质量评价可分为主观评价方法和客观评价方法。主观评价多基于人类视觉系统(HVS,Human Vision System);客观评价多基于图像分析。较为成熟的客观评价测度有Tamura对比度A[5]con_Tan、标准方差无偏估计函数Astd[6]、信息熵函数A[7]Entropy等:

1)Tamura对比度

其中:µ4为四阶矩,σ2为方差,P(r)为灰度r出现的概率密度。可以利用直方图得到图像灰度的近似概率分布P(r)。

2)熵

假如图像的概率分布情况已知,可以使用熵函数衡量图像的信息量

3)标准方差无偏估计函数Astd

图像的标准方差无偏估计(样本标准差),可以有效地反映图像噪声(高频信息)的强度,定义为

其中mI表示图像的平均灰度。

分别利用上述Acon_Tam、AEntropy与Astd等3个测度函数对图2所示的256帧图像集进行计算,给出其相应的归一化实验曲线,见图4。根据实验结果:Acon_Tam曲线在ICV=134的图像I134处取得最值,AEntropy曲线在I132上取得最值,Astd曲线在I134上取得最值。实验曲线均具有非严格的单峰性,表明照明强度对图像质量影响很大。

5 基于图像高频信息分析的方法

图像的高频信息(包括边缘、噪声)分析(IHFA,Image High Frequency Analysis)对于显微视觉技术具有重要意义。比如,自动聚焦技术致力于获得高频信息量最大的图像;对于具有更多高频信息的图像,边缘检测、图像识别等操作可实现更高的图像特征定位精度。

借鉴自动聚焦测度函数,引入具有代表性的,能够准确测度图像高频信息的时域评价函数AGrad和频域函数AFFT。

4)梯度函数

其中I(i,j)表示图像像素阵列在(i,j)处的灰度值。

5)FFT(快速傅里叶变换)函数

在显微镜25×下,使ICV分别取0~255,共计摄取256帧图像;图像特征为十字型。分别利用AGrad与AFFT对图1所示的256帧图像集进行计算,给出其相应的归一化实验曲线,见图5。

根据实验结果:AGrad及AFFT的实验曲线具有单峰性。AGrad曲线在ICV=132的图像上取得最值,表明图像I132在图像序列中具有最高的高频信息量;AFFT曲线同样在I132上取得最值。2个函数的实验曲线均证明了图像I132在图像序列中具有最大的高频能量。

6 两种方法比较

将AGrad及AFFT与上述主客观图像质量评价函数进行比较:仍以图3的不同倍数、不同图像特征的9类图像集作为对象,使用测度函数AHVS、Acon_Tam、AEntropy、Astd、AGrad及AFFT依次对图像集进行计算,确定各自的全局最值点ICV,实验结果见图6。其中,AHVS的实验数据为图3中5组实验数据的均值。

为量化分析各组实验数据的关系,对6组实验数据进行相关性计算,计算结果见表3。根据表3,AEntropy和AGrad的相关性几乎为1,表明二者对高频信息的评测结果几乎相同,但AEntropy的计算时间小于AGrad,所以在工程中可用AEntropy代替AGrad;Acon_Tam、Astd的实验曲线与AHVS实验曲线的相关性远高于其他实验曲线,表明Acon_Tam和Astd更接近人类视觉的评测效果AHVS。

在涉及到显微视觉的微装配/微操作任务中,通过人为观察评测图像的最佳状态具有标准不一致性,会影响后续操作的稳定性;客观的评测方法将比主观方法具有优势;使用客观评测方法可以提高操作的一致性及提高操作精度。在上述的评测方法中,Acon_Tam与Astd所得到的最佳图像更接近于人类视觉感知的效果;AEntropy、AGrad和AFFT得到的峰值点重在反映图像的高频能量。

在显微视觉技术中,IHFA评测方法的引入,使得视觉系统在自动聚焦操作的基础上,进一步提高了所获图像的高频能量;同时也为提高视觉系统的质量稳定性奠定了基础。

7 结论

本文对显微视觉中的照明强度优化问题展开了研究。主要研究工作为:

1)照明强度的变化将影响显微图像的高频信息量;

2)提出了基于图像高频信息分析的显微视觉最优照明条件测度方法;并给出了基于时域的测度函数AGrad与基于频域的函数AFFT;

3)将本文提出的IHFA测度函数与通常图像质量评价(IQA)函数进行了实验对比。实验结果表明:IQA体系的测度函数重在体现人类视觉感知的效果;而基于IHFA的测度函数则更好地反映了图像的信息传感功能。

图像的高频信息包含特征边缘与噪声两部分,有效地提高特征边缘信息将有助于自动聚焦与特征定位的精度;但如果通过IHFA方法得到的高频信息更多来自噪声,自动聚焦与特征定位的精度将会降低。因此,今后将进一步对照明问题与自动聚焦、图像定位等操作之间的相互关系、相互影响进行分析研究。

参考文献

[1]Rafael C G,Richard E W.Digital Image Processing:Second Edition[M].Beijing:Publishing House of Electronics Industry,2002:50-52.

[2]QU Yu-fu,PU Zhao-bang,WANG Ya-ai,et al.Design of Self-Adapting Illumination in the Vision MeasuringSystem[C]//Proceedings of Second International Conference on Machine Learning and Cybernetics.Xi’an:IEEE,2003,5:2965-2969.

[3]浦昭邦,屈玉福,王亚爱.视觉检测系统中照明光源的研究[J].仪器仪表学报,2003,24(增刊):438-439.PU Zhao-bang,QU Yu-fu,WANG Ya-ai.Study of IIlumination in Vision Measuring System[J].Chinese Journal of ScientificInstrument,2003,24(Sup):438-439.

[4]Yang G,Gains J A,Nelson B J.A Supervisory Wafer-Level Microassembly System for Hybrid MEMS Fabrication[J].Journalof Intelligent and Robotic System,2003,37(1):43-68.

[5]Tamura H,Mori S,Yamawaki T.Texture Features Corresponding to Visual Perception[J].IEEE Trans.On System,Man andCybernetics,1978,8(6):460-473.

[6]Milan S,Vaclav H,Roger B.Image Processing,Analysis and Machine Vision[M].Brooks and Cole Publishing of Thomson,1998:622-623.

显微图像定量分析 篇5

蠡县斜坡储层岩性以碎屑岩为主, 样品的结构特征基本上均为砂岩;矿物成分以石英、长石为主, 二者的平均含量接近90%, 部分长石中见粒内溶孔, 随着埋藏深度的增加, 长石的蚀变现象增强, 溶蚀程度具增强趋势;岩屑含量少, 一般为7%~22%, 以酸性喷出岩、碳酸盐岩为主;砂岩的结构成熟度均较高, 分选中等~好, 磨圆较好, 多为次圆状;胶结类型多为孔隙式, 部分连晶状, 个别基底式;填隙物包括杂基和胶结物, 泥杂基主要是粘土矿物与机械破碎物, 呈斑点、斑块状或填隙式分布;孔隙整体上发育并不好, 局部发育中等。根据薄片中面孔率的统计及镜下观察, 多数样品原生粒间孔与次生孔隙共存, 而溶蚀孔隙是最常见的孔隙类型, 各井均有分布。

2 蠡县斜坡荧光显微图像特征

经统计, 饶阳凹陷蠡县斜坡油气显示集中在Es1-Es3地层。原油性质:中质-重质的正常原油 (主要为中质偏重) 。本文结合岩石学特征、偏光鉴定、试油、气测、电测、地化、物性等多方面相关资料, 初步建立了饶阳凹陷蠡县斜坡的油层、油水同层、含油水层的定性判别标准。

2.1 油层的荧光显微图像特征

偏光镜下碎屑颗粒较均匀, 颗粒之间接触不是很紧密, 杂基及胶结物含量较少, 胶结方式多为孔隙、孔隙~接触式, 粒间孔比较发育, 连通状况较好。

荧光镜下样品整体发光颜色较均匀, 为黄、浅黄、黄褐色, 部分重质原油呈斑点状褐色、黄褐色暗光。孔隙中心多为黄、黄褐色光, 以单一颜色为主, 发光强度为中—亮光, 大部分的孔隙被油充填, 油质发光与矿物颗粒边缘清晰, 多呈吸附状、薄膜状分布, 常见胶结物呈褐色浸染发光, 略具色晕, 一般含水特征不是很明显。整块样品的荧光显示油质较为明亮, 整体发光强度较均匀, 局部孔隙内反映了原油的原生色。

2.2 油水同层的荧光显微图像特征

偏光镜下碎屑颗粒较均匀, 颗粒之间接触不是很紧密, 杂基及胶结物含量较少, 胶结方式多为孔隙、孔隙~接触式, 粒间孔比较发育, 连通状况较好。

荧光镜下发光颜色较均匀~不均匀, 为黄、浅黄、棕黄、浅绿、绿色等, 一般以其中的两种颜色为主, 发光强度为中等~强, 部分孔隙被油水呈乳化状态充填, 荧光颜色非常明亮, 显示了水对原油轻质组分的溶出富集效应。尤其是连通性较好的孔隙被水充填的可能性越大, 颜色混染越清晰, 油水的发光颜色很明亮;粒间呈现渐变状, 胶结物中部分显示被油质浸染均匀。

2.3 含油水层的荧光显微图像特征 (见图1、图2)

偏光镜下碎屑颗粒较均匀, 颗粒之间接触不是很紧密, 杂基及胶结物含量不是很高, 孔隙或孔隙~接触式胶结, 粒间孔比较发育或不太发育。

荧光镜下发光颜色较均匀~不均匀, 绿、浅绿、黄、浅黄、褐黄色, 发光强度强~弱, 色差较大, 大部分孔隙被水充填, 但部分呈油水乳化状态存在, 含油也很明显, 但是油多已被水隔离开, 呈星点状或者角隅状存在, 颗粒边缘多见色晕;当含有沥青等重质时, 胶质多分布在颗粒边缘, 而颗粒之间多显示绿色中等光, 中间夹杂少量中质油时, 则为含油水层。

3 蠡县斜坡荧光显微图像的应用实例

D36荧光显微图像含油性分析应用。

D36井是设计在饶阳凹陷蠡县斜坡北段雁翎构造带东南翼的一口预探井。该井在E s 2段进行了试油, 井段为3 1 3 8.6~3142 m, 试油措施:抽汲出油5.49 m3, 未见出水, 原油密度为0.8901, 累产油33.73 m3, 水0.03 m3, 试油结论为油层 (含水) 。相关的分析解释资料:气测、电测解释均为油层。

该试油层段岩矿薄片检测偏光鉴定特征:极细砂质细粒结构, 胶结物以方解石为主, 少量白云石, 孔隙式胶结。荧光镜下特征:样品整体发光较均匀, 孔隙发育一般, 面孔率为3%, 孔隙中心发光颜色主要为浅黄色中等偏亮光, 向边缘扩散为浅黄褐、浅黄绿色中等光, 部分浸染基质具见不明显的褐色暗光, 少量浅绿色中暗光斑点状分布不均, 具水的特性。解释该层为油层 (含水) 。荧光图像解释结果与试油结论相符, 更能直观明了的反映储层有效空间的含油性, 也为论证D28井岩性圈闭Es2段的含油性提供更准确的数据资料。

利用岩石学特征结合荧光显微图像特征进行的含油性评价方法在饶阳凹陷蠡县斜坡勘探的应用表明:岩石的基础条件及储集空间内油质的发光强度、面积等特征与能否产油气有着密切的联系。

4 结论

随着冀中地区油气勘探开发的进一步深入, 复杂油气藏时常涌现, 如何及时准确的发现油气显示, 并对油气显示层进行准确客观解释评价, 是录井工作者永恒的课题。如何发挥荧光显微图像分析直观、全面反映储层微观物性特征和油气分布状态的技术特点, 为油气勘探工作提供更全面、准确、直观的解释评价资料, 是今后研究的重点。

参考文献

[1]郭舜玲.荧光显微镜技术[M].北京:石油工业出版社, 1994.

[2]郎东升.姜道华, 等.荧光显微图像及轻烃分析技术在油气勘探开发中的应用[M].北京:石油工业出版社, 2008.

[3]陈丽华, 郭舜玲, 等.中国油气储层研究图集 (卷五) [M].北京:石油工业出版社, 1994.

显微图像定量分析 篇6

1 资料与方法

1.1 一般资料:

2008年6月至2008年11月在我院由NIDEK-2000眼压仪测得的眼压>21 mm Hg的连续病例260例 (260只眼) , 所有被检查者都是单眼发病, 其中左眼117只, 右眼143只, 年龄34~79岁, 平均年龄为 (60.4±9.4) 岁。所有检查者均排除眼外伤, 手术史等。

1.2 仪器与检查方法:

采用天津索维公司生产的SW-3200型UBM进行检查, 扫描频率为50 MHz, 扫描深度为5 mm, 显示范围为5 mm×5 mm, 分辨率为50μm。检查时被检查者取仰卧位, 被检眼用倍诺喜表面麻醉剂充分麻醉后, 放置大小合适的无底眼杯于结膜囊内, 注入生理盐水, 手持探头于角膜中央和角膜缘上方, 下方, 鼻侧, 颞侧四个象限进行检查, 所得图像存储、分析。

2 高眼压患者的眼前节UBM图像及分析

2.1 虹膜平坦型:

有3只眼, 眼压范围为35~48 mm Hg, 平均为42 mm Hg。UBM上的形态特点是:虹膜走行平坦, 房角形态正常, 前房加深。其导致高眼压的原因为:房水流出的阻力集中在小梁, 在组织学上小梁的硬化、弹性降低、增殖、色素沉着、小梁的饮液作用降低都可能使房水无法顺畅的从小梁排出, 从而使眼压升高。

2.2 单纯性虹膜膨隆型:

有196只眼, 眼压范围为25~60 mm Hg以上。UBM上的形态特点是:瞳孔边缘虹膜与晶状体粘着紧密, 虹膜根部向上呈圆弧形抬高与角膜相贴。其导致高眼压的原因为:房水由后房流经虹膜与晶体之间的间隙时, 遇到的阻力增加, 房水滞留于后房, 而使后房的压力升高, 导致虹膜膨隆, 使房角变窄以至关闭, 房水外流受阻, 导致眼压升高。

2.3 虹膜反折型:

有2只眼, 眼压范围为35~39 mm Hg, 平均为37 mm Hg。UBM上的形态特点是:虹膜厚度变薄, 呈弓形向后凹陷, 与晶状体前表面或晶状体悬韧带接触, 房角增宽。多见于色素性青光眼, 由于虹膜脱落的色素随房水沉积于小梁网, 阻碍房水的排出, 导致眼压升高。

2.4 虹膜高褶型:

有8只眼, 眼压范围为32~42 mm Hg, 平均为37 mm Hg。UBM上的形态特点是:虹膜瞳孔缘及中周部均平坦, 无彭隆, 虹膜周边部肥厚, 堆积, 呈多个波浪皱褶, 房角窄, 虹膜根部附着点多数靠前。由于虹膜周边部肥厚, 造成房角狭窄, 房水排出受阻, 导致眼压升高。

2.5 睫状环阻滞型:

有15只眼, 眼压范围为48~60 mm Hg以上。UBM上的形态特点是:睫状体水肿, 前旋, 与晶状体相贴, 后房变小或消失。其导致高眼压的原因为:房水由后房向前排出障碍, 被迫逆流进入玻璃体腔, 并在玻璃体腔积聚, 使玻璃体腔容积增大, 晶状体前移与虹膜接触距离增加, 造成瞳孔阻滞, 导致眼压升高。

2.6 膨胀期白内障继发房角关闭:

有23只眼, 眼压范围为42~60 mm Hg以上。UBM上的形态特点是:晶状体体积增大, 内见层状混浊, 前后径增加, 晶状体前囊与虹膜后表面紧密相贴, 引起了瞳孔阻滞, 导致眼压升高。

2.7 虹膜睫状体囊肿继发房角关:

有13只眼, 眼压范围为28~46 mm Hg, 平均为36 mm Hg。UBM上的形态特点是:虹膜下方可见巨大的虹膜睫状体囊肿推顶虹膜根部, 致使房角狭窄, 房水流出不畅, 导致眼压升高。

3 结论

超声生物显微镜 (UBM) 一种新型眼科影像学检测工具, 他的成像原理类似于B型超声, 50~100 MHz的高频超声作为探测能源, 结合计算机的图像处理系统, 产生的二维图像分辨率可达到50μm, 类似于低倍光学显微镜的效果, 具有高分辨率、实时、非干扰、定量测量和不受混浊角膜影响等特点, 可在活体上清楚的观察眼前节的组织结构, 为眼病的诊断和对其发病机制的了解提供了重要信息。

通过对高眼压患者眼前节进行UBM扫描, 使我们能够清晰的观察到其眼前节的组织结构特点, 为分析高眼压的形成机制提供了重要依据。王宁利等[1]曾利用UBM观察中国房角关闭型青光眼的发病机制, 结果发现, 房角关闭造成眼压升高的发病机制存在特殊性和多样性, 有单纯性瞳孔阻滞型, 单纯性非瞳孔阻滞型以及多种机制共存型。刘磊等[2]曾利用UBM检测睫状体阻滞型青光眼, 研究其房角关闭眼压升高原因, 结果发现所有的患者后房均消失, 同时伴有虹膜、晶状体隔向前移动, 造成房角关闭眼压升高。顾宝文等[3]曾利用UBM观察原发性虹膜睫状体囊肿, 结果发现, 有一部分囊肿能够推顶虹膜造成其相应象限的房角关闭引起眼压升高。王涛等[4]曾利用UBM对继发性瞳孔阻滞型青光眼进行了检查, 结果发现, 很多种原因可以造成患者房角关闭眼压升高, 如虹膜睫状体囊肿, 虹膜睫状体肿物, 膨胀期白内障等。高眼压的形成原因非常复杂, 治疗的方案也各有不同, 只要我们认真分析其眼前节的组织结构特点, 就能够找出高眼压的形成原因, 针对其发病机制进行有效的治疗。

摘要：目的 分析高眼压患者眼前节超声生物显微镜 (UBM) 扫描图像及其临床意义。方法 使用索维公司SW-3200型UBM对260只高眼压眼进行检查。分别采集中央及四个象限的图像, 结合临床了解眼前节的组织变化和损害。结果 260只眼中:虹膜平坦的有3只眼, 单纯性虹膜膨隆的有196只眼, 虹膜反折的有2只眼, 虹膜高褶的有8只眼, 睫状环阻滞型的有15只眼, 膨胀期白内障致使房角关闭23只眼, 虹膜睫状体囊肿导致房角关闭的有13只眼。结论 通过对高眼压患者眼前节的扫描, 掌握其组织结构特点, 为眼病的诊断和对其发病机制的了解提了重要信息。

关键词：高眼压,超声生物显微镜 (UBM)

参考文献

[1]王宁利, 欧阳洁, 周文炳, 等.中国闭角型青光眼房角关闭机制的研究[J].中华眼科杂志, 2000, 36 (1) :49-51.

[2]刘磊, 王涛, 李志辉, 等.睫状环阻滞性青光眼的超声生物显微镜检查[J].中华眼科杂志, 1998, 34 (3) :178-182.

[3]顾宝文, 方玲珠.超声生物显微镜在原发性虹膜睫状体囊肿诊断中的应用[J].眼科研究, 2006, 24 (4) :437.

显微图像纹理特征提取方法综述 篇7

纹理作为物体表面的一种基本属性广泛存在于自然界中,是描述和识别物体的一种极为重要的特征,同时也一直是计算机视觉研究的重点内容。纹理目前还没有公认的定义,纹理描述了在图像中反复出现的局部模式和它们的排列规则,反映了物体表面颜色和灰度的变化,反映了宏观意义上灰度变化的一些规律。人们可以根据这些变换来辨别不同的物体种类。

2 纹理特征提取方法总结

纹理特征提取指的是通过一定的图像处理技术抽取出纹理特征,从而获得纹理的定量或定性描述的处理过程。纹理特征提取的主要目的是将随机纹理或几何纹理的空间结构差异转化为特征灰度值的差异,用一些数学模型来描述图像的纹理信息,包括图像区域的平滑,稀疏,规则性等。

2.1 基于Gabor滤波器的纹理特征提取

2.1.1 Gabor滤波器的介绍

通常Gabor滤波可以看作是一种小波变换,因此从小波变换的角度来阐述其定义:

Imlpq=ƒƒf(x,y)ϕml(x-p⌷x)(y-q⌷y)dxdy

其中,△x 和△y 是空间采样间隔,通常设△x=△y=1。p 和q 是图像像素点的位置,m 和l 分别定义了小波变换的方向和尺度。取m=0,1,……M-1,l=0,1……L-1。

Φ(x,y)由小波变换的母波得到:

undefined

其中,undefinedθ)

undefinedθ+ycosθ)

母波ϕ(x,y)通过a-m尺度发生变化,方向θ变化为:θ=lΔθ,Δθ=2π/l

当把Gabor 函数作为母小波,Gabor 函数为

undefined

有上式可以看出, Gabor 小波是由一个复指数信号调制一个二维高斯函数得到。设频域空间的坐标轴是μ轴和υ轴,其频域特征可由高斯函数频谱平移得到:

undefined

其中,W为高斯函数的复调制频率,σx与σy分别为信号在空间域中x方向和y方向的窗半径,且σμ=1/2πσx,συ=1/2πσy。

Gabor函数构成了一个完备的非正交基。以Gabor函数作为母小波,通过对Gabor函数进行适当的尺度和旋度变换,就可以得到自相似的一组滤波器,称为Gabor小波变换滤波器。

设图像的每一个像素点(p,q)经过的Gabor滤波器滤波后,得到的输出值:

Fmlpq=|Imlpq| m=0,1…M-1;l=0,1…L-1 输出值保留了能量信息,忽略了位置信息,较好的反映了图像的纹理特征。

对于给定一幅图像,它的纹理特征可以由Gabor滤波器的输出得到:

undefined

上式中的分母是标准化因子,它的作用是增强了图像的内容,减少了图像在拍摄过程中,照度和对比度对图像特征的影响。

2.1.2 纹理特征提取算法

基于Gabor滤波器对图像进行纹理特征提取步骤如下:

(1) 选取Gabor滤波器组的方向数和尺度数,取L=M=4。Gabor滤波器中共有方向数和尺度数各不相同的滤波器4×4=16个。

(2)把最高的数字频率和最低的数字频率分别设为Uh=0.4和Ul=0.03。因为图像的最低数字频率为0,最高数字频率有奈奎斯特采样定理得为0.5。由人的视觉特性,该频率范围完全可以反映人对纹理的感知。从而可以得到各个滤波器在横轴上的尺度因子:

undefined

(3)确定各个滤波器的中心很坐标:(μ0m,0)

μ0m =Um×am-1,m=1,2,3,4

确定各个滤波器在横轴方向上的标准差:

undefined其中,undefined

确定各个滤波器在纵轴方向的标准差:

σym=σyM=tgundefined

其中,σyM=tgundefined

确定了L=0角度时每个尺度下的滤波器的中心频率和标准差后,其他角度的滤波器可以用L=0角度的滤波器旋转0°,±45°,±90°得到。

(4)得到上述不同方向和尺度的16个Gabor滤波器以后,对图像经过Gabor滤波器组进行滤波。由于滤波后输出的只是图像的能量信息,没有位置信息。为了解决这一问题,将图像划分成9个子块,对每个子块分别进行滤波,计算出每个子块的能量,这样对每幅图像就会得到16×9个纹理特征植。既确保了图像的能量信息,反映了纹理特征,又代表了图像的一定空间位置信息。

2.2 基于灰度共生矩阵的纹理特征提取

2.2.1 灰度共生矩阵简介

灰度共生矩阵是一种用来分析图像纹理特征的重要方法,它建立在估计图像的二阶组合条件概率密度函数的基础上,通过计算图像中有一定距离和一定方向的两个像素之间的灰度相关性,对图像的所有像素进行调查统计,反映图像在方向、相邻间隔、变化幅度及快慢上的综合信息。取图1中任一坐标点其灰度值为及偏离它的另一坐标点灰度值,则该点的灰度值为。令在整个矩阵I上按规定方向和规定距离移动,则得到各种点对。统计图像中相距的两灰度象素同时出现的联合频数概率。设该图像灰度级为L,对整个矩阵I统计出每一点对出现的次数(此次数为共矩阵P的第i行j列的值),排列成一个的方阵P。将出现次数归一化得到每个点对出现的概率,即得到该图像灰度共生矩阵Q。对同一图像,灰度量化级不同,距离差分取不同的组合,得到不同的共生矩阵。如何选取合适的灰度量化级和距离差分值,要根据具体图像纹理周期分布特性来选择。

在三维xyz坐标区域内,设oxy为图像的像素坐标平面,灰度坐标为z轴,X方向像素总数为M,Y方向像素总数为N。从灰度值为i的像素点出发,距离为的另一个像素点位置上出现灰度值为 j的概率(或频度),其关系如图1所示:

其数学表达式如下:P(i,j,d,θ)={[(x,y),(x+Dx,y+Dy)/f(x,y)=i,f(x+Dx,y+Dy)=j]}

x=0,1,2,3,…M-1; y=0,1,2,3…N-1

其中,x,y是图像的像元坐标;i,j=0,1,2,3,…L-1是灰度级,L是最高灰度级;Dx,Dy是位置偏移量,具有方向性;d是灰度共生矩阵的生成步长;θ为灰度共生矩阵的生成方向,取0°、45°、90°、135°4个方向。

2.2.2 灰度共生矩阵的纹理特征参数

为了能更直观地以共生矩阵描述纹理状况,可以从共生矩阵导出一些反映矩阵状况的参数,典型的有以下几种:

(1)对比度

undefined

(2)角二阶矩

undefined

(3)熵

undefined

2.2.3 纹理特征提取

基于图像灰度共生矩阵的特征提取算法如下:

(1)将彩色图像转化为灰度图像;

(2)灰度级粗量化;

由于求共生矩阵的计算量较大,为节省计算时间,一般将灰度级粗量化。经过量化后的图像虽有失真,但对纹理特征影响不大。

(3)求出四个方向上的共生矩阵;

(4)分别求出每个共生矩阵的上述三个特征向量;

(5)以各特征向量的均值和标准差作为纹理特征向量中的各个分量。

2.3 基于ICA 滤波器的纹理特征提取

2.3.1 独立成份分析

独立成份分析方法(ICA)是近年发展起来的一种基于高阶统计量的数据分析方法,它能够从一组被观测的数据中估计出潜在的随机矢量,而且矢量中每个分量是相互独立的。LEE等发展了一种ICA 混合模型,其中模型参数是采用最大似然准则来确定的. 他们使用一组由ICA 混合模型得到的基函数的线性叠加来表征特定的纹理种类,并将这种方法用于图像的无监督分类、分割和去噪。

ICA的基本模型: 设随机向量XN是M个独立信号源SM的未知线性混合:

XN=ASM (1)

式中A为混合矩阵。ICA的目的是找到一个分离矩阵W,使得:

YM=WXN (2)

式中YM是WXN观测信号通过该系统后得到的近似与的输出。

将式(1)代入式(2)有:YM=WASM 由式(3)可知,当分离矩阵W是混合矩阵A的逆矩阵时,WA为单位矩阵,则SM能够被精确地提取出来。

FastICA 是Hyvundefinedrinen在1999 年提出的快速ICA 算法。该算法是基于定点递推算法得到的,对任何类型的数据都适用。由于收敛速度快、具备一定的自适应特性,是目前被广泛选用的ICA 算法。

2.3.2 基于ICA的图像表示

式(1)可以用于表示灰度图像。在实际应用中,为了计算的方便通常取图像中一小块,记作P(x,y)。P(x,y)可视作基函数的线性组合ai(x,y),si 为系数,即:undefined

设A(x,y)=[a1(x,y),a2(x,y),…,ai(x,y),…,an(x,y),] (4)

为式(1)中的混合矩阵A,

W(x,y)=[w1(x,y),w2(x,y),…,wi(x,y),…,wn(x,y),] (5)

为式(2)中的分离矩阵W。 利用ICA求解式(3),可得ai(x,y)和si(x,y)。wi(x,y)(i=1,2,…,t)构成一组可用于分析图像的滤波器。用t个滤波器w1(x,y),w2(x,y),…,wt(x,y),对一幅图像I(x,y)滤波得到Y(I(x,y))。

Y(I(x,y)=(Y1(I(x,y),Y2(I(x,y),…,Yt(I(x,y)))=(I(x,y)⨂w1(x,y),I(x,y)⨂w2(x,y),…,

I(x,y)⨂wt(x,y) 其中⨂表示卷积。

2.3.3 ICA滤波器的提取

(1)确定一个图像集,用于提取ICA 滤波器组,该图像集中的图像在视觉上应属于同一类别;

(2)对该集合中的图像进行非线性滤波以增强高频成份;

(3)从图像集中随机位置抽取Np块Sp×Sp 大小的图像块,作为式(1)和(2)的X的列向量;

(4)对X进行PCA 降维处理,将X投影到Na个特征向量上;

(5)对4的结果应用fast-ICA 算法得到Ni个滤波器存入矩阵W中(大小为sundefined×Ni)。

2.3.4 纹理特征提取

基于ICA 滤波器的图像特征提取步骤如下:

(1) 应用上面描述的ICA 方法提取滤波器组Ft(t∈[1,T],T为滤波器个数;

(2) 对于任一Ft(t∈[1,T],求,Rt(x,y)=Ft⨂I(x,y)其中Rt(x,y)为I(x,y)对滤波器的响应,⨂表示卷积;

(3) 求AI(x,y)=arg maxt(Rt(x,y)),AI(x,y)使图像I(x,y)在每个像素位置上的滤波绝对值最大的滤波器下标。

(4) 求的直方图并将每柱上的值按比例缩小到区间[0 255],得到图像I(x,y)的全局特征GI;

(5) 在AI(x,y)上使用大小为w×w的滑动窗口,统计窗口内某滤波器滤波绝对值为最大的次数,得到LI(x,y);

(6) 求LI(x,y)的直方图并将每柱上的值按比例缩小到区间[0 255],得到图像I(x,y)的局部特征LI。

2.4 基于小波变换的纹理特征的提取

2.4.1 图像的小波变换

为了将小波变换应用于图像处理, 需要有二维的小波函数和尺度函数。采用可分离变量的方法可以由一维小波函数和尺度函数构造所需要的二维小波函数, 即:

ϕ(x,y)=ϕ(x)ϕ(y)

φH=φ(x)φ(y)

φV=φ(x)φ(y)

φυ=φ(x)φ(y)

其中,φ 是二维尺度函数,φH,φV, φυ是3个二维小波函数。每个小波上的H表示水平方向,V表示垂直方向,D表示对角线方向。由上述四式给出的尺度函数和小波函数, 可以定义一个伸缩和平移的基函数:

ϕj,m,n(x,y)=2j/2ϕ(2jx-m,2jy-n) =ϕj,m(x)ϕj,m(y)

φundefined(x,y)=2j/2φH(2jx-m,2jy-n) =φj,m(x)ϕj,n(y)

φundefined(x,y)=2j/2φV(2jx-m,2jy-n) =ϕj,m(x)ϕj,n(y)

φundefined(x,y)=2j/2φD(2jx-m,2jy-n) =ϕj,m(x)ϕj,n(y)

利用这些基函数就可对图像进行分解。如图2,其中L表示低频, H表示高频,下标1,2分别表示一层、二层分解。图像在每个尺度上被分解成4个子带,其中LL为低频子带,是原图像的平滑逼近;LH是沿水平方向的高频子带,反映图像的水平边缘情况; HL是沿垂直方向的高频子带,反映图像的垂直边缘情况;HH是沿对角方向的高频子带,反映图像的斜边缘情况。图1表示的是金字塔结构的迭代分解情况,即在该结构分解中,仅分解LL子带来生成下一尺度的各频带输出,而不分解其他子带。小波变换后的能量主要集中在低频子带。

2.4.2 纹理特征的提取

基于小波变换的纹理特征提取方如下:

(1) 将彩色图像转化为灰度图像。

(2) 进行四层小波分解。

(3) 求分解后每个子带小波系数的均值和标准差。设小波分解后的子带为:fi(x,y)(M>N),i=1,2, …13。则,

undefined;undefined

(4) 得到特征向量T: 将各个子带小波系数的均值和标准差作为图像的纹理特征向量中的各个分量, 则特征向量T=[u1,σ1,u2,σ2…,u13,σ13]。

(5) 特征归一化: 由于上述13个特征相量的物理意义和取值范围不同, 为了防止检索时产生很大的偏差, 所以需要进行归一化。高斯归一化是一种较好的归一化方法, 其特点是少量超大或超小的元素值对整个归一化后的元素值分布影响不大。设原始特征向量为[f1,f2,…,fN], 计算出其均值和标准差σ, 设归一化的特征向量为[F1,F2,…,FN],则:undefined,利用上式对特征向量进行归一化,可将各个分量归一化到[-1,1]。

3 问题与展望

基于灰度共生矩阵提取纹理特征的方法是一个经典的统计分析方法,是目前公认的一种纹理分析方法,也是四方法中最简单的一种。灰度共生矩阵采用两个相对位置的像素联合概率密度来定义,它不仅反映亮度的分布特性,也反映具有同样亮度或接近亮度的像素之间的位置分布特性,而且还反映了图像灰度关于方向相邻间隔变化幅度的综合信息,它是分析图像局部模式结构及其排列规则的基础。基于灰度共生矩阵的图像分析方法能够很好地将统计和结构分析方法有机地结合在一起。该方法充分利用了空间信息,对图像的对比度、纹理分布均匀性、纹理的走向等描述准确度最高。该方法不仅以灰度分布为特征点,更结合了纹理基元的纹理结构描述,得到很好效果。该方法具有一定的旋转不变性,并以较少的特征数量来描述I幅图像,表达效果好、计算量小,具有很强的实用价值。但是该种方法实现比较复杂,尤其是构造灰度共生矩阵需要很大的计算量。

基于Gabor滤波的纹理纹理特征提取方法是一种空间—频率域联合的方法。它具有在空间域和频率域同时取得最优局部化的特性及很好的频率选择、方向选择性。其频率特性与人眼视觉细胞的频响特性非常相似。Gabor滤波器由于具有优良的滤波性能和与人类初级视觉过程相似的特点而更具优势,近年来已得到广泛的研究并取得了一定的成果。其特点是:Gabor 函数唯一可以达到时频测不准关系的下界,能够同时兼顾空间域和频域中对信号分析的分辨率要求,给出信号特性在两个域中的最佳测量;更重要的是,使用Gabor 滤波器组,我们可以获得一组规范的有关纹理图像在不同尺度和方向下的测量量. Gabor 滤波器方法要求待分析的纹理为窄带信号,然而实际中一部分纹理在频域上并不表现为一种很好的窄带形式,如由于自身的形态或受到其它干扰的一些自然纹理现象. 对于这些纹理,有监督方法依靠傅里叶谱分析很难确定合适的滤波器参数;而无监督监督方法由于缺少先验信息也使得滤波器筛选比较复杂。

基于ICA 滤波器的纹理特征提取方法是近几年来发展起来的是一种新的基于高阶统计量的方法,它能够从一组被观测的数据中估计出潜在的随机矢量,而且矢量中每个分量是相互独立的。这种方法基本上是在固定窗口下直接将二维图像数据通过排列行或列元素得到高维矢量再进行独立成分分析来提取特征的。Manduchi 等将ICA用于控向金字塔滤波器的输出结果,给出了一种基于边缘统计的纹理描述方法,并同主成成分分析( PCA)技术进行比较用于纹理分类和合成实验。Lee等发展了一种ICA混合模型,其中模型参数是采用最大似然准则来确定的。他们使用一组由 ICA混合模型得到的基函数的线性叠加来表征特定的纹理种类,并将这种方法用于图像的无监督分类、分割和去噪。Jenssen 提出了ICA滤波器组的概念用于纹理图像分割,并认为其在分割多纹理图像上的性能接近甚至优于Gabor 滤波器组。但是,它的运算量相当大,运算速度较其他方法有一定的差距。

小波变换算法是由法国科学家Mallat在1988年提出来的。他在构造正交小波基时提出了多分辨率的概念, 从空间上形象地说明了小波的多分辨率的特性, 提出了正交小波的构造方法和快速算法。小波变换WT(Wavelet Transform) 的基本思想是通过一个母函数在时间上的平移和在尺度上的伸缩, 获得一种能自动适应各种频率成分的有效的信号分析手段。小波变换是时间和频率的局域变换, 它具有多分辨率分析的特点, 而且在时频两域都具有表征信号局部特征的能力, 是一种窗口大小固定不变但其形状可改变, 时间窗和频率窗都可以改变的时频局部化分析方法。基于小波变换的纹理特征提取算法是近年来迅速发展起来的新兴理论,可以看成是Garbor变换的一种继承和发展,小波变换具有良好的多分辨率的特点, 可以由粗到细地逐步观察信号, 以及能在空间域、频域和方向上分别对图像进行分解。小波变换理论具有许多其它理论不具备的优良特性, 如正交性、方向选择性、可变的时空频域分辨率等。用小波变换的方法提取图像纹理特征时, 如果纹理尺寸较小或对比度不高, 通常采用较高的分辨率; 如果尺寸较大或对比度很强, 只需要较低的分辨率。因此, 当纹理尺寸大小不一、对比度有强有弱时, 这种方法提取特征参数有较大的优势, 也符合纹理识别的特点。但是,小波变换用于显微图像的纹理特征提取和纹理分析还有很多没有解决的问题,如分解尺度的选择,窗口大小的选择,分解级数的选择以及由于过大的窗口造成的Windowsize效应等,都是小波用于纹理特征需要解决的问题 。

显微图像采集系统设计和标定 篇8

关键词：图像传感器,显微图像,几何参数测量

1绪论

显微镜主要是利用光学系统使被观察对象得到放大,可以帮助研究者从微观的角度去观察和了解研究对象的特征。显微镜自从发明问世以来,在人们生活和工作的各个方面都得到了非常广泛的应用,特别是在在医学、生物学等专业领域尤为明显。

随着科学技术的不断发展,信息社会的不断进步,人们对显微镜所能提供的信息标准要求也日益增高。显微镜的传统作用之一是作为检测工具,而这种传统检测手段的不足之处日趋凸显。具体主要表现在:传统显微镜由人眼观测,观测结果采用文字描述的方式进行记录,由此会产生人为的误差,也不利于工作者对研究对象的显微图像进行深入分析与研究。同时长时间分析大量图像时,很可能会产生自适应现象。近几年来,随着计算机、信息技术以及成像传感器技术专业的快速发展,图像获取和处理的相关技术也呈现蓬勃的发展趋势。一方面,研究人员可以更加方便地观察到显微图像;另一方面,图像处理分析软件可以提供多种多样的参数进行测量。与传统测量方法相比较,数字化显微测量技术彰显着其无可比拟的优越性。首先,新技术的应用在很大程度上提高了测量结果的精准度:通过计算机与不同功能的软件对图像进行综合处理,不仅极大地缩小了人眼直接读数等主观因素产生的误差,同时也降低了多次重复测量以及仪器设备本身所形成的误差;其次,数字化显微测量技术极大的扩展了测量范围:对众多不同尺寸的零件进行测量时,可以根据自己的需要,选择合适的放大镜头或缩小镜头。另外,由于测量系统本身的特性,显微测量技术极大地提高了测量过程的自动化程度,并且相应的实现了测量手段的非接触、高精准度、高效率和自动化。所以,近几年来数字化的显微测量技术已广泛地应用到众多的领域[1,2,3]。

2显微图像采集系统

本文所设计的显微图像采集系统结构如图1所示:

系统光源利用led环形灯。而led环形灯具有散发热量少、闪频小、光照均匀、亮度可调节,以及寿命周期长的优势与特点;采用的显微镜头和图像传感器均来自深圳宜兴科技有限公司,前者为该公司的YX15 系列大变倍比镜头,其主要参数:变倍比:15:1,光学倍数:0.13X-2X,物方视野:2.4mm-36mm,工作距离:55mm-285mm;后者为该公司的U-500C型USB图像传感器。所采用的光电传感器为Aptina公司生产MT9P031 型cmos传感器。主要技术参数如表1所示:

图像传感器与计算机通过USB连接,如图2所示。

3图像质量增强和处理

从CMOS传感器获取的图像不可以直接用于显微图像分析。尤其是在颜色方面进行分析时,其原因主要是在图像成像和感光的过程中,引入了较多的偏差。这些偏差因素包括有光学系统的瑕疵,感光芯片对照度的不同感光特性等。此外,光源对于图像成像质量也有较高的影响,即使获取图像内的各项参数合格,但是实际工作中要考虑到不同设备的不同空间需求时,仍然需要进行设备而无关空间的转换,该处理过程称为图像处理流程。具体处理流程如图3所示:

线性化:用数学方式处理暗电流与模数转换器等造成的误差,使感光器照射强度的输入和输出在一定范围内呈线性关系。去噪声:由电磁波或经电源引入的外部噪声,图像采集生成过程中的暗电流噪声,因器件制造工艺引起的光响应非均匀性,图像传输过程中涉及的各种器件引起的杂波噪声等,通过合适的算法,降低工作温度等方式来消除这些噪声。白平衡:利用AWB算法矫正外部光源色温引起的图像颜色失真。颜色插值:利用逐次逼近、双线性等插值算法计算得到像素点缺少的另外两个颜色分量。颜色校正:因图像采集系统、光源和显示器件的不同会引起颜色失真,利用矩阵法、人工神经网络法、多项式回归法等对图像进行颜色校正。GAMMA校正:用于去除人眼对亮度信号的非线性反应,保证显示设备显示的图像与原始图像相同,抵消CRT显示器使图像亮化的影响,利用颜色查找表来实现GAMMA校正。图像增强:利用灰度变换、空间滤波等增强图像的细节,使图像的灰度分布相对均匀,并增加图像对比度[5,6,7]。

4图像标定

显微图像分析与处理应用在生物学、医学等一些专业领域方面时,经常需要通过利用数字图像来了解观察目标的实际几何参数。这就要求明确在一定放大倍数下, 图像中像素间距与实际空间尺度数据之间的关系是如何相对应,即显微图像系统的尺度定标值。

显微图像系统中重要的技术指标之一就是尺度定标值。尺度定标值的多少将会直接影响到图像分析的结果。从理论上来说,在系统采样密度和放大倍数不变的情况下,尺度定标值是可以通过计算得到结果。但是在实际工作中图像采集系统都或多或少地存在几何畸变的可能性。因此,通过实验方法对系统进行精确定标是很有必要的。本文利用图像处理技术,对图2所示的显微镜图像采集系统进行了尺度定标。应用图4采集的间距0.5mm的显微标尺如图4所示:

对图4进行灰度化、二值化、分割、直线识别而得到各条坐标线的图像如图5所示[8]:

由图5 得到的各条垂直x轴的刻度线的像素点数值如表2所示:

由表2可以看出相邻的像素点值之差基本相等,表示图像处理过程合理。

设测微标尺的实际宽度为L,显微系统放大倍数为A,采样密度为Q,对应图像的长度为N(像素点数), 则系统定标值K可表示为:

K = L/N或者K = 1/(QA) …(1)

将表格2 的数据代入公式1 求得本系统的K=0.0054259mm/pixel。

5结论

本文主要通过描述利用CMOS作为图像传感器,对图像进行获取、校正和并分析的过程。根据显微镜成像原理和CMOS作为感光芯片的具体特点,制定出独特的图像处理流程,具体包括线性化、颜色矫正和白平衡等过程,从而获得更加真实准确的图像来作为进一步图像分析的素材,这为其他方面的研究和工作提供了更大的准确性保证。最后本文通过0.5mm的标准显微标尺的图像求解系统,求得反映显微图像真实距离和像素距离之间关系的定标系数K,为显微图像的几何参数测量奠定了基础。

参考文献

[1]窦江龙.基于CMOS传感器的显微图像处理分析系统设计[D].杭州:浙江大学,2012.

[2]蒋勇,刘飞雷,包红光.显微图像的数字图像处理及其在血细胞形态分析中的应用[J].中国图像图形学报,2001,6(11):1079-1083.

[3]余厚云,邓善熙,杨永跃,等.用Visual Basic 6.0编程实现显微图像测量[J].微计算机信息,2003(2).

[4]王耀南,李树涛,毛建旭.计算机图像处理与识别技术[M].北京:高等教育出版社,2001:138-144.

[5]邹翠霞.显微数字图像系统的尺度定标方法[J].大连:大连工业大学学报,2008.

[6]CASTIMANK R.数字图像处理[M].朱志刚,译.北京:电子工业出版社,2002:3-6.

[7]谷口庆治.数字图像处理[M].朱虹,廖学成,乐静,译.北京:科学出版社,2002:114-115.

显微图像定量分析 篇9

关键词：生物图像,图像采集,图像处理,生物显微镜

1 引言

在对生物细胞进行生理及其方面研究时, 生物细胞图像处理是其中一项重要的研究内容, 其中图像处理方法在图像分析中是一个经典问题, 目前的图像处理中尚无一个通用的处理方法, 也不存在一个标准的处理流程, 只能根据实际的生物图像, 并结合特定的的算法。以下内容即是对各种常用算法的比较, 以便从中选择。

2 生物细胞图像处理

2.1 图像预处理

根据作用目标的不同, 首先对生物细胞图像进行预处理, 进行亮度、对比度、色调、对比度调节, 色彩反相, 伪彩、左右镜像, 上下镜像, 图像旋转, 灰度化图像个通道内容, 图像拆分图像合成, 线性加权图像合成, 直方图均衡等, 从而使得后面处理效果明显。

2.2 生物细胞图像的滤波选择

生物图像增强主要是对图像进行加随机噪声, 椒盐噪声, 以及进行均值滤波, 孤立点去噪, 选择式掩模平滑滤波, 中值滤波, 高斯滤波, 根据作用目标的不同, 选择不同的滤波方式, 图1为滤波效果图。

(1) 中值滤波

在实际采集的细胞图像处理时, 细胞图像是含有噪声的, 我们首先要对图像进行滤波, 在滤波方法中比较重用的一个方法就是中值滤波, 在滤波过程中对参数进行调整, 其中滤波窗口尺寸一般选择3。然后对有椒盐噪声干扰的图像进行中值滤波的结果如图1 (g) 所示。

(2) 均值滤波

在上述的中值滤波方法中, 细胞图像处理的效果虽然比较好, 但是为了进一步提高处理的效果, 引用了均值滤波。设定细胞数字图像f (x, y) 为M×N的一个阵列, 在经过平滑处理后的图像为g (x, y) , 得到的平滑图像为

式中:1, 2, ......, N;

S- (x, y) 像素点的预定领域 (不包括 (x, y) 像素点) ;

为了比较效果, 处理时采取了细胞的局部图像, 其中滤波结果如图1 (e) 所示, 从图中可以得出:其中的图像去噪结果比较良好, 但是质量下降了, 均值滤波的平滑效果和采用的图像领域半径有关, 半径增加的同时, 模糊程度也要增加。

(3) 选择式掩模平滑滤波

实际图像处理消除噪声的过程中, 都有平均化带来的缺陷, 使的边缘模糊程度增高。

均值的计算公式为:

方差的计算公式为:

式中, N为各掩模对应的像素个数。

实现效果即图1 (f) 。

2.4 图像分割

(1) Gauss laplacian算子

高斯平滑运算导致图像中边缘和其他尖锐不连续部分的模糊, 其中模糊程度在于σ的值, 如果σ值越大, 噪声的滤波效果越好, 同时影响了边缘检测, 因为丢失了边缘信息, 但是如果取小的情况, 又可能留有太多的噪声, 处理平滑不完全, 效果依旧不好。经过这个算子对细胞图像处理的结果如图2 (a) 所示。

经过实际比较, LOG算子对噪声的敏感程度很低, 其中σ取值较小时, 平滑度较低, 会有假边缘出现, σ取值大时, 平滑度要高, 但是也丢失了重要的边缘信息, 出现了间隔。

(2) Canny算子

想更好的对图像细胞细节进行保留的同时对细胞图像分割, 从而使用了坎尼 (Canny) 算子。用Canny边缘检测算子对细胞图像的边缘检测结果如图2中 (b) ~ (f) 所示, 分别用了5种自适应最优阈值。

用Canny边缘检测算子对细胞图像的边缘检测的效果最好, 其中的失误率比较低, 而且噪声影响的并不大, 对后续的边缘检测进行影响, 从而方便了后续的处理。

3 结论

本文探讨了在生物细胞图像上的数字图像处理技术的应用, 首先对图像进行预处理, 然后对图像进行去噪和分割, 在以上处理方法中处理效果比较良好。为了更好的研究其中的特征信息, 仍需要在以下方面进行研究:

(1) 对采集到的图像经过一定手段处理后, 如何进行定量的评价图像质量, 从而能判断出处理方法的好坏, 从而制定指定的规则, 以便以后图像处理的便捷。

(2) 能提取细胞图像不便的特征参量, 可以选择更好的参数, 例如纹理参数, 光密度等, 还要考虑从降低某些特征参量, 从而提高实际处理中的速度, 以便以后大规模的细胞图像处理, 以及分类识别。