IPP-总结.doc

　为了形象表达土壤断面上的微观孔隙结构特征,可利用IPP 中的布尔代数运算和双线性刻度、旋转、移位等几何功能,对二元化的土壤SEM 图像进行空间变换和三维数字模拟操作。

图像分割是图像分析的关键步骤,并最终影响后期的数据结果。利用MATLAB 的图像形态学处理,结合IPP 对土壤团聚体(孔隙) 的内孔填充操作,可过滤掉不需要的对象,从而弥补土壤这类复杂介质SEM 图像分割时产生的误差。IPP 形态学处理的流域分割法,能识别土壤SEM 图像中的成簇团聚体的边界并实施分离,从而实现团聚体的定量分析。
IPP 的计数与测量功能强大,可快速获得测量结果,并基于测量结果自动分类和统计,增强了土壤SEM图像的测量、数据统计与分析的能力,提高了工作效率。通过对SEM 图像作空间变换和三维数字模拟操作,可逼真再现土壤微观孔隙结构特征。利用该项技术开展土壤微观结构研究,取得了很好的效果。

本研究中采用数码相机作为数字图像的采集设备, 经反复试验比较表明, 500万像素数码相机就可以有效地识别粗集料的形状与棱角特征。数字图像处理系统是MA SCA 系统的核心, 其将完成数字图像中集料颗粒的识别、分割、测量及相关处理工作。本研究中采用M edia Cybernet ics 公司开发研制的Image Pro Plus 5.0 作为数字图像的处理软件。

（1） 备料
对即将拍照的粗集料按研究需要进行取料, 如其表面有较多的灰尘或泥土, 可先清洗烘干。由于不同岩性石料的色泽差异很大, 甚至有些石料颗粒内部可能还掺杂其他色泽的细小颗粒(如花岗岩、辉绿岩) , 如果用原色石料直接拍照, 后期进行数字图像处理时难以建立统一的分割阀值, 同时可能有孔洞存在, 不利于准确地获取颗粒图像的边界信息。为了在后期数字图像处理时便于将集料颗粒成功地从背景中识别、分割出来, 在本研究中将拍照的粗集料均染成黑色。

基本流程：
备料
拍摄图像
图像处理
选料
清洗
摊铺
照明
图像识别
图像测量

（2） 拍摄图像
拍照时将清洗、着色后的集料均匀地摊铺在白色的底座上, 每个集料颗粒间留有适当的空隙。拍照前先调整各个照射光源的高度与入射角度, 尽可能地减少颗粒的阴影。为了在后期数字图像处理时能够精确地进行尺寸校正, 应在拍照前建立合适的标尺。
（3） 图像处理
将拍摄所得的数字图像进行边缘识别, 确定其最佳分割阀值, 同时对从背景中分离出来的集料颗粒特征进行测量。

根据MASCA 系统的计算结果,借助于数理统计软件SPSS

将二维数字图像级配转化为三维机械筛分级配的修正方法。
验证其相关性，比较相对误差。
该方法对于不同岩性石料与不同的工程级配均具有很好的普遍性。

由轮廓形状、棱角性和表面纹理量化的矿质集料的形态(形状特征) 对沥青混合料的性能具有极为明显的影响. 为研究粗集料形态对沥青面层抗剪性能的影响,将粗集料形态视为首要因素,定义了基于图像的粗集料形状参数,采用编制的图像处理程序,获取了五组颗粒形状特征不同的粗集料其形状参数,运用单轴贯入试验分析了粗集料形态参数对SAC-16 混合料抗剪强度的影响。结果表明,粗集料各种形态参数对混合料抗剪强度都有不同程度的影响,且扁平比对抗剪强度的影响最大,必须控制粗集料中扁平颗粒的含量。

大量的研究结果表明,粗细集料颗粒的形状、棱角性和表面纹理会影响集料之间的共同作用和集料与沥青胶结料之间的相互作用,还与路面层的耐久性、施工和易性、抗剪和抗拉强度、劲度、疲劳响应、最佳沥青含量和最终性能等有关,尽管对集料形状特征的影响已经有了普遍的认识,但目前并没有标准的试验方法来直接和客观地测量集料的棱角性和表面纹理. 目前我国的规范对沥青混合料用粗集料的形状特征没有相应的试验方法和技术指标,这方面的相关研究也极少,美国虽已出台了一些规范如ASTM C1252 - 03、ASTM D3398- 00 和AASHTO TP56 (AASHTO 2003) 等,但这些方法并不能精确地应用于大范围的集料,且只是间接地测量集料颗粒的形状和纹理。近年来,由于图像分析技术已成功运用于材料科学及岩土工程等不同领域的材料微观结构分析之中,故图像处理技术也开始被引入道路工程来测定集料的形状特征,它可以对不同尺寸的各种类型的集料形状特征进行快速、精确和客观的测量. 利用图像处理和分析技术,粗集料的形状特征完全可以用以下3个指标来量化: 轮廓形状( Form) 、棱角性(Angularity) 和表面纹理(Surface Texture) ,其示意图如图1 所示.

由本研究所做的大量比对试验结果，可以根据集料三维视图确定6个基于图像的关键性指标来描述粗集料的个体形状特征，即圆形度（ROUND）、纵横比（AR）、近似多边形周（APPR）、球形度（DS）、扁平比（FER）、形状因子（SF），其中扁平比和形状因子指标相类似，具体介绍见表1。
DL = Max（D1，D2，D3）
DS = Min（D1，D2，D3）
剩下的一个中间值计为Di。
表1 所确定的粗集料个体形态6个关键性指标
指数维数
名 称
定义/计算公式
表征的形状特征

二维指标
圆形度ROUND
集料周长的平方与面积4倍的比（圆形比值为1，其它大于1）

轮廓形状
纵横比AR
集料等效椭圆的长轴与短轴之比（面积与一、二阶矩等效，即为D1与D2之比）
近似多边形周长比APPR
集料周长与轮廓近似多边形周长比值的平方
棱角性和纹理

三维指标
球形度DS
DS=/

轮廓形状
扁平比FER
FER=DL/DS
形状因子SF
SF=DS/
注 表中D1和D2分别为正面图中每个颗粒的最小外接矩形长和宽，D3为对应的侧面图中颗粒高度。

　以上给出了粗集料个体的形状特征计算指标,由于研究集料的目的主要是研究其形状特征对沥青混合料宏观性能的影响,而宏观性能不是通过单个集料的形状特征表现出来,因此有必要研究一定数量集料总体的形状特征. 对于集料总体的形状指标,考虑到与集料级配建立联系,作者采用集料复合形状指标它是所设计混合料中所用粗集料经图像处理之后单个平均指标的加权总和,其中变量ai 是混合料设计中第i 级粗集料的质量百分比,变量inde xi 是混合料设计中第i 级粗集料某一基于图像的指标的平均值,最终的累加计数器n 是混合料中粗集料的粒径级数. 由于该方法比较精确、计算方便且易于编程,故作者将采用这种方法来计算集料总体的形状指标。

将需要计算形状特征参数的粗集料分组按一字形排列于拍摄台上,分别获取粗集料的正面和侧面彩色图像,然后将彩色图像进行阈值化处理获得二值灰度图像,然后用本研究开发的处理软件进行求算,具体流程及软件界面如图3 所示。

美国SHRP(Strategic Highway Research Program)研究计划提出了关于沥青胶结料与混合料的Superpave 设计体系。Superpave 是基于体积法的混合料设计方法,比传统的Marshall 设计法前进了一大步,但仍缺乏有效的理论依据与验证手段 。目前,按Superpave 与Mar shall 设计法设计的沥青路面仍然存在较多的工程病害。Superpave 设计法与传统的Marshall 设计法多限于采用表象法研究沥青混合料的性能,即研究沥青混合料宏观品质(级配、空隙率和密度等) 与路用性能(高温抗车辙、低温抗裂和疲劳等) 的关系。然而,沥青混合料的细观与微观结构(集料形状、尺寸、棱角及集料个体在混合料中的空间分布状况、沥青薄膜厚度和沥青砂浆的空间分布等) 对混合料的路用性能起到极为重要的影响,这在当前的Superpave 与Mar shall 设计方法中均未得到充分考虑。沥青混合料微细观结构研究是阐述沥青混合料行为特征的理论基础与重要途径,国内外关于这方面的研究已经开始。为此,本文论述了基于混合料微细观结构的力学特征数值模拟的研究进展,讨论了研究中存在的问题,并对研究方向进行了展望。

同任何材料一样, 沥青混合料的力学性质和工程性状呈现出不确定性、不规则性、模糊性、非线性。从材料学的观点看, 这种宏观力学行为的复杂性正是沥青混合料微观结构复杂性的反应。沥青混合料复杂微观结构决定了沥青混合料材料科学不得不借助于各学科最新的研究成果的交叉来不断自身完善。
分形理论是法国数学家Mandelbrot 创立的, 它以极不规则的几何图形为研究对象, 故又称之为“破碎理论”。目前, 分形理论已经被广泛的运用于研究自然界中常见的、不稳定的、不规则的现象, 已经成为材料科学的得力工具, 在金属材料、岩土材料的研究中得到广泛的运用。现有的研究成果表明, 分维值是一个表述复杂性的定量参数, 可以起到连接材料微观结构与宏观性能之间的桥梁作用, 有望成为指导材料设计的定量指标。

沥青混合料集料存在着几个层次的分形。首先,集料往往使用机制碎石, 碎石的表面就是一种分形。当不同尺度的碎石混合后, 表征集料特征尺寸的粒径( 筛孔径) 形成一种分布, 这种分布函数是一种数学分形。由此导致其质量分布函数( 通过率) 、体积结构也为分形。

沥青混合料集料粒径分布的分形模型

沥青混合料集料体积分形模型
单个集料是三维空间中的有限体积, 不是分形。但当具有一定级配不同尺寸的集料混合后, 由于他们不能填满所占有的三维空间, 按分形定义, 这种空间填充能力不足就形成体积分形。

因此, 在测试原材料时, 测定集料的捣实密度( 或压实密度) 、集料的毛体积密度和细集料的表观密度, 即可用式(19) 计算得出级配集料的孔隙率, 再利用集料的孔隙分形模型, 即可计算出沥青混合料集料的体积分维。由此可以看出, 体积分维是与集料的密度、表面形状、集料级配、最大粒径、最小粒径密切相关的量。因此体积分维DV 是一个饱含丰富信息的重要参数。

沥青混合料集料的分形分维与沥青混合料路用性能的关系

Image-pro plus (IPP) 是美国Media Cybernetics公司的图像处理软件产品，是一个集图像获取、处理、分析一身的开发平台。虽然IPP本身具有了许多处理功能，可以广泛应用于医学、工业、军事等的领域，但其专业化不强。面对繁多的通用图像处理技术，常常使非图像处理专业的工作人员感到无从下手。当IPP不具有一些特殊处理功能时，他们又不会自行开发功能软件包。这时就需要专业开发人员根据他们的需要，来做这项工作。我们所研制开发的基于工即开发平台的医学专项检测系统便是特别设计的，适合于国内医学研究与诊断的分析系统，结合了国外先进的开发平台技术，以符合国内临床研究人员的需求。（可作为后续开发软件）

数字图像处理技术随着计算机的发展而日新月异。它起始于60年代，早期处理自空间发回的照片，现今己经广泛地应用于遥感、军事、地质、化工、矿产分析、作物产量估计、大地测量和医学等各个领域。

图像预处理技术的发展概况
图像预处理技术对于医学图像分析是必不可少的，原因在于医学图像的质量较差，含有较大的噪声，使得图像的对比度与清晰度不高。图像预处理的主要目的在于，一是改善图像的视觉效果，提高图像成分的对比度与清晰度；二是使得图像更利于计算机处理。
图像预处理技术在图像处理形成之时，就成为重要的研究对象。它的方法或算法由许多种类，很多已成为经典理论。它们不断被总结、被改进，有许多书籍加以了系统的介绍。
图像预处理可分为空间域法和频率域法两大类。空间域处理是直接对图像灰度级进行运算。频率域处理是在图像的某种变换域内，对图像的变换数值进行运算，然后再通过逆变换获得效果增强的图像。图像预处理的方法可概括为：

针对血管图像，定量分析的前提条件就是有效地将血管提取出。然而，由于各种因素，图像质量较差，血管与背景的对比度较低，图像清晰度不高，导致血管不易提取。经典的检测算子，如Robert算子、Sobel算子及Laplacian算子等，均为边界检测，其结果图像皆为边缘线条图。随着数学、人工智能和计算机技术的发展，出现了许多新形式的检测方法，如数学形态法、小波变换法、神经网络法、图像配准、模板匹配方法等。许多研究人员使用各种方法处理不同类型的图像，并对其效果进行了详细的比较，得到的结论是:针对不同图像，还没有一个通用的最佳检测方法，研究人员应根据具体情况选择使用或改进检测方法。近几年来有大批学者研究检测血管的处理算法，大多数血管图像为眼底的血管影像，如Tolias YA，于1998年提出了基于模糊族的血管跟踪算法，Can A利用直接探测算法处理视网膜的血管图像，以及一些检测或增强血管壁(血管边界)的新算法。对于光学成像的尿囊膜血.管图像的处理方法，少有参考文献。

数学形态学在医学图像处理中的应用
数学形态理论〔}:}1是由法国的G. Matheron和J. Serra于1964年创立，主要以积分几何.、几何代数、拓扑论为理论基础，以图像的形态特征作为研究对象，其主要内容是设计一整套概念、变换和算法用以描述图像的基本特征和基本结构。它最基本的思想是将图像看成点的集合，用结构子(structuring element，又称结构元素，结构矩阵)对其进行邻域运算。数学形态学由击中与否变换开始，导出了腐蚀与膨胀、打开与关闭、粗化与薄化等图像代数运算，这些运算相互组合形成更多的算法，如骨架化、边缘提取、形态滤波器等。数学形态学的算法具有高效、并行性，软硬件实现容易，因此应用范围十分广泛。在医学图像处理中也不乏例子，可用于噪声滤除、图像分割、特征提取、三维重建等方面。
1999年，马东等人研究了重叠细胞核的数学形态学分割方法。腐蚀膨胀分割法较为简单，适合分离重叠不严重的细胞核。且膨胀与腐蚀的次数尚需人工确定，并且它们的不可逆性会造成一定的误差。对于重叠复杂的图像，采用极限腐蚀和测地膨胀重建算法，效果有所提高。但进行两种方法之前，要先进行阂值化处理，阂值分割方法的固有缺点是只考虑了图像灰度信息，未能利用空间分布信息、梯度信息及形状、纹理信息等，存在误分割情况。基于种子点的水坝分割算法直接进行灰度形态学运算，避开阐值化处理。此算法中从种子点向周围区域的生长不是按灰度一致性的规则，而是模拟淹没过程，采用队列数据结构存储待处理像素，可以有序地控制区域生长的过程，整个过程只对每个像素处理一次，因此水坝算法是较为有效的分割算法。由其实验，一该方法可将灰度接近背景的细胞核提取出来。但也存在缺点，需要进一步研究。

数学形态学图像处理这种方法通常用于二值图像，或扩展到灰度图像。但细胞图像是染色显微图像，细胞核、细胞浆具有不同的染色，能否利用细胞图像中的色彩信息来辅助于图像的分割?这一问题在近几年也越来越引起人们的重视。2000年，马东等人提出了利用细胞图像的彩色信息、亮度信息、边缘梯度信息等多种特征，通过将各信息加权组合实现了改进的水坝分割算法，得到满意的分害口效果。然而有些源于灰度图像的分割方法并不适合于直接分割彩色图像，有人提出了聚类法、区域分裂合并法〔翻、神经网络法等等。

图像分割技术概述
在对图像研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景，其它部分则称为背景。为了辨识和分析图像中的目标，需要将它们从图像中分离提取出来，在此基础上才有可能对目标进行测量。图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。图像工程可分为三个层次：图像处理，图像分析和图像理解。图像分割是从图像处理到图像分析的关键步骤，也是进行图像理解的基础。
图像分割的研究已有几十年的历史，有关它的技术和算法种类繁多且层次不穷，其中有典型实用的分割技术，如微分算子边缘检测、边界跟踪、阈值分割、区域生长等，又有近年来结合特定数学理论和工具提出的或者针对专门图像提出的特殊技术，如基于数学形态学、神经网络、信息论、模糊集合、小波分析、遗传算法等的分割技术。
关于图像分割算法的分类也有不同说法。文献「38〕提出将分割算法分为三大类：①阈值分割；②边缘检测；③区域提取。但事实上区域提取包括了闽值分割。文献「39」则提出分为六部分：①阈值分割；②像素分类；③深度图像分割；④彩色图像分割；⑤边缘检测；⑥基于模糊集的方法。从算法角度来看，各部分内容是由重叠的，如深度或彩色图像的分割是利用①，②和⑤的方法进行的。文献「40]根据相邻像素之间的不连续性和相似性，将分割算法划分为四大类：①并行边界类；②串行边界类；③并行区域类；④串行区域类。
图像分割算法一直是图像分割研究中的重点，.至今己经提出了各种类型的分割算法，但这方面工作仍在积极进行。

4.1 图像滤波处理
在图像的获取过程中，由于种种条件限制和随机干扰，必然会使图像中产生许多噪声。消除图像噪声的工作称之为图像滤波或平滑。图像滤波处理可以有效地去除多种干扰，突出图像中的目标对象，是图像预处理最重要的工作。然而，滤波处理在消除高频噪声分量的同时，也会损失掉一定的图像细节。考虑到细胞图像和免疫组化图像，这种损失是可以忽略的。
图像滤波的算法较多，使用中需要视具体图像灵活运用。经典的图像滤波的方法有中值滤波、邻域平均法等等。

4.1.1 邻域平均法
一般认为图像是由许多灰度恒定的小块组成，相邻像素之间存在很高的空间相关性，而噪声则是统计独立的。因此可用像素领域内的各像素的平均灰度值代替该像素原来的值，实现图像的平滑。
令被讨论像素的灰度值为F（j，k）以其为中心，窗口像素组成的点集用A表示，L为集内像素数。经领域平均法滤波后，像素F（j，k）的对应输出为

即用窗口像素的平均值取代F（j，k）原来的灰度值。
使用邻域平均法时，邻域的选取通常有两种方式：四点邻域(以单位距离为半径)或八点邻域(以单位距离的倍为半径)。四点邻域的邻域A为

L=4；八点领域的领域A为

邻域平均法有力地抑制了噪声，同时，也出现了因平均作用而引起的模糊现象，模糊程度与邻域半径成正比。为了尽可能减小模糊失真，可采用“超限邻域平均法”，公式如下：

就是说F（j，k）大于邻域平均值某一给定值后，作噪声处理，否则其值不变。
4.1.2 中值滤波
中值滤波对于干扰脉冲和点状噪声有良好的抑制作用，而且可以在抑制噪声的同时又能很好地保持边缘的清晰，是一种非线性图像增强技术。一般地，中值滤波器是一个含有奇数个像素的滑动窗口，经过排序后，位于中间的数值即为窗口像素的中值滤波输出值：

窗口像素的点集仍用A表示。
中值滤波器的窗口形状可以有多种，如线状、方形、十字形、圆形、菱形等(见图4-1)。不同形状的窗口会产生不同的滤波效果，使用中必须根据图像的内容和不同要求加以选择。从以往经验来看，方形和圆形窗口适宜于外轮廓线较长的物体图像，而十字形窗口适于有尖角的物体图像。

使用中值滤波器去除噪声的方法很多，且十分灵活。一种方法是先使用小尺度窗口，然后逐渐加大窗口尺寸，直到滤波效果开始降低为止。另一种方法是一维滤波器和二维滤波器交替使用。或者使用同一种滤波器对图像进行迭代操作，直至输出无变化为止。
中值滤波具有许多重要特性，如：
①对离散阶跃信号、斜升信号不产生影响，连续个数小于窗口长度一半的离散脉冲将被平滑，三角函数的顶部平坦化。
②令C为常数，则有

③中值滤波后，信号频去基本不变。
4.2 图像并行区域分割技术
并行区域分割技术是指采用并行的方法通过对目标区域的检测来实现图像分割的技术。图像分割的目的是将感兴趣的区域提取出来，所以针对区域进行的分割是最直接的方法。并行区域分割技术在实际应用中主要有两大类：①阈值化算法；②特征空间聚类。从某种意义上说，特征空间聚类可以看作是阈值化技术的推广。阈值化算法是图像分割中算法数量最多的一类。阈值化算法主要有两个步骤：
①确定需要的分割阈值；
②将分割阈值与像素值比较以划分像素。
4.2.1 灰度图像分割
在利用取阈值方法来分割灰度图像是一般都对图像有一定的假设，即是基于一定的图像模型的。最常用的模型可以描述为：假设图像有具有单峰灰度分布的目标和背景组成，处于目标或背景内部相邻像素间的灰度值是高度相关的，但对于目标和背景交界处两边的像素在灰度之上有很大的差别。如果一幅图像满足这些条件，它的灰度直方图基本可看作是又分别对应目标和背景的两个单峰构成的。这时，只利用一个闭值就可以将图像中各种灰度的像素分割成两个不同的类，这种方法称为单阈值分割方法。如果图像内有多个灰度值不同的区域，那么需要选择一系列的阈值以将每个像素划分到合适的类别中去，称为多阈值分割方法。
设一幅原始图像f（i，j），取单阈值T分割后的图像可定义为：

这样得到的g（i，j）是一幅二值图像。在一般的多阈值分割情况下，取阈值分割后的图像可表示为：

其中T0，T1，…，Tk是一系列的分割阈值，k表示赋予分割后图像各区域的不同标号。
确定阈值是阈值化分割的关键。如果能够确定一个合适的阈值就可以方便地将图像分割开来。本系统通过基于直方图特性和人机交互的方法，来确定阈值，从而获得视觉上最满意的效果。该方法简便灵活，适用面广。
4.2.2 彩色图像分割
要分割一幅彩色图像，首先要选好合适的彩色空间；其次要采用适合于此空间的分割策略和方法。最常见的彩色空间是红绿蓝(red，green，blue，RGB)空间，它是一种矩形直角空间结构的模型，是通过对颜色进行加运算完成颜色综合的彩色系统。它用R，G，B三个基本分量的值来表示颜色，但这三个分量之间常有很高的相关性，直接利用这些分量常常不能得到所需的效果。为了降低彩色特征空间中各个特征分量之间的相关性，以及为了使所选的特征空间更方便于彩色图像分割方法的具体应用，实际中常需要将RGB图像变换到其它的彩色特征空间中去。
比较接近人对颜色视觉感知的是色度、饱和度和亮度(hue，saturation，intensity，HSI )彩色空间。其中I表示不同颜色的明暗程度，主要受光源强弱的影响；H表示不同的颜色；S表示颜色的深浅。HSI模型有两个重要的基础：①I分量与彩色信息无关；②H和S分量与人感受彩色的方式紧密相连。HSI彩色空间比较直观并且符合人的视觉特性，这些特点使得HSI模型非常适合基于人眼视觉系统对彩色感知特性的图像处理。从RGB到HSI的转换关系为：

其中，H是由R，G，B经非线性变换而得到的。在饱和度低的区域，H值量化粗，特别是在饱和度为0的区域(黑白区域)，H值已经没有意义，即当S=0时，对应无色，此时H没有意义，定义H为0。当I=0时，S也没有意义。
H, S，I三分量之间的相关性比R，G，B三分量之间要小得多。由于HSI彩色空间的表示比较接近人眼的视觉生理特性，人眼对H, S, I变化的区分能力比对R，G，B变化的区分能力强。另外在HSI空间中彩色图像的每一个均匀性彩色区域都对应一个相对一致的色调(H)，这说明色调能够被用来进行独立于阴影的彩色区域的分割。

当对彩色图像的分割在HSI空间进行时，由于直方图的特征来分割。H，S，I三个分量是相互独立的，可以建立一个“3-D直方图”，如图4-2所示，借助取阈值的分割方法进行图像分割。

测量的参数：

第二章 数字图像处理技术
数字图象处理技术作为本文研究的基础，为了研究工作的进一步展开，有必要首先将所涉及到的数字图象处理技术（Digital Image Processing）作简要的介绍。
2.1 数字图象处理概述
数字图象处理是利用计算机根据不同应用、不同要求对数字化图象进行处理。其研究可以追溯到40年代的美英之间越过大西洋的图象传输。然而真正的计算机图象处理应该从1964年美国喷气发动机实验（JPL）用计算机处理了宇宙飞船拍摄的月球照片。此外，美国西部的JPL W.Pratt领导的南加州大学图象处理研究所，美国东部的A.Rosenfeld领导的马里兰大学实验室相继开展了图象的增强和恢复、图象编码以及图象的边缘提取和分割等一系列初级图象处理技术研究。迄今为止图象处理技术已在各行业、各学科广泛应用，较典型的如遥感图象处理中气象的大区形势、地理地图绘制、地质勘探、农业估产、森林资源调查、海洋检测等。另一典型应用是生物医学工程领域，如人体内部无损诊断的MRI，XCT和超声等。
2.2 图象数字化处理简介
数字图象处理是把需要处理的模拟图象数字化。如图2-1中的网格把欲处理的图象罩上，然后把每一个方格中的模拟图象的各个亮度取平均值，作为该小方格中点的值；也可以把方格的交叉点处的模拟图象的亮度作为该方格交叉点上的值。这个网格又称为抽样网格，其意义是以网格为基础，采用某种形式取抽取模拟图象的代表点的值，也成为抽样。抽样后形成的图象为数字图象。数字图象的几个名词介绍如下。

（1）空间分辨率是指网格在水平方向和垂直方向共分为多少格，通常空间分辨率用水平方向M格垂直方向N格表示，记为M×N。每个离散像点称为象元或象素。本文所述的图象分辨率即空间分辨率。
（2）密度分辨率方格对模拟图象抽样的值仍是连续的，在计算机中舍入到符合2n幂的值。n可大可小，n小亮度层次变化少，n大亮度层次变化多。一幅图象亮度层次变化多，则图象看起来柔和逼真。这个亮度层次的多少称为密度分辨率。在计算机中其指标用2n来表示。本文中的n均为8，称为256级灰度级。
（3）空间频率读者已熟悉随时间周期变化的程度可以用频率表示，那么空间周期变化的程度则用空间分辨率表示。图2-2所示，水平方向三幅图都有明暗变化。右图空间频率高，左图空间频率低。空间频率高表征图象细微变化或称细节；空间频率低表征图象中大的物体。

从模拟图象形成数字图象的过程来看：一幅图象的空间分辨率越高，密度分辨率越高，则图象质量越好越逼真。但在计算机图象处理中这两项指标越高，则占用的存储空间就越多。由于图象数据量大，在数字图象处理中需要更长的运算时间。目前主流的密度分辨率为256，空间分辨率有不断升高的趋势，本文采用的是M×N为五百一十万象素的数码照相机作为图象采集端。
2.3 数字图象处理方法介绍
图象处理是针对性很强的技术，根据不同应用、不同要求采用不同的处理方法。采用的方法是综合各学科较先进的成果而形成的，如数学、物理学、心理学、生理学、医学、计算机科学等。各学科互相补充、互相渗透才使数字图象处理技术飞速发展。计算机图象处理的主要问题是算法原理和专业硬件，它们都反映上述技术的综合性。计算机图象处理采用两大类方法：一类方法着重在空域中处理，即在图象空间中对图象进行各种处理；另一类方法是把空间图象经过变换，如经过傅立叶变换，变到频率域，在频率域进行各种处理，然后再变回到图象空间，形成处理后的图象。本文主要采用第一类方法。
2.4 计算机图象处理系统
计算机图象处理必须建立一个处理系统，系统包括硬件环境和软件能力两项。硬件环境一般分为两大类，如图2-3所示。市场上图象处理的硬件多种多样，价格相差较大，从总体上分为两类。如图2-3（a）所示计算机插入一个图象插板，图象插板中有刷新图象存储器等专用硬件而处理工作由计算机软件完成，这种类型可以简称为软件型图象处理系统，其处理速度完全取决于计算机的处理速度。另一类如图2-3（b）所示用专用硬件进行图象处理，而主机仅用作发布命令及进行小部分处理，图象硬件处理可以脱机进行。此专用硬件称为图象计算机，因此这一类可称为图象计算机型图象处理系统。本文使用的是第一类图象处理系统，下面就这一类系统作简要介绍。

1、输入部件
输入部件是一个图象处理信号的来源，此信号的质量将影响总体处理效果，其中最主要的问题是输入设备引入了噪声。因此，任何图象处理系统都为去除这种噪声做了许多工作。一般系统常采用摄像机作为输入部件，其噪声指标是影响图象处理系统工作的关键指标。高档摄象机的低噪性使图象的灰度分辨率提高而能获得图象中的微弱灰度变化信息。
其次是空间分辨率，它取决于应用的要求。作为一个通用图象处理系统常用的空间分辨率为512×512。此外图象获得时A/D转换的输入信号应满足于计算机时钟严格锁相等要求。
常用输入设备有一下几种类型：
（1）光-机械式有光机鼓、激光扫描仪、光学读入器、微密度计等；
（2）电子束式有电视摄像管、飞点扫描仪等；
（3）固态器件以电荷耦合器件为主体的输入设备（CCD摄象机、照相机）得到广泛的应用，它具有空间分辨率高、位置线性好，体积小等优点。
2、图象存储部件
图象存储部件的选用应满足以下各项要求：
（1）三端存储体结构要适应快速存储；
（2）容量要大。
（3）地址数据的管理应灵活；
（4）与计算机的接口、数据传输、存盘以及各种媒体的配合应灵活快捷。
3、计算机主机
以软件处理为主的图象处理系统对计算机的速度、内存、功能都要求较高，若出现速度达不到要求，就要改变算法或更换更高档的计算机。对图象计算机类型的图象处理系统则可以对计算机的各项指标要求低些。但以上两种类型都要求计算机能挂多种外设，诸如磁带、磁盘、光盘以及鼠标滚动球、数字板等，以使图象处理操作更加灵活。
4、输出设备
输出设备的目的有两个：一个是将处理前后或处理中间结果的图象显示出来，供分析、识别和解释；另一个是制成硬拷贝或以数据的形式记录下来永久保存。中间显示设备多数用CRT显示器。作为硬拷贝的输出设备有各种打印、喷墨输出设备等。

2.5 数字图象处理常用术语
1、数字图象处理（DIP）
数字图象为一个物体的数字表示，则象素就是离散的单元，量化的（整数）灰度就是数字量值。处理是指某个事物受到一个过程的作用，能导致某个期望目标的一系列操作。数字图象处理是指一幅图象变为另一幅经过改进的图象，因此是一个由图象到图象的过程。数字图象分析则是将一幅图象转化为非图象的表示，如一个测量数据或一个决策等。然而不严格时数字图象处理往往也兼指处理及分析，本文的数字图象处理指处理和分析两个部分。
2、数字化（digitizing）
数字化是将一幅图象从其原来的形式转换为数字形式的处理过程。数字化的过程主要包括下面三个步骤：
（1）扫描指对一幅图象内给定位置的寻址，在扫描过程中被寻址的最小单元的图象元素即象素，对摄影图象的数字化就是对胶片上的一个个小斑点的顺序扫描。矩形扫描网格常称为光栅。
（2）采样指在一幅图象的每个象素位置上测量灰度值。采样的实际意义是将连续图象离散化，用有限的离散点表示连续的图象，记录每个象素点的位置和灰度值。
（3）量化指将测量的灰度值用计算机所认同的二进制整数表示。扫描、采用和量化这三个步骤组成了数字化过程，现在的数码设备（数码照相机、摄象机）都整合了这三个过程，可直接得到数字化的图象。
3、运算
当一个处理过程将一幅图象变为另一幅输出图象时，必须保持两幅图之间点的对应，输出图象的每个象素对应输入图象的每个象素。所以当对输入图象的某个点，或该点为中心的一个邻域施加运算时，运算结果产生的灰度值被存储在输出图象的对应点上。数字图象的运算可分为几类，第一类为全局运算，此运算是对整幅图象进行相同的处理。第二类是点运算，其输出图象每个象素的灰度值仅依赖于输入图象对应点的灰度值。点运算有时称为对比度操作或对比度拉伸。第三类为局部运算，它的输出图象上每个象素的灰度值是由输入图象中以对应象素为中心的邻域中多个象素的灰度值计算出来的。
4、其他
对比度：是指一幅图象中灰度值反差的大小。
灰度分辨率：是指单位幅度上所包含的灰度级数，本文为256。
采样密度：是指图象上单位长度包含的采样点数。
阈值：图象处理二值化过程中，为将图象处理成为仅有0和1两个灰度级别，而设置的灰度级别的分界点。

图象处理与识别
图象处理技术的目标是对给定的图象进行处理分析，突出和强化感兴趣的目标并进行计算分析，略去不关心的部分将此作为背景。同样，对于集料和沥青混合料的图象处理，通常关心的是在混合料中体积和重量都占绝大部分的集料。因此，集料和沥青混合料的图象处理的关键就是将集料和背景分离，对集料进行计算分析。
沥青混合料数字图象的获取
目前常用的数字图象的获取设备有：扫描仪、CCD相机、CMOS相机等，其中CCD相机的技术已经很成熟，且具有使用方便灵活及性价比高等优点，因此本文采用此CCD相机。对于CCD相机的选择上主要考虑以下几个参数：
（1）空间分辨率分辨率是图象处理过程中的关键性参数，其大小直接影响后续图象处理的精度和计算速度。对于CCD相机，分辨率是指其所能拍摄区域内图象的象素总量，在确定的面积中象素值越高图象越清晰。因此，常用单位线长度上的象素点多少来表示图象的分辨率如：点/英寸（dpi）。dpi可以用来评价被显示器和打印机输出的图象质量。
（2）位深度数字图象中每一个象素点能够单独描述的彩色数据的范围。如二值图象采用0和1记录，即位深度是2；灰度图象使用8位字节，使用0到255之间256个等级来记录象素点的灰度，则位深度为28；同样对于RGB24位真彩色图象的位深度是224。总之，位深度越大，所能描述每个象素的信息就越多，图象的色彩就越丰富；同时位深度越大，图象的大小就越大，这将大大增加图象处理过程中的数据运算量。鉴于此，本文采用24位真彩色的方式获取沥青混合料的数字图象，以便在图象处理的初期获取较多的细节信息。同时为了考虑后期图象分析的计算量，将彩色图象灰度化，再根据需要二值化。
（3）压缩比表示图象的压缩程度，根据使用目的不同有多种压缩原理，如对于静止图象和动态图象的压缩。本文涉及的图象均为静止图象，故采用JPG图象格式，能够满足处理精度的要求。
本文采用的是尼康coolpix5400数码相机作为数字图象的获取设备，其基本参数如下：
解像度：510万象素CCD；
镜头：4倍光学变焦Nikkor f=5.8－24mm(相当于35mm相机28－116mm)；
光圈：F2.8－4.6包括微距；
镜头组合：9件8组，包括一片ED镜片及两片非球面镜片。
数字图象获取过程的关键是保证图象的均一性，所有需要进行对比分析的不同截面图象的获取都要保证相同的分辨率、表面的光照亮度均匀。

数字图象处理
图象处理基本过程

图象处理的基本过程如图3-1所示，分为五个独立的基本步骤。其中2和5在整个处理过程中的作用最为明显，将影响整个处理过程的精度，甚至毫不夸张认为它们是整个处理过程的成败的关键。
1、步骤1截取截面，重点是保持截面选取的典型性，并在切割过程中保持表面平整、光滑、干净。对于切割过程中产生的附着在表面的粉末要清洗干净，否则将影响后续处理。
2、步骤2数码图象的获取，主要是要保证光照均匀，使整个目标图象的明暗度一致。这样才能保证在后续的二值化过程中对一幅图象采用同一个阈值。
3、步骤3图象的灰化，是将获得的彩色数码图象转化为由“黑”到“白”只有从0～255这256个整数的灰度级的黑白图象，便于进行二值化（二值分割）。沥青背景由于较“黑”，灰度多集中在靠近0的数值，而石灰石集料则反之。
4、步骤4图象二值化是整个图象处理过程中的关键部分，将步骤3获得的灰度图象划分为仅仅有0和255这两个级别的黑白图象。而阈值则为编程过程中划分的依据，当某个象素点的灰度小于阈值时就判别为沥青背景，反之则判为集料。本文所采用的算法为取种子点的区域增长算法，阈值概念有所不同，但也基本类似。图3-2为同一截面的灰度图象和二值图象。
5、步骤5图象分析，为整个图象处理的核心部分，主要是采用适当的算法提取感兴趣的参数。沥青混合料的微观结构研究主要是基于这个部分完成