大氣PM2.5顆粒的圖像分析研究

吳晶晶，王 柯，和 森

(1. 西安郵電大學(xué) 電子工程學(xué)院，陜西 西安 710061；2. 西安郵電大學(xué) 通信與信息工程學(xué)院，陜西 西安 710061)

?

大氣PM2.5顆粒的圖像分析研究

吳晶晶1，王 柯2，和 森1

(1. 西安郵電大學(xué) 電子工程學(xué)院，陜西 西安 710061；2. 西安郵電大學(xué) 通信與信息工程學(xué)院，陜西 西安 710061)

基于對(duì)空氣中PM2.5顆粒群圖像特征分析，通過(guò)圖像處理的方法，將圖像中的顆粒進(jìn)行分割，再采用八連通判別算法識(shí)別、標(biāo)記這些顆粒物，測(cè)量出顆粒物的數(shù)目及大小，并在Matlab 7.0軟件平臺(tái)上實(shí)現(xiàn)了標(biāo)記顆粒物和測(cè)量顆粒物粒徑的算法，這種處理與識(shí)別方法不受顆粒形狀的影響，為PM2.5等微米級(jí)顆粒材料的圖像分析提供了參考。

PM2.5；圖像分割；顆粒標(biāo)記；粒徑測(cè)量

科學(xué)證實(shí)，PM2.5是霾的主要組成部分[1]，是指空氣動(dòng)力學(xué)直徑≤2.5 μm的大氣顆粒物質(zhì)[2]，由于其富集有毒重金屬、有機(jī)污染物、細(xì)菌和病毒，可通過(guò)呼吸道進(jìn)入肺泡，進(jìn)而經(jīng)過(guò)血液循環(huán)到達(dá)其他器官，從而導(dǎo)致人體呼吸系統(tǒng)和其他功能系統(tǒng)的損害，因此已受到全世界普遍關(guān)注[3]。本文基于Matlab7.0平臺(tái)研究了計(jì)算顆粒物數(shù)量與大小的算法，為控制PM2.5空氣污染提供了參考。

1 PM2.5顯微圖像的預(yù)處理與分割

1.1 自適應(yīng)閾值分割

圖像分割可便于計(jì)算機(jī)自動(dòng)對(duì)圖像進(jìn)行識(shí)別和處理。圖像分割是指按照一定原則，將圖像分成若干個(gè)互不相交的小區(qū)[4]。閾值法是一種簡(jiǎn)單有效的圖像分割方法，此法用一個(gè)或幾個(gè)閾值將圖像的灰度級(jí)分為幾個(gè)部分，將屬于同一部分的像素視為相同的物體[5]。

本文采用自適應(yīng)閥值法對(duì)顆粒圖像進(jìn)行分割。該方法將原始顆粒圖像分割成若干個(gè)子圖像，并采用最大類(lèi)間方差法求取每一個(gè)子圖像的閥值[6]，再用該閾值分割對(duì)應(yīng)的子圖像。采用自適應(yīng)閾值法分割圖像能較好地消除圖像光照不均的影響。

建立一個(gè)平面、菱形結(jié)構(gòu)元素，使用二值結(jié)構(gòu)要素矩陣SE對(duì)原始圖像數(shù)據(jù)矩陣im1執(zhí)行腐蝕操作，將目標(biāo)的邊緣“毛刺”剔除。使用二值結(jié)構(gòu)要素矩陣SE對(duì)腐蝕圖像BW2執(zhí)行膨脹操作，將目標(biāo)的邊緣或者是內(nèi)部的坑填掉，利用原始圖像im1和膨脹圖像BW3，將圖像轉(zhuǎn)換成灰度圖像I_gray。根據(jù)灰度圖像，統(tǒng)計(jì)256個(gè)灰度級(jí)中每個(gè)灰度級(jí)的個(gè)數(shù)，再根據(jù)圖像灰度大小求出歸一化直方圖。首先計(jì)算出總的平均灰度，然后分別計(jì)算前景與背景的平均灰度比例，最后計(jì)算前景與背景圖像的方差，并將方差值存儲(chǔ)。每次計(jì)算出方差后，與上一次計(jì)算的方差作比較，保留最大方差為 finalT。以最佳閾值finalT為界，將前景像素點(diǎn)賦值為1，背景像素點(diǎn)賦值為0。圖2是自適應(yīng)閾值分割后的二值圖像，圖1是分割前的二值圖像，對(duì)照表明經(jīng)自適應(yīng)閾值法分割后，圖像中重疊的顆粒得到很好的分離，降低了PM2.5顆粒尺寸分布的誤差。

圖1 分割前二值圖像

圖2 分割后二值圖像

1.2 中值濾波

如圖2所示，圖像上存在諸多較小的黑點(diǎn)，這屬于椒鹽噪聲，本文選用中值濾波對(duì)圖像進(jìn)行濾波處理。中值濾波是一種非線性濾波，可較好地避免線性濾波帶來(lái)的圖像邊緣模糊問(wèn)題，一般用來(lái)處理圖像的椒鹽噪聲[7]。中值濾波是將領(lǐng)域內(nèi)像素灰度的中值代替該像素的值,適用于處理脈沖噪聲[8]。

圖3是圖2采用中值濾波處理后的結(jié)果。如圖所示，圖片中濾除了許多較小的黑點(diǎn)，中值濾波后的二值圖像比圖2更加清晰。

圖3 濾波后圖像

1.3 與運(yùn)算

圖像的邏輯運(yùn)算在一定程度上也可以用來(lái)優(yōu)化圖像效果[9]。如圖3所示，中值濾波后圖像中顆粒物邊緣擴(kuò)大，尤其是圖片邊界的顆粒物。顆粒物邊緣擴(kuò)大，白色增多(二值圖像“1”增多)。利用自適應(yīng)圖像閾值分割后二值圖像與中值濾波后的二值圖像進(jìn)行“與”運(yùn)算將優(yōu)化圖像效果[10]。如圖4所示是優(yōu)化后的圖像效果。

圖4 與運(yùn)算優(yōu)化后圖像

1.4 Canny邊緣檢測(cè)

步驟1 去除噪聲。將原始圖像數(shù)據(jù)與高斯平滑模板進(jìn)行卷積處理，對(duì)比原始圖像后發(fā)現(xiàn)，經(jīng)過(guò)卷積的圖像變得輕微模糊。這樣，經(jīng)過(guò)高斯平滑模板處理后的圖像將不再受到單獨(dú)一個(gè)像素噪聲的影響[11]。

步驟2 尋找圖像中的亮度梯度。針對(duì)圖像邊緣可能會(huì)指向不同方向的這種情況，Canny 算法使用 4 個(gè) mask對(duì)水平、垂直以及對(duì)角線方向的邊緣分別進(jìn)行檢測(cè)[12]。將原始圖像與4個(gè) mask分別進(jìn)行卷積處理并存儲(chǔ)。對(duì)于每個(gè)點(diǎn)都標(biāo)識(shí)在這個(gè)點(diǎn)上的最大值以及生成的邊緣方向[12]。這樣就從原始圖像中生成了每個(gè)點(diǎn)亮度梯度圖以及亮度梯度的方向[12]。

步驟3 在圖像中跟蹤邊緣。在一定程度上，邊緣的亮度梯度有可能是較高的亮度梯度，但不確定多高的亮度梯度可作為一個(gè)門(mén)限來(lái)判定是否為邊緣，所以 Canny算法使用了滯后閾值。滯后閾值需要高低兩個(gè)閾值。假定圖像中的重要邊緣由連續(xù)曲線組成，在避免將噪聲像素當(dāng)成邊緣的前提下跟蹤給定曲線的模糊部分[13]。于是可從其中一個(gè)較大的閾值開(kāi)始，使用前面導(dǎo)出的方向信息，標(biāo)識(shí)出比較確信的真實(shí)邊緣，從這些真正的邊緣開(kāi)始在圖像中跟蹤整個(gè)邊緣[14]。再使用一個(gè)較小的閾值跟蹤曲線的模糊部分直到回到起點(diǎn)[14]。當(dāng)完成此過(guò)程后，便得到一個(gè)二值圖像，其中每個(gè)點(diǎn)都表示一個(gè)邊緣點(diǎn)。

圖5 邊緣檢測(cè)后的圖像

1.5 孔洞填充

利用自動(dòng)閥值選擇法對(duì)圖像進(jìn)行Canny算子檢測(cè)，提取邊界，但處理后有些PM2.5顆粒內(nèi)部存在孔隙，可利用imfill函數(shù)對(duì)這些孔洞進(jìn)行填充，避免在計(jì)算顆粒數(shù)目過(guò)程中產(chǎn)生誤差。

如圖3所示，分割后的圖像黑色的背景上有眾多白色顆粒，而有些白色顆粒內(nèi)有黑色的孔洞，本文采用孔洞填充來(lái)填補(bǔ)二值圖像中的孔洞區(qū)域。圖5所示是圖3經(jīng)過(guò)孔洞填補(bǔ)后的結(jié)果。

1.6 開(kāi)操作

采用開(kāi)操作分開(kāi)圖像中粘連在一起的顆粒，首先將粘連顆?！案g”，可斷開(kāi)顆粒間狹窄的連接部分并消除細(xì)的突出物，這樣不僅可使顆粒輪廓光滑，且也適當(dāng)縮小顆粒尺寸；然后對(duì)經(jīng)過(guò)“腐蝕”操作后的顆粒再進(jìn)行“膨脹”操作，恢復(fù)顆粒的大小到原來(lái)的尺寸。但是開(kāi)操作具有一定的局限性，只能分開(kāi)連接長(zhǎng)度較小的顆粒群，對(duì)于分離連接長(zhǎng)度較大的顆粒群以及直徑小于或等于結(jié)構(gòu)元素大小的顆粒都不適用于此操作[15]。

本文針對(duì)采用開(kāi)操作無(wú)法分離的個(gè)別顆粒，起始階段使用了自適應(yīng)閥值分割法來(lái)處理。圖6顯示了對(duì)圖5進(jìn)行開(kāi)操作的結(jié)果。

圖6 開(kāi)操作后圖像

2 顆粒數(shù)目

圖6中相互連接的白色象素的集合表示一個(gè)顆粒，顆粒的標(biāo)記過(guò)程即給顆粒標(biāo)上記號(hào)。八連通判別算法是指在由“0”象素(顆粒信息)和“1”象素(背景信息)組成的點(diǎn)陣圖像的二值圖像中，把顆粒信息從相互鄰接的8個(gè)區(qū)域的“0”值象素集合中提取出來(lái)。

本程序采用八連通判別算法，通過(guò)對(duì)圖像每個(gè)聯(lián)通的白色區(qū)域進(jìn)行標(biāo)記操作，從而求得顆粒數(shù)目[15]。如釁7所示，設(shè)有4個(gè)不聯(lián)通的顆粒，0表示背景，1,2,3,4表示顆粒[15]。在算法中，定義count記錄顆粒數(shù)目，定義數(shù)組arr(count)表示第count個(gè)顆粒內(nèi)部包含的象素個(gè)數(shù)。如第1個(gè)顆粒，arr(1)=5；第2個(gè)顆粒，arr(2)=5。下面以標(biāo)記顆粒1為例，說(shuō)明計(jì)算顆粒數(shù)目和面積的具體算法。

(1)初始化count=0；從左到右、上到下逐個(gè)掃描圖像；若沒(méi)有遇到顆粒，則繼續(xù)掃描。若遇到顆粒，如(1,1)，則依次判斷像素點(diǎn)的左方(1,0)，左上方(0,0)，上方(0,1)，右上方(0,2)，右方(1,2)，右下方(2,2)，下方(2,1)，左下方(2,0)是否為顆粒，若均不為顆粒，則count值加1；

(2)若左方點(diǎn)為顆粒，則當(dāng)前點(diǎn)跟左方點(diǎn)均為白點(diǎn)，白點(diǎn)入隊(duì)列，并標(biāo)記為已訪問(wèn)。如：當(dāng)前點(diǎn)(1,2)，其左方點(diǎn)(1,1)為顆粒，所以當(dāng)前點(diǎn)(1,2)與左方點(diǎn)(1,1)相同的值，即count相同，arr(count)的值加1；

(3)若左方點(diǎn)不為顆粒，則判斷左上方點(diǎn)。如當(dāng)前點(diǎn)(2,4)，其左方點(diǎn)(2,3)不為顆粒，而左上方點(diǎn)(1,3)為顆粒，所以當(dāng)前點(diǎn)(2,4)與左上方點(diǎn)(1,3)相同的值，即count相同，但arr(count)的值加1；

(4)若左上方點(diǎn)不為顆粒，則判斷上方點(diǎn)。如當(dāng)前點(diǎn)(5,6)，其左方點(diǎn)(5,5)和左上方點(diǎn)(4,5)均不為顆粒，而上方點(diǎn)(4,6)為顆粒，所以當(dāng)前點(diǎn)(5,6)與正上方點(diǎn)相同點(diǎn)值，即count相同，但arr(count)的值加1；

(5)同理，若當(dāng)前點(diǎn)的左方點(diǎn)、左上方點(diǎn)、正上方點(diǎn)均不為顆粒，則以同樣的方法一次判斷右上方點(diǎn)，若右上方點(diǎn)也不為顆粒，則判斷右方點(diǎn)；

(6)由于當(dāng)前點(diǎn)(1,7)的左方點(diǎn)(1,6)，左上方點(diǎn)(0,6)，正上方點(diǎn)(0,7)，右上方點(diǎn)(0,8)均不為顆粒，則當(dāng)前的值count加1；

在具體實(shí)現(xiàn)中，首先從左到右，從上到下，依次檢測(cè)每個(gè)象素，如果發(fā)現(xiàn)某象素值為1，則依次檢測(cè)該點(diǎn)的左方點(diǎn)、左上方點(diǎn)、正上方點(diǎn)、右上方點(diǎn)，根據(jù)前面介紹的連通性判斷，記錄顆粒數(shù)目，最后count的值就是統(tǒng)計(jì)的顆粒的總個(gè)數(shù)，arr(count)就是每個(gè)顆粒的象素總數(shù)。對(duì)圖6計(jì)算出的顆?？倐€(gè)數(shù)是302，其中PM2.5顆?？倲?shù)是247。

0列1列2列3列4列5列6列7列8列0行0000330001行0110330402行0110300443行0010000444行0000004445行222200444

圖7 八連通判別法示意圖

3 顆粒大小

本文研究顆粒大小時(shí)，先處理原始圖像，獲得二值圖像，二值圖象中，相互連接的白色象素的集合成為一個(gè)顆粒。顆粒的邊界內(nèi)部有眾多像素，通過(guò)這些像素來(lái)計(jì)算顆粒的大小。本文先逐行逐列地遍歷尋找首個(gè)前景(白點(diǎn))p，標(biāo)記為1，并調(diào)用連通域函數(shù),將該點(diǎn)傳遞給形參，返回值為每個(gè)domain中包含的總象素。調(diào)用函數(shù)中首個(gè)白點(diǎn)入隊(duì)列，以該點(diǎn)為中心，該點(diǎn)左方的點(diǎn)為出發(fā)點(diǎn)，順時(shí)針?lè)较虮闅v尋找白點(diǎn)，并將尋找到的白點(diǎn)入隊(duì)列，對(duì)隊(duì)列中的點(diǎn)繼續(xù)進(jìn)行查找。同時(shí)將白點(diǎn)周?chē)I(lǐng)域已訪問(wèn)的點(diǎn)標(biāo)上標(biāo)記，避免重復(fù)訪問(wèn)，降低效率。當(dāng)該點(diǎn)領(lǐng)域的點(diǎn)全部被訪問(wèn)到時(shí),該點(diǎn)出隊(duì)列，對(duì)應(yīng)的指針后移,直到指針指向空為止，將該域的象素總數(shù)count賦值給返回值c,c為該域即該顆粒的大小。

在實(shí)際測(cè)量中，往往需要對(duì)顆粒進(jìn)行實(shí)際尺寸的測(cè)量。利用了Nikon公司提供的標(biāo)稱(chēng)值為0.01 mm的測(cè)微尺，使用與圖1～圖6相同的放大倍數(shù)[15]，計(jì)算得出1 μm對(duì)應(yīng)3.015個(gè)象素。因此，通過(guò)轉(zhuǎn)換，可得顆粒的實(shí)際面積，把顆粒近似看成圓形，可計(jì)算出其的等效直徑。從而在測(cè)出的所有顆粒中，利用PM2.5顆粒直徑的限制，可以統(tǒng)計(jì)出PM2.5顆粒的數(shù)目，再統(tǒng)計(jì)出PM2.5顆粒面積和粒徑大小，在實(shí)驗(yàn)結(jié)果中將顯示其運(yùn)行的PM2.5顆粒尺寸分布結(jié)果。

3 實(shí)驗(yàn)結(jié)果

在Matlab 7.0軟件平臺(tái)上運(yùn)行程序，在PM2.5顆粒顯微圖像預(yù)處理后得到圖1～圖6所示圖像，充分將重疊顆粒進(jìn)行分離，并測(cè)得顆粒物的總個(gè)數(shù)是302顆，每個(gè)顆粒物的大小如圖8所示(單位：象素)。而又因?yàn)镻M2.5顆粒的直徑是≤2.5 μm的，利用直徑大小，可從302粒顆粒中篩選出247個(gè)PM2.5顆粒。在Matlab7.0軟件平臺(tái)上運(yùn)行程序，為更客觀地看到顆粒數(shù)目及大小，本文截取5張運(yùn)行結(jié)果的圖片。如圖8～圖12所示，顯示了247顆PM2.5顆粒的粒徑大小及顆粒面積大小。

圖8 顆粒總數(shù)及大小

圖9 PM2.5顆粒數(shù)目

圖10 PM2.5顆粒粒徑

圖11 PM2.5顆粒大小

圖12 PM2.5顆粒大小

4 結(jié)束語(yǔ)

對(duì)上述顆粒物圖像的處理過(guò)程是在Matlab 7.0平臺(tái)上進(jìn)行的，共處理了302個(gè)顆粒,每個(gè)顆粒的大小存儲(chǔ)在數(shù)組arr(count)中，其中247個(gè)PM2.5顆粒，并將每個(gè)PM2.5顆粒的大小存儲(chǔ)在數(shù)組arry (l)中，將每個(gè)顆粒的粒徑大小存儲(chǔ)在arrys(l)。由此可見(jiàn)，本文顆粒處理、識(shí)別、顆粒數(shù)目計(jì)數(shù)和顆粒面積計(jì)算等均是有效的。本文的程序適用于分析與處理微米級(jí)顆粒物的尺寸分布，為控制PM2.5顆粒污染提供了理論基礎(chǔ)。

[1] 譚譯,陳默.城市霧霾治理政策措施探討[J].環(huán)球人文地理,2014(2):88-90.

[2] 葉秋霞.顆粒物PM10和PM2.5對(duì)體育鍛煉和身體健康的影響[J].河南農(nóng)業(yè),2014(8):57-58.

[3] 楊洪斌,鄒旭東,汪宏宇,等.大氣環(huán)境中PM2.5的研究進(jìn)展與展望[J].氣象與環(huán)境學(xué)報(bào),2012,28(3):77-82.

[4] 盛仲飆.基于對(duì)比度增強(qiáng)的分水嶺分割算法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2012(12):90-92,96.

[5] 劉超,蔡文華,陸玲.圖像閾值法分割綜述[J].電腦知識(shí)與技術(shù),2015(1):140-142,145.

[6] 黃麗麗,楊帆,王東強(qiáng),等.基于改進(jìn)型最大類(lèi)間方差法的瞳孔定位方法[J].計(jì)算機(jī)工程與應(yīng)用,2013(23):137-140.

[7] 楊明,李晶.一種新的椒鹽噪聲去除方法[J]. 科技視界,2014(25):111.

[8] 王梅,黃華,應(yīng)大力.基于隸屬度函數(shù)的自適應(yīng)加權(quán)中值濾波[J].電腦知識(shí)與技術(shù),2012(31):7565-7567.

[9] 樊雅平,黃生學(xué).一種新的基于像素交迭的圖像插值方法[J].廣西師范學(xué)院學(xué)報(bào):自然科學(xué)版,2003,20(4):72-76.

[10] 蔣愛(ài)如.基于Matlab的激光圖像背景噪聲的處理[J].大眾科技,2012(11):28-29.

[11] 關(guān)榆君,楊帆.圖像處理在管道機(jī)器人焊縫自動(dòng)定位中的研究[J].工業(yè)控制計(jì)算機(jī),2012,25(12):66-67.

[12] 李武.多景近景攝影測(cè)量的特征匹配[J]. 北京測(cè)繪,2013(5):46-49.

[13] 安然,王輝麟,史天運(yùn).基于智能視頻分析的鐵路弓網(wǎng)狀態(tài)監(jiān)測(cè)技術(shù)研究[C].合肥:第八屆中國(guó)智能交通年會(huì),2013.

[14] 施誠(chéng)誠(chéng).基于視頻流的彈點(diǎn)捕捉和跟蹤[D].上海:東華大學(xué),2014.

[15] 李儀芳,劉景琳.大氣PM2.5顯微圖像粒徑大小的測(cè)量[J].佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào):自然科學(xué)版,2008,26(2):68-70.

Image Analysis of Atmospheric PM2.5 Particles

WU Jingjing1，WANG Ke2，HE Sen1

(1. School of Electronic Engineering, Xi’an University of Posts and Telecommunications, Xi’an 710061, China; 2. School of Communication and Information Engineering, Xi’an University of Posts and Telecommunications,Xi’an 710061, China)

Based on the analysis of PM2.5 particle group image feature in the air,through pictures processing.Use eight communication discrimination algorithm to identify,so as to label particles,measure the number and size of the particles and achieve marking particles and measuring particle diameter of the algorithm in the Matlab7.0 software platform,such kind of processing and recognition is not affected by particle shape,and it provides reference for the image analysis of PM2.5 micron-sized particles.

PM2.5; image segmentation; particle marker; particle size distribution measurement

10.16180/j.cnki.issn1007-7820.2016.12.045

2016- 03- 01

吳晶晶(1990-)，女，碩士研究生。研究方向：圖像處理。

TP391.41；TP312

A

1007-7820(2016)12-162-05