焦炭光學組織的超反射率圖像分析系統(tǒng)①

夏 杰, 謝 威, 陳雁秋

(復旦大學 計算機科學技術學院, 上海 201203) (復旦大學 上海市智能信息處理重點實驗室, 上海 201203)

焦炭光學組織的超反射率圖像分析系統(tǒng)①

夏 杰, 謝 威, 陳雁秋

(復旦大學 計算機科學技術學院, 上海 201203) (復旦大學 上海市智能信息處理重點實驗室, 上海 201203)

分析焦炭的光學組織是一種重要的評估焦炭質(zhì)量的方式, 目前這種評估方式還停留在人工階段. 為了改變現(xiàn)狀, 本文設計和實現(xiàn)了一套自動分析系統(tǒng), 可以自動采集焦炭切片的顯微圖像并自動分割和識別其中的焦炭光學組織. 系統(tǒng)由圖像采集系統(tǒng)和圖像分析系統(tǒng)兩個子系統(tǒng)構成. 在圖像采集系統(tǒng)中, 我們使用多角度極化技術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焦炭的超反射率圖像的新型分析算法, 可以準確高效地分割和識別圖像中的各種焦炭光學組織.

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

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

多年來, 國內(nèi)外已經(jīng)有不少運用數(shù)字圖像處理技術對焦炭光學組織進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]提出了一種結合均值偏移和邊緣置信度的焦炭顯微圖像分割方法,但無法識別分割出來的組織類別. 文獻[3]提出了一種基于行程長度紋理特征和支持向量機的焦炭顯微圖像分類方法, 但不能對一幅圖像中的各種光學組織實現(xiàn)分割. 以上焦炭光學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)驗的研究人員通過肉眼也很難分辨. 因此, 上述算法在焦炭光學組織的分割和識別方面有著很大的局限性.

因此, 要進一步分析焦炭樣本中各種焦炭光學組織的分布, 必須依賴于新的成像技術的幫助. 一些研究[4,5]指出多角度極化技術是解決這個問題的關鍵技術之一. 多角度極化技術通過在顯微鏡的入射光路上放置一個起偏器, 使入射光變?yōu)闃O化光, 然后對同一場景不斷改變起偏器的角度來采集目標物的顯微圖像.對于同一個拍攝區(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(見圖1). 因為在不同角度的極化光下, 焦炭光學組織的反射率是不一樣的. 而且,不同焦炭光學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)給不同光學組織的分類和識別帶來了更多重要的信息, 為提高分析精度提供了更好的條件. 在此基礎上, Crelling等[6]設計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

這種新的成像技術也給算法設計帶來了挑戰(zhàn). 對于這種多角度極化技術成像的焦炭顯微圖像, 目前相關的處理和分析的研究還不是很多. 文獻[7]中使用一種自適應多目標圖像分割方法來分割焦炭反射率圖像,但是這個算法無法識別分割出來的焦炭光學組織. Pearson等[8]提出了一個可以分割并識別不同焦炭光學組織的算法. 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)來對每個像素點分類. 多角度極化產(chǎn)生的豐富信息沒有被充分利用,因此算法效果并不是特別理想. 文獻[9]提出一種使用Gabor濾波器提取反射率圖像的紋理信息來分割識別不同光學組織的算法, 在識別的精度方面有了一定提高. 總的來說, 目前對于多角度極化技術成像的焦炭顯微圖像的分析, 相關算法都還不夠成熟, 并且都沒有把不同極化角度下的反射率圖像作為一個整體來看待, 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設計并實現(xiàn)了一個焦炭光學組織自動分析系統(tǒng). 系統(tǒng)分為兩個部分, 圖像采集系統(tǒng)和圖像分析系統(tǒng). 整個系統(tǒng)的流程框架如圖2所示.

圖2 焦炭光學組織自動分析系統(tǒng)流程

圖像采集系統(tǒng)負責拍攝焦炭切片得到顯微圖像.基于文獻[6]我們搭建了一套使用多角度極化技術的焦炭顯微圖像采集系統(tǒng). 對于焦炭切片的某一個采樣點,系統(tǒng)自動旋轉(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)負責對采集的超反射率圖像進行分析, 分割和識別圖像中不同的焦炭光學組織, 生成統(tǒng)計數(shù)據(jù)作為研究人員評估焦炭質(zhì)量的參考和依據(jù). 在圖像分析系統(tǒng)中, 本文提出了針對于焦炭超反射率圖像的一種準確高效的焦炭光學組織分析算法.

2 焦炭超反射率圖像采集系統(tǒng)

2.1 系統(tǒng)硬件結構

我們的圖像采集系統(tǒng)基于ZEISS Imager M1m光學顯微鏡搭建, 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, 我們在顯微鏡的入射光路上, 安裝了一個自動化起偏器. 該自動化起偏器由手動起偏器集成步進電機和編碼器改造而來, 可通過編程控制旋轉(zhuǎn)至任意角度. 顯微鏡的載物臺有三個方向的自由度, 通過左右前后的平移, 可以實現(xiàn)對焦炭切片上不同采樣點的拍攝, 通過上下平移, 可以在拍攝焦炭切片時實現(xiàn)自動對焦. 我們使用一臺AxioCam HRc彩色數(shù)碼照相機采集顯微圖像, 該相機拍攝到的圖像分辨率為1388*1040, 單個通道的每個像素大小為12bit. 實際拍攝過程中我們把彩色圖像轉(zhuǎn)換為灰度圖像來處理.

圖3 圖像采集系統(tǒng)裝置外觀, 藍線為顯微鏡光路

2.2 圖像采集

首先我們需要標定相機. 這里的相機標定是指確定所拍攝的焦炭光學組織的反射率與在其圖像中的灰度值的相互關系. 標定工作完成后, 就可以進行圖像采集. 在焦炭切片的某一個采樣點上, 不同極化角度下相機直接拍攝到的灰度圖像被轉(zhuǎn)換為反射率圖像,即每個像素點的灰度值要根據(jù)標定的結果轉(zhuǎn)換為對應反射率.

2.2.1 相機標定

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

相機標定的目標實際上就是要確定式(1)中α和β的值. 我們使用5張標準片(反射率分別為0%, 0.59%, 0.9%, 1.72%, 7.45%)來標定相機, 拍攝5張標準片可以得到5組R與G的數(shù)據(jù). 然后通過這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)換關系. 同時, 不同極化角度下反射率與灰度值之間的轉(zhuǎn)換關系是不一樣的, 因此在各個選定的極化角度下我們都需要計算相應的的α和β.

2.2.2 超反射率圖像

為了全面準確地獲取焦炭樣本的信息, 在一塊焦炭切片上, 我們均勻設置多個采樣點. 在每個采樣點上, 圖像采集系統(tǒng)控制自動化起偏器從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.

這樣在一個采樣點上采集到的反射率數(shù)據(jù)可以形成一個數(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, 每一層對應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像素是一個k維的向量, 向量的每一維數(shù)據(jù)分別代表這個像素對應的焦炭組織在特定極化角度下的反射率.本文系統(tǒng)在實際的采集流程中, 綜合考慮圖像采集時間和數(shù)據(jù)信息豐富度兩方面, 經(jīng)過多次實驗驗證選擇了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)將一個焦炭切片上的所有采樣點的圖像數(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)會對讀入的所有焦炭超反射率圖像進行分析, 通過有效算法對每一張圖像分割并識別其中的焦炭光學組織, 最后生成相關統(tǒng)計數(shù)據(jù).如何準確高效地分割和識別圖像中的焦炭光學組織是整個系統(tǒng)的難點和關鍵. 對于這種焦炭的超反射率圖像的分析, 目前還沒有比較成熟的算法. 因此, 本文設計了一種新型的分析算法來解決這個問題.

3.2 焦炭光學組織分析核心算法

我們提出的算法的基本思想是: 通過對焦炭超反射圖像中每個像素點分類來達到對不同焦炭光學組織分割和識別的效果. 首先在專家標注過的圖片中對標注的各個像素點提取有效特征, 用來訓練隨機森林分類器[10]. 然后對一張新的焦炭超反射率圖像, 利用分類器對圖中所有像素點分類, 為每個像素點分配一個焦炭光學組織類別.

3.2.1 預處理

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, 超反射率圖像在帶來更多有效信息的同時, 也存在大量的冗余信息, 直接處理是耗時低效的. 因此, 我們有必要先對超反射率圖像進行降維處理.

在焦炭顯微圖像研究領域, 最大反射率與雙反射率已經(jīng)被證明對于區(qū)分不同的焦炭光學組織是很有效的[5,8], 實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, 也丟失了圖像中的很多細節(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)過多次實驗驗證, 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(見圖5)作為下一步進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

對焦炭的超反射率圖像預處理之后, 我們要對降維得到的圖像集合進行特征提取. 按前述, 用來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)域構成, 這些區(qū)域內(nèi)的灰度值相對均勻和穩(wěn)定, 如圖6紅框內(nèi)區(qū)域所示. 因此, 我們采用形態(tài)剖面算法來提取特征. 形態(tài)剖面(Morphological Profle, MP)[11]是一種建立在測地形態(tài)學[12]基礎上的圖像處理算法, 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構. 形態(tài)剖面的基本操作是測地開和測地閉操作, 相比于傳統(tǒng)的開閉操作, 測地開和測地閉操作具有更好的形態(tài)保持能力,不會破壞焦炭光學組織的原有結構. 這些特點使得形態(tài)剖面很適于處理焦炭顯微圖像. 同時形態(tài)剖面基于數(shù)學形態(tài)學, 易于并行處理和硬件實現(xiàn), 在運行速度上有很大優(yōu)勢.

圖6 典型焦炭反射率圖的形態(tài)剖面示例(λ= 2、4、6)

一個形態(tài)剖面由一個開剖面(opening profile)和一個閉剖面(closing profile)組成. 令γ(I,λ)表示對圖像I使用結構元大小為λ的測地開操作后的結果, Θ(I,n)為圖像I的開剖面, 定義如下:

類似地, 令φ(I,λ)表示對圖像I使用結構元大小為λ的測地閉操作后的結果, 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, 開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)剖面實際上是一個圖像序列, 總共2n+1張圖像. 本文實際采用圓盤狀結構元, 則λ可定義為圓盤半徑. 圖6是采用圓盤狀結構元對一張典型的焦炭反射率圖像計算出的形態(tài)剖面示例.

對于圖像I中的一個像素x, 在形態(tài)剖面MP(I,n)中,x對應于一個2n+1維的向量:

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

在預處理過程中, 我們盡可能保留和強化了焦炭超反射率圖像的極化信息. 通過形態(tài)剖面算法, 我們進一步挖掘了圖像的空間信息. 因此, 針對焦炭超反射率圖像的特點, 我們在特征提取過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程.

圖7 對焦炭超反射率圖像提取特征的示意圖

3.2.3 分類器

大量被標記過的像素點經(jīng)過特征提取后, 生成的特征向量(7)將作為隨機森林分類器的訓練數(shù)據(jù). 訓練完成后, 對于一張要分析的焦炭超反射率圖像, 將其所有像素點提取特征后輸入隨機森林分類器. 最終根據(jù)分類結果, 每一個像素點都會被歸類到某一種焦炭光學組織類別.

隨機森林(Random Forests, RF)[10]是一種由多個決策樹組合成的分類器. 隨機森林不需要通過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習大數(shù)據(jù)量的訓練集. 隨機森林的這些優(yōu)點使得它在本文討論的這個問題上很有優(yōu)勢: 一方面, 特征向量(7)的維度是比較高的; 另一方面, 訓練集中有大量標記過的像素點被用來訓練分類器.

4 實驗與討論

我們通過實驗以及與現(xiàn)有其他算法的比較, 從兩個方面來評估本文提出的焦炭光學組織分析算法的性能: 準確性和速度.

4.1 實驗參數(shù)選擇

算法的目標是分割和識別不同的焦炭光學組織.關于焦炭光學組織的具體分類規(guī)則, 我們采用的是國家冶金工業(yè)部頒布的《焦炭光學組織的測定方法》中規(guī)定的標準[14]. 我們把焦炭的光學組織分為各向同性、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別的對象之一.

在實驗中, 形態(tài)剖面的具體參數(shù)設置為:n=12,λ=｛3*i|i=0,1,L,n｝ . 因此, 實驗中對焦炭超反射率圖像中每個像素提取的特征向量(7)是一個75維的向量.

4.2 數(shù)據(jù)集構造與評價指標

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, 并在專家指導下對圖像中典型的焦炭光學組織區(qū)域進行了標注, 形成真值. 我們?nèi)?0張作為隨機森林的訓練集, 10張作為測試集. 我們在測試集上將實驗結果與文獻[7]、文獻[8]以及文獻[9]中提出的算法進行比較.

我們使用準確率(Precision)、召回率(Recall)以及綜合考慮二者的F-Measure來定量評價算法的準確性.它們的定義如下:

這里需要說明的是, 對于特定的一個光學組織類別來說,TP指所有被正確分到這一類的像素點個數(shù),FP指所有被錯誤分到這一類的像素點個數(shù), 而FN指應該屬于這一類卻被分到其他類的像素點個數(shù).

4.3 實驗結果與分析

使用隨機森林分類器訓練并分類后, 對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[7]的算法只能分割不能識別, 分割出的每塊區(qū)域沒有標簽, 因此我們將其分割結果與測試集的真值比較后, 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注的結果. 仔細比較圖8(d)(e)(f), 每張圖中的紅色方框標出了一些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注基本吻合. 這些差異說明文獻[8,9]中的算法在這些光學組織的識別上不同程度地出現(xiàn)了一些錯誤. 這些錯誤積累起來會嚴重影響焦炭光學組織的分析結果, 給研究人員評價焦炭質(zhì)量帶來較大干擾.

圖8 本文提出的算法與文獻[7,8,9]中算法的分割效果對比

具體的定量評價統(tǒng)計數(shù)據(jù)如表1所示, 表中的數(shù)據(jù)也基本驗證了我們從圖8作出的判斷. 從表1的數(shù)據(jù)可以看出, 文獻[8,9]以及本文的算法基本在各個指標上都明顯地高于文獻[7]的算法. 以文獻[7]的算法為基準, 這說明文獻[8,9]以及本文的算法在對焦炭光學組織的分割和識別方面都取得了一定的突破. 進一步比較這三者, 本文提出的算法在準確率和召回率兩個指標上都顯著優(yōu)于文獻[8]中的算法. 與文獻[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, 各個類別的準確率也有不同程度的提升. 特別是在各向同性組織上, 文獻[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組織分析的準確性方面的表現(xiàn)要優(yōu)于文獻[7,8,9]中的算法.

表1 實驗結果準確率和召回率比較

在算法的運行速度上, 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, 算法的運行時間如表2所示. 其中文獻[7]的算法缺少識別的步驟與功能, 因此可比性不大.

表2 算法運行時間比較

5 結語

本文設計與實現(xiàn)了一種基于多角度極化技術的焦炭光學組織自動分析系統(tǒng),并提出了焦炭超反射率圖像的概念. 系統(tǒng)可以自動采集焦炭樣本切片的超反射率圖像, 并對采集的圖像自動分析其中的焦炭光學組織. 為了分割和識別超反射率圖像中的各種焦炭光學組織, 本文提出了一種準確高效的分析算法, 在實驗中各方面表現(xiàn)優(yōu)于現(xiàn)有其他算法. 本系統(tǒng)的設計與實現(xiàn), 給相關研究人員快速可靠地評價焦炭質(zhì)量以及指導煉焦配煤帶來了極大的便利.

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.中國圖象圖形學報,2010, 15(10):1478–1484.

3 王培珍,繆家龍,周可,張代林.基于行程長度紋理特征的焦炭顯微圖像分類算法.煤炭學報,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分析技術.微型電腦應用,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 中華人民共和國冶金工業(yè)部.焦炭光學組織的測定方法.北京:中國標準出版社,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

國家自然科學基金(61175036)

2016-04-04;收到修改稿時間:2016-05-03

10.15888/j.cnki.csa.005489