【正文】 %提取白色區(qū)域中相應(yīng)的參數(shù)信息region1=stats(1)region2=stats(2)region3=stats(3)region4=stats(4)region5=stats(5)。all39。%%%%%%%%%%%%%%%%%%%%%%提取區(qū)域重要參數(shù)信息%%%%%%%%%%%%%L=bwlabel(BW)。圖像特征邊緣輪廓39。figure,imshow(f6)。canny39。)。,39。,status(i).BoundingBox,39。for i=1:5rectangle(39。對區(qū)域添加最小外接矩形39。figure,imshow(BW)。BoundingBox39。)。%對區(qū)域添加白色邊界線endtitle(39。LineWidth39。w39。boundary=B{k}。imshow(label2rgb(L,jet,[.5 .5 .5]))。)。[B,L]=bwboundaries(BW,39。銅合金的二值圖像39。 %通過最大方差閾值法得到合適的閾值分割點，分割成二值圖像figure,imshow(BW)。圖 46 銅合金彩色圖像圖像預(yù)處理 圖像特征提取level=graythresh(x)。)。title(39。 %將模板各元素的中值賦給模板中心位置的元素endend%未被賦值的元素取原值 x=uint8(f5)。end mm=median(e)。 %是c矩陣的第一行for u=2:3 e=[e,c(u,:)]。for m=1:p(1)3+1for n=1:p(2)3+1c=f4(m:m+(31),n:n+(31))。f4=double(f3)。)。title(39。f3=imadjust (f1, f2)。)。title(39。)。title(39。f1=rgb2gray(f)。39。接下來進(jìn)一步對包含銅合金特征區(qū)域的圖像進(jìn)行計算機圖像分析處理。)。imwrite(segmented_images{3},39。第三個聚類區(qū)域39。)。 imwrite(segmented_images{2},39。第二個聚類區(qū)域39。)。imwrite(segmented_images{1},39。第一個聚類區(qū)域39。endfigure。color(rgb_label ~= k) = 0。rgb_label = repmat(pixel_labels,[1 1 3])。)。 imshow(pixel_labels,[]), %顯示聚類分割成的三部分title(39。%進(jìn)行K均值聚類pixel_labels = reshape(cluster_idx,nrows,ncols)。Replicates39。sqEuclidean39。distance39。nColors = 3。 ncols = size(ab,2)。%rgb空間轉(zhuǎn)換成L*a*b*空間ab = double(lab_he(:,:,2:3))。)。cform = makecform(39。原鐵譜圖樣39。figure。39。 圖43 銅合金磨粒彩色原圖 下面采用matlab對圖43進(jìn)行圖像處理，相關(guān)程序流程圖見圖44。 圖43是通過鐵譜顯微鏡觀察得到的一幅銅合金磨粒彩色圖像，其中銅合金很容易借助其特有的微紅黃色加以辨認(rèn)，譜片中其它常見金屬不具有這種色澤。 數(shù)字圖像技術(shù)應(yīng)用于磨粒檢測和分析 鐵譜片上的磨粒是鐵譜分析的研究對象，將數(shù)字圖像處理技術(shù)與鉄譜分析技術(shù)相結(jié)合，應(yīng)用圖像技術(shù)的相關(guān)原理和方法對鐵譜片上的磨粒圖像進(jìn)行適當(dāng)?shù)膱D像預(yù)處理、圖像分析與識別，實現(xiàn)了鐵譜診斷的智能化和自動化。通過利用鐵譜顯微鏡觀察鐵譜片上的磨粒，就可以得到磨粒的有關(guān)特性如形態(tài)、大小、粒度分布等分析結(jié)果。 圖41 制取鐵譜基片（1微量空氣泵 2試管 3導(dǎo)油管 4強磁鐵 5鐵譜基片 6排油管 7廢油杯） 微量空氣泵將小流量的壓縮空氣壓入大試管中，試管中為從機器設(shè)備中所采取的油樣，在空氣壓力的作用下，油樣慢慢地從導(dǎo)油管中壓出，滴在以一定角度傾斜放置在強磁鐵上方的鐵譜基片上。下面就其中分析式鐵譜儀的工作原理做進(jìn)一步說明。 鐵譜儀的主要用途是從油樣中有效地分離出磨粒，以及制成鐵譜片以對磨粒進(jìn)行相應(yīng)的檢測和分析。第4章 數(shù)字圖像處理技術(shù)應(yīng)用于油樣鐵譜分析 鐵譜分析技術(shù)的基本原理 鐵譜分析技術(shù)的原理即是利用強磁場的作用將機器設(shè)備摩擦副所產(chǎn)生的磨粒從油液中分離提取出來，并按磨粒尺寸大小比例沉積在鐵譜片上，然后置于鐵譜顯微鏡下進(jìn)行相應(yīng)的觀察。)圖 315 原圖像與其檢測邊緣輪廓結(jié)果圖316 顯示檢測邊緣結(jié)果 通過對圖像進(jìn)行邊緣檢測后可以很好的凸顯焊縫缺陷的缺陷信息，如上圖的邊緣檢測圖像，很好的顯示出焊接邊緣以及焊接中出現(xiàn)的氣孔情況。)imwrite(K,39。title(39。K=imadd(f,f2)。F:39。)。title(39。原圖像39。Subplot(121),imshow(f)。39。,)。f1=edge(BW1,39。BW=im2bw(f,level)。)。：f=imread(39。最大方差閾值法39。)Subplot(235),imshow(BW)。title(39。T=6039。)Subplot(233),imshow(f2)。title(39。)。title(39。%應(yīng)用最大方差閾值法原理進(jìn)行圖像灰度分割BW=im2bw(f,level)。)。endendend%%%%%%%%%%%%對原圖最大方差閾值分割%%%%%%%%%%%%f=imread(39。for j=1:s(2)if f3(i,j)T3f3(i,j)=0。s=size(f3)。)。endendend%%%%%%%%%%%%對原圖進(jìn)行T=80的閾值分割%%%%%%%%%%%%f=imread(39。for j=1:s(2)if f2(i,j)T2f2(i,j)=0。s=size(f2)。)。endendend%%%%%%%%%%%%對原圖進(jìn)行T=60的閾值分割%%%%%%%%%%%%f=imread(39。for j=1:s(2)if f1(i,j)T1f1(i,j)=0。s=size(f1)。T2=60。f1=double(f)。F:39。 圖像分析 本節(jié)的程序流程圖如下：圖313 圖像邊緣檢測流程圖 采用圖像的閾值法分割的過程中，閾值的選取情況對分割效果有很大的影響，下面先對圖像進(jìn)行閾值T分別為40，60,80進(jìn)行圖像閾值分割，從所得分割結(jié)果中來比較閾值選取對圖像分割的影響效果，然后通過Matlab圖像處理包中存在一個依據(jù)最大方差閾值法原理的graythresh函數(shù)對圖像閾值分割的T值進(jìn)行合理的選取來達(dá)到在不嚴(yán)重失真的情況下達(dá)到對圖像的合理分割。其次巴特沃斯高通濾波處理后的圖像能夠很好的對圖像的邊緣信息進(jìn)行增強，也保存了高頻噪聲；同態(tài)濾波法是集濾波與圖像灰度變化為一體，增強了圖像缺陷的顯示效果。f3=uint8(real(ifft2(f3)))。f3(i,j)=h3*f3(i,j)。for i=1:mfor j=1:nd=sqrt((in1)^2+(jn2)^2)。n1=floor(m/2)。rh=2。dd0=10。f3=fftshift(f2)。f1=double(J)。subplot(336),imshow(g5)。endendg4=ifftshift(g4)。h1=1/(1+(d0/d)^(2*N))。n2=floor(n/2)。N=2。[m,n]=size(f4)。f4=fft2(f1)。g3=uint8(real(g2))。endendg1=ifftshift(g1)。h1=1/(1+(d/d0)^(2*N))。n2=floor(n/2)。N=2。[m,n]=size(f1)。f1=fft2(f1)。title(‘中值濾波處理后’)。 %將模板各元素的中值賦給模板中心位置的元素endend%未被賦值的元素取原值 x=uint8(f3)。end mm=median(e)。 %是c矩陣的第一行for u=2:3 e=[e,c(u,:)]。for m=1:p(1)3+1for n=1:p(2)3+1c=f1(m:m+(31),n:n+(31))。title(‘領(lǐng)域平均法濾波處理’)。 %將模板各元素的均值賦給模板中心位置的元素endend%未被賦值的元素取原值d=uint8(f2)。 %取出x1中從(i,j)開始的n行n列元素與模板相乘s=sum(sum（c）)。f2=f1。p=size(J)。1 0 1。title(‘’)。 pepper’,)。title(‘原圖像’)。圖 36 處理前后的X射線檢測圖像 焊縫圖像濾波 為了消除噪聲對圖像品質(zhì)的影響，采用濾波的方法對圖像進(jìn)行相應(yīng)的處理，并對不同種類的濾波方法處理圖像進(jìn)行了對比，相關(guān)的程序如下： 均值濾波f=imread(‘F:’)。 imshow (f3) %顯示灰度調(diào)整后的圖像imwrite(f3,’’) %保存圖像 對比灰度直方圖處理前與均衡化處理后的直方圖分布情況見圖35： 圖 35 處理前后的直方圖對比從圖35中可以看出原圖的顏色值主要集中在50~100之間，且各顏色值間相對集中，因而圖片顯示效果較為模糊；而經(jīng)過灰度均衡化處理后圖像的顏色值分布在0~255間，同時各顏色值較為分散，明暗效果更加突出，圖像顯示效果更好。)Subplot (1, 2, 1)。%把灰度值為k的像素點數(shù)加1，存在數(shù)組N的第k+1個元素中endendbar(N) %繪制統(tǒng)計用柱狀圖title(39。%生成一個256行和256列的元素全為0的矩陣for i=1:s(1) %嵌套循環(huán)for j=1:s(2)k=f4(i,j)。%變?yōu)殡p精度浮點數(shù)后再取整s=size(f4)。%計算灰度矩陣的最佳輸入?yún)^(qū)間，圖像的灰度對比度最大f3=imadjust (f1, f2)。f1=rgb2gray(f)。F:39。)現(xiàn)在通過Matlab的圖像處理工具箱中的imadjust、stretchlim函數(shù)對上圖進(jìn)行灰度調(diào)整，使圖像的灰度值遍布整個灰度值范圍，是圖像的顯示效果更加的清晰。%把灰度值為k的像素點數(shù)加1，存在數(shù)組N的第k+1個元素中endendbar(N) %繪制統(tǒng)計用柱狀圖title(39。%生成一個256行和256列的元素全為0的矩陣for i=1:s(1) %嵌套循環(huán)for j=1:s(2)k=f1(i,j)。%變?yōu)殡p精度浮點數(shù)后再取整s=size(f1)。)。原圖像輸入灰度均衡化處理中值濾波巴特沃斯低通濾波巴特沃斯高通濾波同態(tài)濾波線性濾波輸出預(yù)處理圖像圖 34 圖像預(yù)處理流程 焊縫圖像灰度處理f=imread(39。 圖 33 原X射線檢測圖樣。 X射線源 被檢測物體 X射線底片 圖 32 X射線檢測物體 圖像預(yù)處理由于通過X射線無損檢測得到的焊縫缺陷圖但X射線得到的焊縫圖像普遍具有灰度區(qū)間比較窄、缺陷邊緣模糊、圖像噪聲多、缺陷特征有時被隱藏等特點，為了更加準(zhǔn)確的檢測出內(nèi)部缺陷，對焊縫圖像進(jìn)行預(yù)處理是必要的。當(dāng)X射線通過被檢測物體時，物體中有缺陷的部位（如氣孔、非金屬夾雜等）與無缺陷部位對射線的吸收能力不同，一般情況下是透過有缺陷部位的射線強度高于無缺陷部位的射線強度，從而可通過檢測透過被檢測物體后的射線強度的差異，來判斷被檢測物體是否存在缺陷。其在無損檢測應(yīng)用過程中，X射線檢測常用于檢測檢測對象的缺陷情況，其中最主要的是用于焊縫缺陷檢測，利用X射線對被檢測對象表面進(jìn)行拍照，在不損傷被檢測對象的情況下就可以檢測出對象內(nèi)部有無缺陷，從而判別對象使用的安全性。即： （232）致密度越大表明單位面積的周長大，即區(qū)域離散為復(fù)雜形狀，反之，為簡單形狀。（3）、長寬比長寬比是將目標(biāo)與近似矩形或圓形目標(biāo)進(jìn)行區(qū)分時，采用的形狀度量。對任意朝向的物體，需確定物體的主軸，然后計算反映物體形狀特征的主軸方向上的長度和與其垂直方向上的寬度，而此時的外接矩形即為物體的最小外接矩形（MER）。3. 形狀特征的描述（1）、長軸和短軸 當(dāng)物體的邊界已知時，用其外接矩形的尺寸來刻畫它的基本形狀。對同一個邊界，如果采用不同的邊界點作為鏈碼的起點，所得到的鏈碼是不同的，從而提出了一種鏈碼歸一化的思想。從在物體邊界上任意選取的某個起始點坐標(biāo)開始，跟蹤邊界并賦給每兩個相鄰像素的連續(xù)一個方向值，最后按照逆時針方向沿著邊界將這些方向碼連接起來，就可以得到物體邊界的鏈碼，因此鏈碼的其實位置和鏈碼完整的包含了目標(biāo)的形狀和位置信息。因此，它們的共同點在于直線度的長度固定，方向數(shù)有限，所以可以用一系列具有這些特點的相連的直線來表示目標(biāo)的邊界。 形狀描述1. 鏈碼鏈碼是圖像處理和模式識別中最常用的一種表示方法，最初是由Freemam于1961年提出來的，用來表示線條模式。這些數(shù)