基于图像处理的沙粒形态特征智能检测

摘要：沙粒粒径的测定和统计可以用来评价沙丘转移和沙漠气候的变化状况。为实现沙粒粒径的非接触测量，在实验室使用单反相机、直尺和计算机等设备，构建沙粒粒形参数的检测环境。以野外采集的沙粒为研究对象，利用matlab图像处理工具箱对沙粒图像锐化轮廓、图像降噪、粘连沙粒分割、特征提取和计数。通过将图像处理得到的沙粒等效粒径与Rise-2008系列激光粒径分析仪得到的检测结果比较发现：二者的粒径检测结果误差保持在较小范围，无显著差异。进而对沙粒长径、短径、圆形度、粒形参数检测和统计，并且在图像中对沙粒质心位置进行标定，基本实现了对于沙粒主要形态特征的检测。实验表明，该方法为快速检测沙粒形态特征提供了有效手段。这种方法稳定性好、检测精度较高、成本低，而且省时省力。

关键词：沙粒；智能检测；图像分割；形态特征

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2015）05-0190-03

Intelligent Detection for Sand Shape Characteristics Based on Image Processing

HU Tian-li

（School of Physics & Electrical Information Engineering， Ningxia University， Yinchuan 750021， China）

Abstract： The mensuration and statistics of sand can be used to evaluate sand dune and desert climate change. In order to realize the non-contact measurement of the sand size， a sand grain shape parameters testing environment is created with digital camera， ruler and computer in the laboratory. Then taking the sand grains in the field as the research object， making the outline sharpening， image denoising， extracting the adhesion of sand grains and count them with MATLAB image processing toolbox. By compare the measured results with the Rise-2008 laser particle size analyzer. The results show that the error between the two methods is small， and the results of the two methods are not significantly different. Then statistic sand grain size， short diameter， roundness and particle size， also the position of sand particles in the image is calibrated. This method realize the detection of main morphological characters of the grains. Experimental results show that this method can provide an effective method to detect the morphological characteristics of sand grains. This technique is good stability， high detection accuracy， low detection cost， also save time and effort.

Key words： sand grains； intelligent detection； image segmentation； morphology of sand

土地沙漠化[1]是在干旱、半干旱地区由于人地关系不协调导致的。沙漠化造成的草场退化、耕地缩减对生态安全[2]和经济社会可持续发展[3]造成了严重的影响。其中沙粒粒径对于沙漠水力特性、植被分布和沙丘迁移[4]有重要的影响，也是非常重要的沙漠物理特性之一。沙粒形态特征对沙漠气候[5]和沙粒静电[6]的有效利用具有重要的研究意义。在现代，图像处理方法广泛应用于工业、农业[7-8]、环境[9]以及医药行业的粒形特征获取中，对于粘连物体形态特征[10]的准确计量也有很好的效果。以往基于图像的沙粒形态研究中，由于受到实验仪器[11]、软件操作[12]尤其是粘连沙粒的影响，测量精度都受到了不同程度的制约。随着图像处理方法和手段的进一步发展，图像处理技术及测量精度都得到了长足的发展。

通过采用图像增强、粘连沙粒分割、目标提取，标定图像中的的沙粒测量值与实际值之间比例，测得沙粒粒径。将测试结果与激光粒度分析仪得到的D10、D50、D90数据进行对比，验证方法的有效性后，可以展开对于沙粒其他形态特征的研究。这种测试方法具有很强的易用性，可行性较强，对于智能沙漠[13]的研究和后期沙漠化治理具有很好的借鉴意义。

1 检测环境与原理

1.1 检测环境

在水平实验台上，用三脚架固定相机，使相机的成像平面与工作台平行，在微距模式下以最佳画质方式成像。将白色打印纸平铺在实验台上，使沙粒在单色且背景颜色与被测的沙粒颜色有较大反差的环境成像。将待测沙粒均匀撒在纸上，尽量避免大片沙粒粘连，以提高沙粒提取的准确性。以直尺为参照物，放置于靠近成像中心的位置，在自然光照条件下拍摄包含直尺和沙粒的图像，然后将照片传回电脑。为了提高图像处理速度和运算精度，用photoshop CS6将照片分割成大小适宜且分别包含直尺和沙粒的图像，测试时使用沙粒分布较为均匀，且成像画质为优的图像。

1.2 检测原理

沙粒图像由多个像素点组成，沙粒的实际大小可以通过统计得到的图像中沙粒的像素数量与每个像素代表的实际面积相乘得到。首先采用参考直尺标定法计算沙粒形态数值，即拍摄含有直尺为参考物的沙粒图像，利用图像处理技术采用同一处理手段，分别从图像中提取参考物和沙粒像素。根据已知的参考物尺寸，得到像素值与实际值之间比例，最终求出沙粒的实际粒径。公式（1）、（2）为计算表达式。

[S=L*s*a2/[a（x2-x1）2+（y2-y1）2]] （1）

[a=m2+n2/z] （2）

其中S、L分别为沙粒的实际粒径和参考尺的实际长度，s为图像处理得到的粒径长度，[x1]、[x2]、[y1]、[y2]分别表示图像处理得到的直尺起始端点的横纵轴坐标。a表示显示器单个像素的边长长度。m、n指显示器长、宽像素数，z指屏幕大小。

2 检测方法

2.1 图像预处理

为了展开后续处理，需要将相机拍摄的RGB格式图像转为灰色图像。由于图像直方图分布较为集中，对比度不强，matlab自动选定阈值转换成灰度图像会比较模糊[14]，因此需要将原图像锐化处理，增强对比度和沙粒的轮廓清晰度。在将原图像转换成灰度图像前，首先用拉普拉斯算子中的unsharp对比度增强滤波器对图像进行锐化滤波。之后用matlab图像处理工具箱中graythreshthresh自动选取阈值灰度化图像。对灰度图像直方图均衡化拉伸灰度范围可以进一步增强图像对比度。

灰度化后的沙粒图像只含沙粒区域和背景区域。可以根据两区域的灰度值特点，确定最佳分割阈值，以此为临界值可以将沙粒从背景区域中提取出来，得到表达两类特征的二值图像。观察灰度图的灰度级直方图发现，在[50 150]的灰度级区间内，像素点出现频率非常高。对照灰度图可以看出，背景亮度低于沙粒亮度，可以判断这一区间内出现的大量像素都是背景像素，当然也包含了部分暗的沙粒。分割阈值的确定是决定沙粒提取准确度的关键因素。根据所得图像灰度直方图的特点，对比自动阈值和手动阈值两种方法，图像二值化过程中采用手动设定阈值的方法。分割过程中，既要保证去除非沙粒的孤立点，又要保证沙粒不被去除，多次对比后发现选取0.05的阈值可以很好地将背景和沙粒实现分割。由于图像中存在背景不平坦导致的纹理即干扰像素，需要使用bwareaopen函数删除图像中较小的像素即背景中的小纹理。多次试验后，将参数设定为100个像素。为了验证上述参数选取的合理性，对处理后的图形用canny算子提取沙粒轮廓（图1），与灰度图像叠加，验证实验结果是否合理，如果出现误提取，可以适当调节参数直到得到符合要求的预处理图像。

由于沙粒对光线的反射，采集到的沙粒顶部有时会出现亮斑，二值化后的亮斑会成为白色孔洞。因此需要对二值图像进行孔洞填充，防止后续的运算导致图像在孔洞处分裂，形成伪目标。matlab图像处理工具箱中imfill可以在不改变沙粒形状边界的情况下，对其自动进行孔洞填充，将沙粒补充完整。

之后需要对图像进行开操作消除细小尖刺、断开窄小连接使沙粒边界平滑。再运用圆盘结构元素执行开运算。为了减小目标区域腐蚀过程中减少的面积比例，不影响测量结果，反复对比后发现，当圆盘形结构元素的半径选为3时，对象的总面积变化幅度最小。因此，用半径为3的圆盘形结构元素对图像执行一次开运算处理。

自然光环境中，光线强弱变化会导致拍摄的图像存在一定的噪声，导致图像边缘模糊，因此要采用一定的除噪方法抑制图像噪声。根据图像背景颜色比较单一的特点，选取常用的3×3滤波窗口对图像中值滤波，进行降噪处理。

2.2 粘连沙粒的分割处理

由于图像中存在粘连的沙粒，若不进行分割会使得统计粒径偏差太大，故必须进行分割。首先将粘连的沙粒和单个沙粒分割开来，统计出最大、最小沙粒的面积，取平均值。设置图像中目标面积大于1.7倍平均值则视为粘连沙粒，否则记为单个沙粒。对粘连的沙粒图像采用基于距离变化结合水域变换的分割方法进行分割[15]，从提取图可以看出此法可以很好地将粘连的沙粒分割开来。将分割得到的沙粒图像与单个沙粒图像相加得到图像处理后的结果。通过粘连沙粒分割效果图（图2）可以看出通过采用这种分水岭算法可以很好地将粘连沙粒分割开来。通过扫描等价数组，检测等价标号，再对等价标号进行替换。可以实现扫描法对图像各个不同连通区域的标记，最终在目标区域中心显示各个目标区域标号（图3）。

3 形态特征检测及分析

3.1 沙粒等效直径提取

matlab图像处理中各数值都是基于像素的，通过对分割后图像中沙粒区域的像素矩阵从上到下、从左到右的扫描，并将具有相同特征值的像素值区域累加可以得到沙粒的面积。用bwlabel函数标注图像，得到标注矩阵后，可以用regionprops函数测量每个标号对象的属性，如面积、周长、质心等。还可以统计一些目标对象的属性，例如：通过max、min、mean函数，可以求出最大颗粒面积、最小颗粒面积和平均面积等。

在完成对图片中沙粒的数目统计和面积的测量后，可以得到包含各个沙粒直径的向量，即前景图像中粒径的大小，结合公式（1）、公式（2）可以得到沙粒的实际粒径。以N 37°48′0.95″，E 105°11′42.19″采集的沙粒为例，经过上述图像处理后，在normplot函数绘制的概率密度曲线（图4右图）上手动选取粒径累积概率达到10%、50%、90%对应的数值（单位：微米），与Rise-2008激光粒度分析仪得到的测量数据进行对比（表1）。对比表1数据、分析激光粒度分析仪所得粒径分布直方图和图像处理得到的粒径分布直方图（图4），可知这种方法具有较好的精确度，对于行业常用点D50误差率保持在了较低的水平，基本满足对于沙粒粒径初步判定的要求。

3.2 沙粒长、短径分布特性

分析沙粒提取图（图3）可知，沙粒几何形状类似椭圆，在像素意义下，使用matlab中度量区域属性函数regionprops，分别用MajorAxisLength和MinorAxisLength度量与区域具有相同标准二阶中心矩的沙粒的长轴、短轴长度可以得到类椭圆沙粒的长短轴分布情况（图5），分析可知沙粒长、短径比值主要集中在1.4附近。

3.3 形态参数

首先寻找目标区域边界，采用8链码跟踪法，从目标区域任意选取的某个起点坐标开始，按顺时针方向跟踪，得到与起点最长的边缘曲线。然后将边缘像素看作一个点，当链码值为奇、偶数时，长度分别记为[2]和1，周长即区域边界像素的8链码长度之和[16]。将、离散度、圆形度作为沙粒形态主要表征参数，在获取沙粒面积参数（a）、周长参数（p）之后。统计沙粒离散度dis和圆形度cir（图6），其中[dis=p2/a]，[cir=4πa/p2]。

3.4 沙粒质心标定

假设沙粒质量均匀分布，将质心定义为沙粒目标区域的中心进行标记（图7）。对于沙粒的二值图像， M[×]N大小的目标区域质心的计算表达式可以表示为：

[x0=1NMi=1Nj=1Mxi，y0=1NMi=1Nj=1Myi] （3）

4 结论

通过运用图像处理方法，使用matlab图形处理工具箱处理得到沙粒粒径，通过与rise-2008系列激光粒度分析仪测定的沙粒粒径分布情况对比，验证了方法的可行性。各环节计算结果均通过matlab实时显示出来，便于控制检测精度。之后进一步对沙粒离散度、圆形度、长、短径分布、质心标记等形态特性做出研究，弥补了专业仪器在沙粒形态特征方面测定的不足。结果表明：采用该算法对沙粒进行特征提取时，处理速度快、特征提取效果好，实用性较高。

参考文献：

[1] 王涛，朱震达. 我国沙漠化研究的若干问题――沙漠化的概念及其内涵[J].中国沙漠，2003，23（3）：209-213.

[2] 王涛.干旱区绿洲化、荒漠化研究的进展与趋势[J].中国沙漠，2009，29（1）：1-9.

[3] 董玉祥.中国土地沙漠化问题的环境伦理学思考[J].中国沙漠，2007，27（2）：210-213.

[4] 吴，张登山，田丽慧，等.青海湖克土沙地沙棘林的防风固沙机制与效益[J].干旱区地理，2014，37（4）：777-785.

[5] 魏怀东， 徐先英， 王继和，等，库姆塔格沙漠沙丘的粒度特征[J]，水土保持学报，2007，21（3）：6-9.

[6] 杜全忠，李兴财.大气电场仪用于风沙电场测量的可能性分析[J]，实验室研究与探索，2015，34（4）：8-12.

[7] 曾庆兵，刘成良，苗玉斌，等.基于形态学图像处理的重叠葡萄国径无损测量[J]，农业工程学报，25（9）：356-360.

[8] 邹春富.基于matlab的橙子自动计数实验设计[J]，高校实验室工作研究，2014（04）：63-65.

[9] 牛立聪，孙香花，左晓宝.基于Matlab图像处理的砂石颗粒圆形度计算方法[J]，2012（1）：10-12.

[10] 王国权，周小红，蔚立磊.基于分水岭算法的图像分割方法研究[J]，计算机仿真，2009，26（5）：255-258.

[11] 赵玉峰，周又和.沙粒图像中沙粒粒径的检测和识别[J].兰州大学学报：自然科学版，2007，43（1）：41-45.

[12] 王亮.基于数字图像处理技术的泥沙颗粒分析[D].重庆：重庆交通大学，2013：32-39.

[13] 李新碗.开启沙漠之门的钥匙――智能沙漠[J]，国际学术动态，2012（01）：26-27.

[14] 郑翔，阮志强，夏卫明，何小元.同轴度误差最小包容圆有限元后处理算法[J].东南大学学报，2009，39（6）：1156-1160.

[15] Yanpeng Li， Zhu Ting-ting.Effects of surfactant on bubble hydrodynamic behavior under flotation-related conditions in wasterwater[J].Water science&technology，2012，65（6）：1060-1066.

[16] 吴莹莹，张永梅.基于8链码思想的目标物体面积统计新方法[J].电脑开发与应用，2011（4）：68-70.