Számítógépi képelemzés

Átírás

1 Számítógépi képelemzés Szerzık: Dr. Gácsi Zoltán, egyetemi tanár Dr. Barkóczy Péter, egyetemi docens Lektor: Igaz Antal, okl. gépészmérnök a Carl Zeiss technika kft. Ügyvezetı igazgatója

2 1. A képelemzés fogalma 2. Képek érzékelése, rögzítése 3. Pontbeli intenzitás transzformációk 4. Hisztogram transzformációk 5. Konvolúciós transzformációk 6. Szürkeképek morfológiai átalakításai 7. A szegmentálás 8. Bináris képek átalakításai 9. Mérés 10. Mérési eredmények értelmezése

3 A képelemzés fogalma Képi információ számszer adatokkal történ jellemzése. Látás Mérés, alakfelismerés Gépi látás Számítógépi képelemzés er sen függ az emberi tényez kt l kiküszöböljük az emberi látásból ered hibákat

4 A számítógépi képelemzés I Kép Kép Adatok Képalkotó eszköz számítógép Parancsok Parancsok Adatok Képelemz szoftver

5 A számítógépi képelemzés II Esettanulmány: Ferrithányad meghatározása ötvözetlen acél mikroszerkezetében Klasszikus metallográfiai megoldás: pontszámlálás

6 A számítógépi képelemzés III Ferrit hányad F~50% =1%-os relatív hiba biztosításához P = 100 F F σ 2 = pont szükséges Jelent s id igény!

7 A számítógépi képelemzés IV A kép képpontokból áll a legsħrħbb rács, ami a képre rajzolható A ferrit világos a perlit sötét szürkeárnyalatú képen elválaszthatók a ferritet jelentę képpontok Szürkeárnyalatú kép Az elválasztott pontokat kék szín jelöli Összeszámlálva a világos képpontokat, a ferrit területhányada 52.6%.

8 A számítógépi képelemzés folyamata Képek érzékelése, rögzítése. Képek digitális feldolgozása, a lényeges információk kiemelése. A képeken található jellegzetességek vagy objektumok megkülönböztetése. A bináris képek átalakítása, a mérés el készítése.

9 A képek érzékelése 8/105 Digitális fényképez gép Digitális kamera Lapolvasó Képalkotó mér eszköz (SEM, TEM, RTG) Digitális kép

10 A digitális kép 9/105 i j Mátrix szerkezetbe rendezett pontok: képpont (pixel) A képek mérete képpontokból megadott (pl. 800x600) A képpontok koordináta rendszerének origója a bal fels sarok A képpont a szín információt rögzíti

11 A színes kép 10/105 R G B 24 bites tárolási mód: RGB 32 bites tárolási mód: RGBA Egy színcsatorna egy bájt:

12 Az RGB színrendszer 11/105 A színek az alapszínekb l kikeverhet k Három alapszín: R - vörös (700nm), G - zöld (546.1nm), B - kék (435.8nm) Minden szín három adattal írható le

13 A képek digitális rögzítése I. 12/105 Színes képben minden képpont 3 adattal írható le (RGB színkomponensek) A színkomponenseket egy bájton ábrázoljuk: A képpontok tárolása a memóriában sorfolytonosan történik (RGBRGBRGB ) Az adott képpont adatainak az els bájthármashoz viszonyított távolsága (d) egyértelm en megadja a képpont helyzetét (i,j): d=j*3*w+i, ahol w a kép szélessége képpontokban.

14 A képek digitális rögzítése II. 13/105 Képek tárolása a háttértárolón történhet tömörítetlen formában (bmp, tga, pix) nagy fájlméret Képek tömörítése Veszteségmentes: RLE, LZW algoritmusok bmp, tiff formátumok Az eredeti kép visszaállítható Veszteséges: FFT, Huffman algoritmusok jpeg, png, tiff formátumok Az eredeti kép nem állítható vissza teljesen

15 A képek digitális rögzítése III. 14/105 5kB 17kB 250kB

16 A szürke kép 15/105 Metallográfiai gyakorlatban jól elkülönülnek a vizsgálandó objektumok intenzitásuk alapján Egy képpontot csak egy adat jellemez az adott pont intenzitás értéke Az intenzitás értéket egy bájt adja meg: A tárolás ugyanúgy történik, mint színes kép esetében

17 A HSI színrendszer 16/105 Hue színárnyalat Saturation telítettség Intensity intenzitás S H I = max( R, G, B )

18 A bináris kép 17/105 Szürkekép szegmentálásával áll el A képpont vizsgálandó objektumhoz tartozik? Kérdésre ad igaz/hamis választ A bool-i adatok általában egy bájton tárolódnak: = hamis, ellenkez esetben igaz Tárolása megegyezik a szürkeképével

19 A képek digitális feldolgozása 18/105 Szürke kép átalakító m veletek - Pontbeli intenzitás transzformációk - Konvolúciós transzformációk - Hisztogram transzformációk - Morfológiai transzformációk - Egyéb: FT, DCT Bináris kép átalakító m veletek - Inverz kép - Morfológiai transzformációk - Távolság transzformáció - SKIZ

20 Pontbeli intenzitás transzformációk 19/105 eredeti kép átviteli függvény átalakított kép

21 Pontbeli intenzitás transzformációk 20/105 bemenet kimenet eredeti kép táblázat átalakított kép

22 Pontbeli intenzitás transzformációk Komplementer képzés 21/105 O = 255 I Eredeti kép Invertált kép

23 Pontbeli intenzitás transzformációk Négyzetre emelés, gyökvonás 22/105 2 I O = négyzet Eredeti kép O =255 I 255 gyök

24 Pontbeli intenzitás transzformációk Exponenciális, logaritmus 23/105 exp 5 O = 255 exp I 255 ( 5) 1 1 exponenciális Eredeti kép O = ln 255 ln ( I) ( 255) logaritmus

25 Pontbeli intenzitás transzformációk Gamma korrekció 24/105 γ =3 exponenciális Eredeti kép γ =0.3 O = 255 I 255 γ logaritmus

26 Pontbeli intenzitás transzformációk Sáv kiemelése 25/105 O 1 exp σ 2π ( I m) = K 2 2σ 2 Eredeti kép K = m = 100 σ = 40 Transzformált kép

27 Képek érzékelése, rögzítése. A szürkeségi hisztogram 26/105

28 Hisztogram transzformációk 27/105 A képpont új intenzitás értéke az eredeti intenzitás érték és a szürkeségi hisztogram függvénye

29 Hisztogram transzformációk Fényer és kontraszt beállítása 28/105

30 Hisztogram transzformációk Fényer és kontraszt beállítása 29/105

31 Hisztogram transzformációk Hisztogram feszítése 30/105 O = S min + ( S S ) max min I I I I max min min S min = 64 S max = 192 I min kép minimális I max kép maximális intezitás értéke

32 Hisztogram transzformációk Automatikus kontraszt 31/105 Feszítés közé

33 Hisztogram transzformációk Hisztogram kiegyenlítés 32/105 Hisztogram Kumulatív görbe Normálás közé Intenzitás hozzárendelés (LUT)

34 Konvolúciós transzformációk 33/105 I O = j' = 1i' = 1 K ( i', j' ) I( i', j' ) i Konvolúciós kernel K j

35 Konvolúciós transzformációk Átlagolás 34/ Eredeti kép 2x átlagolás zajsz rés

36 Konvolúciós transzformációk Gauss lágyítás 35/ Eredeti kép 2x lágyítás zajsz rés

37 Konvolúciós transzformációk Élesítés 36/ Eredeti kép élesítés Képmin ség javítás

38 Konvolúciós transzformációk Laplace élesítés I. 37/ Eredeti kép élesítés Képmin ség javítás

39 Konvolúciós transzformációk Laplace élesítés II. 38/ Eredeti kép élesítés Képmin ség javítás

40 Konvolúciós transzformációk Élkiemelés 39/ Eredeti kép élkiemelés ( O 1 + O 2 + O 3 + O 4 + O 5 + O 6 + O 7 + O 8 ) / 8 = O

41 Konvolúciós transzformációk Sobel élkiemelés 40/ Eredeti kép élkiemelés

42 Képek érzékelése, rögzítése. Eredeti kép Konvolúciós transzformációk Kirsch élkiemelés élkiemelés 41/105

43 Konvolúciós transzformációk Prewitt élkiemelés 42/ Eredeti kép élkiemelés

44 Szürke kép morfológia 43/105 I Relációs m veletek Pl.: O =min O =max ( I( i', j' )) ( I( i', j' ))

45 Szürke kép morfológia Dilatáció 44/105 Képpont intenzitás értékének helyettesítése környezete maximumával Eredeti kép Dilatált kép Világos területek kiemelése

46 Szürke kép morfológia Erózió 45/105 Képpont intenzitás értékének helyettesítése környezete minimumával Eredeti kép Erodált kép Sötét területek kiemelése

47 Szürke kép morfológia Nyitás 46/105 Egymás után végzett azonos számú számú erózió majd dilatáció Eredeti kép Nyitott kép Sötét területek kiemelése, összemosása

48 Szürke kép morfológia Zárás 47/105 Egymás után végzett azonos számú számú dilatáció majd erózió Eredeti kép Zárt kép Világos területek kiemelése, összemosása

49 Szürke kép morfológia Háttér korrekció 48/105 Egyenl tlen háttérmegvilágítású mikroszkópi felvételek korrigálására két lehet ségünk kínálkozik. 1. Polírozott felület minta felületér l felvételt készítünk, és a megfelel átalakítások után kivonjuk a képb l az egyenl tlen hátteret. 2. Szürkekép nyitások vagy zárások sorozatával teljesen elmossuk a kép jellegzetességeit. Ekkor az egyenl tlen háttér marad vissza a képen, amivel a fenti korrekció ugyancsak elvégezhet.

50 Szürke kép morfológia Lineáris erózió, dilatáció I 49/105 I O =min O =max ( I( i', j' )) ( I( i', j' ))

51 Szürke kép morfológia Lineáris erózió, dilatáció II 50/105 4x dilatált kép Eredeti kép 4x erodált kép

52 Szürke kép morfológia Lineáris nyitás, zárás 51/105 2x nyitott kép Eredeti kép 4x zárt kép

53 Szürke kép morfológia Alternáló sorozat sz r k (ASF) 52/105 Egymást követ nyitások és zárások sorozata fekete simítás: nyitás zárás 2x nyitás 2x zárás nx nyitás nx zárás fehér simítás: zárás nyitás 2x zárás 2x nyitás nx zárás nx nyitás Eredeti kép 3x fekete simítás

54 Szürke kép morfológia Aritmetikai m veletek képekkel 53/105 Két azonos méret és azonos képarányú kép (I 1, I 2 ) esetén értelmezhet. Képek kivonása: Képpontok intenzitásértékeit kivonjuk egymásból a számábrázolás határinak (0..255) figyelembevételével: O(i,j) = I 1 (i,j) I 2 (i,j), ha I1(i,j) I2(i,j) 0 O(i,j) = 0, ha I1(i,j) I2(i,j) < 0 Képek összeadása: O(i,j) = I1(i,j) + I2(i,j), ha I1(i,j) I2(i,j) 255 O(i,j) = 255, ha I1(i,j) I2(i,j) > 255

55 Szürke kép morfológia Top hat 54/105 - = Eredeti kép 2x nyitott kép 2x fehér Top hat - = 2x zárt kép Eredeti kép 2x fekete Top hat

56 Szürke kép morfológia Morfológiai gradiens I. 55/105 dilatáció erózió - = Gradiens kép

57 Szürke kép morfológia Morfológiai gradiens II. 56/105 - = Eredeti kép Erodált kép Eróziós gradiens - = Dilatált kép Eredeti kép Dilatációs gradiens

58 Szürke kép morfológia Medián 57/105 A 3x3-as ablak intenzitásértékeit sorba rendezve, a középs elem intenzitás értékével helyettesítjük a középs elem szürkeségi értékét Eredeti kép Medián kép Apró sötét és világos foltok eltüntetése zajsz rés

59 Szürke kép morfológia SNN 58/105 A 3x3-as ablakban szemben lév intenzitásértékekb l kiválasztjuk a kisebbet. A középs képpont intenzitás értékét helyettesítjük a kapott 4 érték átlagával. Eredeti kép SNN kép Élmegörz lágyítás. Zajsz rés.

60 Szürke kép morfológia Harris élkeresés 59/105 Eredeti kép Harris kép

61 Szürke kép morfológia Min-Max élkiemelés 60/105 Megkeressük a 3x3-as ablak intenzitásértékeinek minimális és maximális értékét, ha a középs elem a minimumhoz esik közelebb, akkor annak értékét veszi fel, ellenkez esetben a maximum értékét veszi fel. Eredeti kép Min-Max kép

62 Szürke kép morfológia Logikai m veletek 61/105 Két azonos méret és azonos képarányú kép (I 1, I 2 ) esetén értelmezhet. Inferior: Képpontok intenzitásértékeib l a kisebbik adja az eredmény intenzitás értéket: O(i,j) = min( I 1 (i,j), I 2 (i,j) ) Superior: Képpontok intenzitásértékeib l a nagyobbik adja az eredmény intenzitás értéket: O(i,j) = max( I 1 (i,j), I 2 (i,j) )

63 Szürke képek Fourier transzformációja I. 62/105 Ha a szürke képet, mint egy intenzitás térképet tekintjük, akkor egy kétváltozós függvényt kapunk. Független változók a koordináták (i,j), függ változó az intenzitás (I) maga. Mint függvény, a szürke kép Fourier sorba fejthet. I ( i, j ) = m= 0n= 0 C mn e i2π( m i W + n j H ) W és H a kép szélessége és magassága, C mn a Fourier együttható. C mn = 1 WH i2 π ( m WH 0 0 f( i, j) e i W + n j H ) didj

64 Szürke képek Fourier transzformációja II. 63/105 A Fourier sor együtthatóinak abszolút értéke ábrázolható kép formájában ahol az együttható nagyságával lesz arányos az intenzitás érték. A Fourier sor együtthatóit felhasználva az eredeti kép visszaállítható.

65 Szürke képek Fourier transzformációja III. 64/105 Alul átereszt sz r : a nagyfrekvenciás együtthatókat elhagyva az apró zavarok sz rhet k ki a képb l.

66 Szürke képek Fourier transzformációja IV. 65/105 Felül átereszt sz r : a kisfrekvenciás együtthatókat elhagyva az apró jellegzetességek emelhet k ki.

67 Szegmentálás 66/105 A mérni kívánt objektumok elválasztása a kép többi részét l. Történhet: - intenzitás alapon - textúra alapján - lokális széls értékek keresése Eredménye a bináris kép, amin az objektumok mérése elvégezhet.

68 Szegmentálás Szegmentálás intenzitás alapján 67/105 Definiálunk egy intenzitás értéket, az ez alatti (vagy e fölötti) intenzitás értékekkel rendelkez képpontok alkotják az objektumokat.

69 Szegmentálás Lokális minimumok, maximumok 68/105 Maximumok keresésénél a 255 intenzitásértékt l csökken állandó intenzitású síkokkal metsszük el az intenzitástérképet. intenzitás fels szint alsó szint x, képpont A fels szint alsó szint maszkjával elkészített geodézikus dilatációját kivonjuk az alsó szintb l. A maradékot hozzáadjuk a bináris képhez.

70 Szegmentálás Lokális minimumok, maximumok 69/105 Eredeti kép Lokális maximumok Lokális minimumok keresésénél 0-tól növekv intenzitás érték állandó intenzitású síkokkal metszünk.

71 Képek érzékelése, rögzítése. Szegmentálás Textúra alapú szegmentálás 70/105 Eutektikum mennyiségének mérésekor az intenzitás alapú szegmentálás detektálja az eutektikum szilárd oldat fázisát! Morfológiai transzformációval az eutektikum fázisai összemoshatók. Eredeti kép 5x nyitás Intenzitás alapján szegmentált kép

72 Bináris képek átalakításai 71/105 Bináris kép átalakító m veletek célja a szegmentálási hibák sz rése és a mérések el készítése. - Inverz kép - Morfológiai transzformációk - Távolság transzformáció - SKIZ

73 Bináris képek átalakításai Inverz kép készítés 72/105 A képpontok értékeit bináris változóknak tekintve a logikai tagadás m velete valósul meg. Eredeti kép Inverz kép

74 Bináris képek átalakításai Erózió 73/105 Az objektumok kontúrjából egy képpontnyi vastagságot elveszünk. A képpontok értékeit bináris változónak tekintve, egy 3x3-as 1-es értékeket tartalmazó kernel és a képpont 8 szomszédságának ÉS m velete valósul meg. Eredeti kép 8x erodált kép

75 Bináris képek átalakításai Dilatáció 74/105 Az objektumok kontúrjából egy képpontnyi vastagságot hozzáadunk. A képpontok értékeit bináris változónak tekintve, egy 3x3-as 0 értékeket tartalmazó kernel és a képpont 8 szomszédságának VAGY m velete valósul meg. Eredeti kép 8x dilatált kép

76 Bináris képek átalakításai Geodézikus dilatáció 75/105 Megadunk egy bináris képet, mint maszkot. A maszk kép szegmentált területeiben adunk csak az objektumok kontúrjához egy képpontnyi vastagságot. A képpontok értékeit bináris változónak tekintve, egy 3x3-as 0 értékeket tartalmazó kernel és a képpont 8 szomszédságának VAGY m velete valósul meg. Ez után elvégezzük a dilatációval kapott kép és a maszk ÉS m veletét. A lokális széls értékek keresésénél alkalmazzuk ezt a m veletet.

77 Bináris képek átalakításai Lineáris erózió és dilatáció 76/105 A 3x3-as kernelb l csak adott irányokat veszünk figyelembe. Eredeti kép 5x dilatált kép

78 Bináris képek átalakításai Nyitás 77/105 Egymást követ erózió és dilatáció. Apró objektumok eltüntetése. Eredeti kép 5x nyitás

79 Bináris képek átalakításai Zárás 78/105 Egymást követ dilatáció és erózió. Különálló objektumok egyesítése. Eredeti kép 4x zárás

80 Bináris képek átalakításai Lineáris nyitás és zárás 79/105 A 3x3-as kernelb l csak adott irányokat veszünk figyelembe. Eredeti kép 4x zárás

81 Bináris képek átalakításai Vázszerkezet 80/105 Az objektumot feltételes eróziós lépésekkel 1 képpontnyi vékonyságúra erodáljuk. Eredeti kép Vázszerkezet

82 Bináris képek átalakításai Kitöltés 81/105 Ha a szegmentált objektumok lyukakat tartalmaznak, a képkerettel nem érintkez szegmentálatlan területek kitölthet k. Eredeti kép Kitöltött kép

83 Bináris képek átalakításai Távolság transzformáció 82/105 Az objektumok képpontjainak kontúrtól mért távolságát mint intenzitás értéket jelenítjük meg egy szürke képen. Eredeti kép Távolság transzformáció

84 Bináris képek átalakításai Távolságok értelmezése képen 83/105 Képen két pont távolsága különböz módon értelmezhet. P 1 City Block Eukleidész P 2 P 1 és P 2 pontok Eukleidészi távolsága: 2 ( i i ) ( j ) 2 d P 1 P = j1 P 1 és P 2 pontok City Block távolsága: d P 1 P = i 2 2 i1 + j2 j1

85 Mérés bináris képen 84/105 Bináris képen mérhet : - kép átlagos paraméterei (terület, területarány ) - objektumok egyedei paraméterei (átmér, kerület ) Az esetek többségében nem a teljes terület adatait mérjük: mér keret (ROI) A mér keretben lév terület adatait mérjük, mintha kivágtuk volna az eredeti képb l.

86 Mérés bináris képen 85/105 Átlagos adatok mérésénél a mér kereten belül lév összes szegmentált képpontot figyelembe vesszük. Objektumok mérésénél a mér keret által elmetszett objektumokat nem mérjük, mert a mérés során nem ismert, hogy hogyan folytatódik a mér kereten kívül. (F leg ott fontos, ahol az objektumok a teljes képen is túl érnek.)

87 A mérés végrehajtása Címkézés I. 86/105 Az objektumokat egyedi nevekkel látjuk el (1, 2,. n). A képen sorfolytonosan végighaladva keressük az azonosítatlan szegmentált képpontokat. A sorrendben talált következ ilyen képponthoz hozzárendeljük a következ címkét. Majd a képpontból kiindulva az összes 4 szomszédsági relációval elérhet azonosítatlan képponthoz is ugyanazt a címkét rendeljük. Az azonosított objektumok mérése elvégezhet. A mérés meggyorsítására alkalmazhatjuk az objektum képet.

88 A mérés végrehajtása Címkézés II. 87/105 Az objektum kép nem valós kép, implementáció során meggyorsítja a mér algoritmusokat. A képpontok az objektumok címkéit jelent egész számokat tárolják. Ezen kitétel mellett a felépítése és a tárolása ugyanolyan, mint a színes képeké.

89 A mérés végrehajtása SKIZ 88/105 Az objektum képen az objektumokat addig dilatáljuk, amíg össze nem érnek. A képkerettel érintkez objektumokat kivesszük a mérésb l. A maradék objektumoknak megkeressük a határát. Az így kirajzolódó szerkezet a hatósugár szerinti vázszerkezet.

90 A mérés végrehajtása Watershed 89/105 Az összetapadt objektumok szétválasztása végezhet el. 1. Objektumok szegmentálása. 2. Távolság transzformáció. 3. Lokális maximumok szegmentálása. 4. Címkézés. 5. Geodézikus dilatáció, ahol a maszk az eredeti szegmentált kép.

91 A mérés végrehajtása Kép átlagos adatainak mérése I. 90/105 Mért jellemz k: Terület: a mér kereten belül lév összes szegmentált képpontot összeszámláljuk. Kerület: a mér kereten belül lév szegmentált és nem szegmentált területek közötti határfelületek hossza. Vízszintes metszésszám: a mér kereten belül lév szegmentált területekbe húzott húrok végeinek darabszáma. Függ leges metszésszám: a mér kereten belül lév szegmentált területekbe húzott húrok kezd pontjainak darabszáma.

92 A mérés végrehajtása Kép átlagos adatainak mérése II. 91/105 Származtatott jellemz k: Területarány: a mért területet osztjuk a mér keret területével. Anizotrópia: a vízszintes metszésszámot osztjuk a függ leges metszésszámmal Kitöltöttség: a mért területet osztjuk a nem szegmentált területtel.

93 A mérés végrehajtása Objektumok mérése I. 92/105 Mért jellemz k: Geometriai középpont: az objektum köré rajzolt legkisebb terület téglalap geometriai középpontja. Súlypont: az objektum által reprezentált síkidom súlypontja. Terület: az objektumot épít képpontok száma. Kerület: az objektum és a háttér közötti határvonal hossza. Szélesség: az objektum köré írható legkisebb terület téglalap hosszabbik oldala.

94 A mérés végrehajtása Objektumok mérése II. 93/105 Mért jellemz k: Magasság: az objektum köré írható legkisebb terület téglalap rövidebbik oldala. szélesség magasság átmér Átmér : a legtávolabbi kontúrpontok távolsága.

95 A mérés végrehajtása Objektumok mérése III. 94/105 Mért jellemz k: Feret átmér k: a legtávolabbi kontúrpontok távolsága adott irányban. Feret 0 Feret 45 szélesség magasság átmér

96 A mérés végrehajtása Objektumok mérése IV. 95/105 Mért jellemz k: Vízszintes vetített átmér : az objektumba húzott vízszintes húrok végeinek darabszáma. Ha az objektum nem tartalmaz lyukakat illetve konkáv beszögelléseket, akkor értéke a Feret 0 érték ével egyezik meg. a vízszintes vetített átmér = a + b b Függ leges vetített átmér : az objektumba húzott függ leges húrok kezd pontjainak száma.

97 A mérés végrehajtása Objektumok mérése V. 96/105 Mért jellemz k: Legnagyobb beírható kör sugara Vázhosszúság: az objektum vázszerkezetét épít képpontok száma. Konvex terület: az objektum konvex burka által elfoglalt terület. Konvex kerület: az objektum konvex burkának hossza.

98 A mérés végrehajtása Objektumok mérése VI. 97/105 Származtatott jellemz k: Általában alakjellemz k. Az alakjellemz k tulajdonsága, hogy dimenzió nélküli értékek. Méret, irány és pozíció invariánsak. Értékükkel az objektumok alakjáról kapunk számszer képet. Körszer ség = Kerület 2 /4πTerület. Értéke 1 esetén körszer az objektum. Nyújtottság = magasság / szélesség. Értéke minél jobban eltér 1-t l az objektum annál nyújtottabb. Kitöltöttség = terület / konvex terület. Orientáció: A legnagyobb Feret átmér höz tartozó szög.

99 Objektumok távolságának mérése I. 98/105 Az anyagtudományi gyakorlatban, csak az egymásra ható objektumok távolságának mérése a kérdés. Az objektumok távolságát definiálhatjuk, mint a súlypontok távolsága. Ám gyakran az objektumok között elhelyezked anyag vastagsága a kérdés (diszlokációs szabad úthossz, repedésterjedés). Ebben az esetben tekinthetjük az objektumok legközelebbi kontúrpontjainak a távolságát, mint az objektumok közötti távolságot.

100 Objektumok távolságának mérése II. 99/ A szegmentált képet címkézzük. 2. Elvégezzük a SKIZ m veletet. 3. Meghatározzuk az egymással határossá vált objektumpárokat. 4. Kiszámítjuk a súlypontjaik közötti távolságot. 5. Megkeressük az eredeti szegmentált objektumok kontúrpontjait. 6. Megkeressük a legközelebbi kontúrpontokat.

101 Eredmények értelmezése 100/105 A mért eredmények önmagukban nem hasznosulnak, vissza kell helyezni az eredményeket az eredeti problémakörbe. A kapott eredmények területmértéke a képpont, hosszmértéke a képpont oldalának hossza. Az eredmények valós mértékekre fordítása a kép skálázása. Skálázás során megadjuk, hogy egy képpont mekkora valós méretnek felel meg. 1 képpont oldal = 0,45µm 220 képpont 1 képpont = 0,21µm 2

102 Eredmények értelmezése Perlit mennyiségének mérése I. 101/105 Acélok normalizáló h kezelése után a termék min sítésére szolgál a ferrit és a perlit mennyiségének mérése. Az eredmény egy szám, a perlit területhányada. Ha ez az érték egy adott elfogadási tartományba esik, akkor a h kezelés sikerült, a termék megfelel nek bizonyul. C45 acél normalizált szövete

103 Képek érzékelése, rögzítése. Eredmények értelmezése Perlit mennyiségének mérése II. 102/105 C45 acélminęség normalizált szövetszerkezetéręl készített mikroszkópi felvételbęl szürke árnyalatos képet készítve a perlit sötétebb árnyalatával elválik a világosabb ferrittęl. Szegmentálva a perlitet a területhányada megmérhetę. Az eredmény 52.6%. A C45 acél egyensúlyban 56% perlitet tartalmaz, így a termék megfelelę. Szürke kép A szegmentált kép

104 Eredmények értelmezése Méret szerinti osztályozás 103/105 Öntött szerkezetekben található pórusok, és grafitos öntöttvasak grafitszemcséinek mérésekor nem csak egy szám, az átlagos méret, lehet érdekes, hanem az objektumok méret szerinti eloszlása. Például gömbgrafitos öntöttvas szövetszerkezetében a grafitok sötét árnyalatúak a vas alapmátrixhoz viszonyítva. Ezt kihasználva szegmentáljuk, majd címkézzük a grafitszemcséket, végül mérjük az egyedi területüket. Gyakoriság <Terület> = 364.8µm Tovább Terület, µm 2

105 Eredmények értelmezése Alak szerinti osztályozás I 104/105 Adott alakú objektumok, mint idegen fázisok az anyagban más-más tulajdonságot adnak az anyagnak. Az ilyen anyagokban min síteni kell, hogy melyik alakcsoportból mekkora mennyiség és méret objektumok találhatók az anyagban. Az öntöttvasak esetében 6 alak osztályt jelöl meg a szabvány. VI osztály: gömb V osztály: szabálytalan gömb III osztály: átmeneti grafit

106 Eredmények értelmezése Alak szerinti osztályozás II 105/105 A sötét grafitszemcséket szegmentáljuk intenzitásuk alapján, címkézzük és mérjük az alakjellemz iket. Az alakjellemz kben el zetesen meghatározzuk azokat a tartományokat, amelyek az azonos alak osztályú szemcséket írják le. A tartományok és az alakjellemz k értékeinek ismeretében osztályozhatjuk A grafitszemcséket. VI osztály: kék V osztály: zöld III osztály: piros

107 é é Anyagtudományi Intézet á