本發(fā)明涉及纖維結(jié)構(gòu)形態(tài)學重建技術(shù)領域，具體涉及一種基于圖像處理的紙張纖維素纖維二維結(jié)構(gòu)重建方法。

背景技術(shù)：

纖維素是自然界中分布最廣、儲量最大的天然高分子，每年植物通過光合作用產(chǎn)生纖維素數(shù)千億噸，因此說纖維素是一種產(chǎn)量巨大的可再生資源。纖維素還具有可完全生物降解、無毒、無污染、易于改性、生物相容性好、可再生等優(yōu)勢，被認為是未來世界能源、化工的主要原料，可廣泛用于造紙，纖維與紡織品以及纖維素衍生物等領域。

紙張作為一種相對“年長”的纖維素纖維結(jié)構(gòu)，在近年的一些科研領域又得到了應用，例如紙基電池隔膜。針對紙張結(jié)構(gòu)的研究已經(jīng)是相對“老舊”的學術(shù)問題了，針對纖維素宏觀、微觀甚至分子尺度的研究已經(jīng)開展多年，然而由于紙張纖維素纖維結(jié)構(gòu)的紊亂性與無序性，至今還沒有一種基于紙張纖維素纖維微觀圖像，能夠完美提取紙張/纖維結(jié)構(gòu)形態(tài)的結(jié)構(gòu)模型。早起研究中，纖維很多時候被簡化為單纖維或孤立纖維，國外科學家在單纖維的基礎上，考慮周圍纖維的干擾來建立纖維模型，利用計算機技術(shù)生成二維編織(纖維平行和交叉排列)纖維結(jié)構(gòu)。也有研究者利用計算機技術(shù)隨機產(chǎn)生二維或者三維的纖維結(jié)構(gòu)，并考慮了纖維的直徑、長度、方向等因素。然而，這兩類方法建立所得的模型與纖維的實際結(jié)構(gòu)依舊相差較大，并不能真實反映纖維的結(jié)構(gòu)，只能應用于一些簡單的定性模擬分析。

申請?zhí)枮?01310721647.9，公布號為cn103673923a，發(fā)明名稱為“基于數(shù)字圖像處理的曲線纖維網(wǎng)絡結(jié)構(gòu)形貌特征測量方法”的發(fā)明專利涉及生物實驗圖像數(shù)據(jù)分析領域，是一種應用于亞細胞尺度的基于數(shù)字圖像處理的曲線纖維網(wǎng)絡結(jié)構(gòu)形貌特征測量方法。該發(fā)明通過對纖維網(wǎng)絡圖像進行骨架化圖案提取，進行單根纖維跟交叉點識別，刪除短纖維保留主干纖維，最后進行纖維重組的方法獲得曲線纖維網(wǎng)絡結(jié)構(gòu)形貌特征。該發(fā)明能夠獲取主干纖維的結(jié)構(gòu)形貌特征，但是卻不得已丟失了短纖維，與纖維實際結(jié)構(gòu)還是差別較大。

現(xiàn)有的纖維素結(jié)構(gòu)模型方法獲得的結(jié)構(gòu)模型要么與實際結(jié)構(gòu)差異較大，要么模型過于復雜難以應用于模擬計算。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是針對上述現(xiàn)有技術(shù)的不足，提供了一種基于圖像處理的紙張纖維素纖維二維結(jié)構(gòu)重建方法，該方法通過二值化處理、形態(tài)學處理、骨架化、邊緣提取和直線簡化替代，實現(xiàn)了纖維素結(jié)構(gòu)的圖像重建，從而獲得可以表征紙張纖維素纖維微觀形貌結(jié)構(gòu)的二維模型，解決了現(xiàn)有纖維素結(jié)構(gòu)模型建立方法中存在的形貌特征結(jié)構(gòu)與纖維素實際結(jié)構(gòu)差異較大或者模型參數(shù)過于復雜龐大的技術(shù)問題，使獲取的結(jié)構(gòu)模型可應用于例如纖維素基鋰電池熱力學、電化學性能仿真等各類纖維素應用領域的模擬仿真中。

本發(fā)明的目的可以通過如下技術(shù)方案實現(xiàn)：

一種基于圖像處理的紙張纖維素纖維二維結(jié)構(gòu)重建方法，所述方法包括以下步驟：

1)讀取通過sem(環(huán)境掃描電鏡)拍攝所得的紙張纖維素纖維微觀結(jié)構(gòu)圖像；

2)將紙張纖維素纖維微觀結(jié)構(gòu)圖像從rgb格式轉(zhuǎn)換為灰度圖像，再將灰度圖像進行二值化處理獲得二值圖像bw；

3)運用形態(tài)學方法對二值圖像bw中的纖維結(jié)構(gòu)進行改善處理，得到圖像bw1；

4)運用卷積算法對圖像bw1和原圖像的灰度圖像進行相關(guān)性計算，以此判定圖像bw1的處理質(zhì)量，當相關(guān)性達到設定的閾值時進行下一步處理，否則返回步驟3)進一步做形態(tài)學改善處理；

5)對圖像bw1進行纖維結(jié)構(gòu)的骨架化提取得到骨架化圖像si，對圖像bw1進行邊緣線提取得到邊緣線圖像ei；

6)分別對提取的骨架化圖像si和邊緣線圖像ei進行線段結(jié)合點，即結(jié)點的提取，得到結(jié)點矩陣j；

7)使用結(jié)點間連通判斷識別算法，對兩個結(jié)點間是否存在線段，即是否連通進行判斷，獲得所有相連通的結(jié)點對坐標數(shù)據(jù)；

8)將所有被判斷為連通的結(jié)點對進行連線繪圖，以此實現(xiàn)骨架化圖像si和邊緣線圖像ei的曲線-直線轉(zhuǎn)換，即將原圖像中連接的曲線全部用直線代替，獲得結(jié)構(gòu)更為規(guī)則、數(shù)據(jù)量更為簡單的纖維網(wǎng)絡二維結(jié)構(gòu)圖像；

9)通過繪制所得圖像獲得矢量數(shù)據(jù)，實現(xiàn)對圖像的矢量化存儲，并直接獲得紙張纖維素纖維結(jié)構(gòu)的骨架和邊緣二維結(jié)構(gòu)線體模型。

進一步地，步驟2)中，對灰度圖像使用了雙閾值和局部區(qū)域閾值相結(jié)合的圖像二值化算法進行了精確的二值化處理，具體過程如下：

2.1)使用雙閾值對灰度圖像進行二值化處理，得到二值圖像bwa；

2.2)對灰度圖像的每個小區(qū)域分別使用局部區(qū)域閾值進行二值化處理，得到二值圖像bwb；

2.3)將二值圖像bwa和二值圖像bwb疊加起來，獲得二值圖像bw。

進一步地，所述步驟3)的改善處理包括以下手段：開運算、閉運算、膨脹、腐蝕、小區(qū)域剔除、填充和重構(gòu)，其目的分別為：通過開運算將一些需要斷開的狹隘連接進行斷開處理；通過閉運算將一些相對靠近的縫隙進行連接，并且使纖維邊緣更加圓滑；運用膨脹、腐蝕處理來控制纖維的厚度大小，進行尺寸上的調(diào)節(jié)；使用重構(gòu)算法將一些丟失的纖維從原圖中進行再一次的獲取，并進行補充；通過小區(qū)域剔除運算，將像素面積小于設定閾值的獨立塊剔除。

進一步地，步驟5)中，骨架化提取用的是中心線提取算法，為形態(tài)學函數(shù)bwmorph中的skull模塊，進行多次提取后，最后得到單像素點的骨架化圖像si，并且連結(jié)處不會出現(xiàn)斷開失真的情況；邊緣線提取用的是canny邊緣檢測算子，使用edge函數(shù)進行處理，最后得到二值圖像的邊緣線圖像ei，即纖維結(jié)構(gòu)的真實輪廓。

進一步地，步驟6)中結(jié)點的提取采用的是形態(tài)學函數(shù)bwmorph中的branchpoints算法，提取出所有的結(jié)點進行保存，得到結(jié)點矩陣j。

進一步地，步驟7)的結(jié)點間連通判斷識別算法具體過程為：

7.1)將骨架化圖像si和邊緣線圖像ei中所有結(jié)點對應的位置挖空，將所有纖維段進行隔離，即所有線段都被孤立；

7.2)在骨架化圖像si和邊緣線圖像ei中分別將單一結(jié)點ni對應位置進行填補，經(jīng)過填補，使結(jié)點ni與其原先連接的線段得以重新連接；

7.3)以結(jié)點ni為中心建立一個正方形區(qū)域，在該區(qū)域內(nèi)搜索其他結(jié)點；

7.4)在骨架化圖像si和邊緣線圖像ei中分別對該區(qū)域內(nèi)搜索到的其他結(jié)點nj對應位置進行填補，使結(jié)點nj與其原先連接的線段得以重新連接；

7.5)對此時的骨架化圖像si和邊緣線圖像ei進行區(qū)域標記操作，并判斷結(jié)點ni和結(jié)點nj是否處在同一個區(qū)域內(nèi)：

7.5.1)如果是，即表示結(jié)點ni和結(jié)點nj是相鄰結(jié)點，并且兩結(jié)點之間有曲線段存在，即它們是連通的結(jié)點對，將兩結(jié)點坐標數(shù)據(jù)進行存儲；

7.5.2)如果否，即表示結(jié)點ni和結(jié)點nj不是相鄰結(jié)點，它們之間并不應該連線，不作為；

7.6)判斷結(jié)點ni正方形區(qū)域內(nèi)的結(jié)點nj是否已經(jīng)判斷完：

7.6.1)如果否，即令j＝j+1，在結(jié)點ni所在區(qū)域內(nèi)繼續(xù)搜尋下一個結(jié)點，回到步驟7.4)；

7.6.2)如果是，即已完成結(jié)點ni的區(qū)域搜索判斷，將結(jié)點ni從結(jié)點矩陣j中剔除；

7.7)判斷是否已經(jīng)將結(jié)點矩陣j中所有結(jié)點ni進行了區(qū)域搜索判斷：

7.7.1)如果是，即判斷算法結(jié)束，所有結(jié)點對坐標已獲??；

7.7.2)如果否，即令i＝i+1，進行結(jié)點矩陣j中下一個結(jié)點的區(qū)域搜索，回到步驟7.2)；

結(jié)點間連通判斷識別算法結(jié)束后，獲得所有相連通的結(jié)點對坐標數(shù)據(jù)。

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點和有益效果：

1、本發(fā)明采用雙閾值和局部閾值相結(jié)合的二值化算法，并且運用形態(tài)學處理對圖像形貌進行改善，處理后最終獲取的二值圖像的纖維素在形貌上與原圖像的相當接近，解決了現(xiàn)有纖維素結(jié)構(gòu)模型建立方法中存在的形貌特征結(jié)構(gòu)與纖維素實際結(jié)構(gòu)差異較大的問題。

2、本發(fā)明對提取獲得的骨架化圖像和邊緣線圖像，都進行了結(jié)點識別、結(jié)點連通性判斷，最后進行了結(jié)點間直線連線，將原圖曲線全部用直線代替，最終可以獲取到與纖維形貌接近并且結(jié)構(gòu)相對簡單、數(shù)據(jù)量相對較小的二維結(jié)構(gòu)矢量模型，避免了結(jié)構(gòu)模型過于復雜的問題，使得模型可以應用到后續(xù)的模擬仿真研究中。

附圖說明

圖1為本實施例一種基于圖像處理的紙張纖維素纖維二維結(jié)構(gòu)重建方法的流程圖。

圖2為本實施例的結(jié)點間連通判斷識別算法的流程圖。

圖3(a)為本實施例的sem圖像oi，圖3(b)為本實施例的二值圖像bw，圖3(c)為本實施例的圖像bw1，圖3(d)為本實施例的骨架化圖像si，圖3(e)為本實施例的邊緣線圖像ei，圖3(f)為本實施例的結(jié)點挖空、填補示意圖，圖3(g)為本實施例的骨架二維結(jié)構(gòu)線體模型，圖3(h)為本實施例的邊緣二維結(jié)構(gòu)線體模型。

具體實施方式

下面結(jié)合實施例及附圖對本發(fā)明作進一步詳細的描述，但本發(fā)明的實施方式不限于此。

實施例：

本實施例提供了一種基于圖像處理的紙張纖維素纖維二維結(jié)構(gòu)重建方法，所述方法的流程圖如圖1所示，包括以下步驟：

1)讀取通過sem(環(huán)境掃描電鏡)拍攝所得的紙張纖維素纖維微觀結(jié)構(gòu)圖像oi，如圖3(a)所示。

2)將紙張纖維素纖維微觀結(jié)構(gòu)圖像從rgb格式轉(zhuǎn)換為灰度圖像，再將灰度圖像進行二值化處理獲得二值圖像bw，如圖3(b)所示；

本步驟中，對灰度圖像使用了雙閾值和局部區(qū)域閾值相結(jié)合的圖像二值化算法進行了精確的二值化處理，具體過程如下：

2.1)使用雙閾值對灰度圖像進行二值化處理，得到二值圖像bwa；

2.2)對灰度圖像的每個小區(qū)域分別使用局部區(qū)域閾值進行二值化處理，得到二值圖像bwb；

2.3)將二值圖像bwa和二值圖像bwb疊加起來，獲得二值圖像bw。

3)運用形態(tài)學方法對二值圖像bw中的纖維結(jié)構(gòu)進行改善處理，得到圖像bw1，如圖3(c)所示；本步驟的改善處理具體包括以下手段：開運算、閉運算、膨脹、腐蝕、小區(qū)域剔除、填充和重構(gòu)，其目的分別為：通過開運算將一些需要斷開的狹隘連接進行斷開處理；通過閉運算將一些相對靠近的縫隙進行連接，并且使纖維邊緣更加圓滑；運用膨脹、腐蝕處理來控制纖維的厚度大小，進行尺寸上的調(diào)節(jié)；使用重構(gòu)算法將一些丟失的纖維從原圖中進行再一次的獲取，并進行補充；通過小區(qū)域剔除運算，將像素面積小于一定閾值的獨立塊剔除。

4)運用卷積算法對圖像bw1和原圖像的灰度圖像進行相關(guān)性計算，以此判定圖像bw1的處理質(zhì)量，當相關(guān)性達到設定的閾值時進行下一步處理，否則返回步驟3)進一步做形態(tài)學改善處理；

5)對圖像bw1進行纖維結(jié)構(gòu)的骨架化提取得到骨架化圖像si，對圖像bw1進行邊緣線提取得到邊緣線圖像ei；

本步驟中，骨架化提取主要用的是中心線提取算法，為形態(tài)學函數(shù)bwmorph中的skull模塊，進行多次提取后，最后得到單像素點的骨架化圖像si，并且連結(jié)處不會出現(xiàn)斷開失真的情況，骨架化圖像si如圖3(d)所示；邊緣線提取主要用的是canny邊緣檢測算子，使用edge函數(shù)進行處理，便可以獲取二值圖像的邊緣線圖像ei，即纖維結(jié)構(gòu)的真實輪廓，如圖3(e)所示。

6)分別對提取的骨架化圖像si和邊緣線圖像ei進行線段結(jié)合點，即結(jié)點的提取，得到結(jié)點矩陣j；

本步驟中，結(jié)點的提取采用的是形態(tài)學函數(shù)bwmorph中的branchpoints算法，提取出所有的結(jié)點進行保存，得到結(jié)點矩陣j。

7)使用結(jié)點間連通判斷識別算法(流程圖如圖2所示)，對兩個結(jié)點間是否存在線段，即是否連通進行判斷，獲得所有相連通的結(jié)點對坐標數(shù)據(jù)；具體步驟為：

7.1)將骨架化圖像si和邊緣線圖像ei中所有結(jié)點對應的位置進行3x3的小塊挖空，挖空效果如圖3(f)左下角圖像所示，這樣便將所有纖維段進行了隔離，即所有線段都被孤立；

7.2)在骨架化圖像si和邊緣線圖像ei中分別將單一結(jié)點ni對應位置進行填補，填補效果如圖3(f)右下角所示(圖3(f)顯示的是多結(jié)點填補)，經(jīng)過填補，使結(jié)點ni與其原先連接的線段得以重新連接；

7.3)以結(jié)點ni為中心建立一個正方形區(qū)域，在該區(qū)域內(nèi)搜索其他結(jié)點；

7.4)對區(qū)域內(nèi)搜索到的其他結(jié)點nj在骨架化圖像si和邊緣線圖像ei中對應位置進行填補，使結(jié)點nj與其原先連接的線段得以重新連接；

7.5)對此時的骨架化圖像si和邊緣線圖像ei進行區(qū)域標記操作，并判斷結(jié)點ni和結(jié)點nj是否處在同一個區(qū)域內(nèi)：

7.5.1)如果是，即表示結(jié)點ni和結(jié)點nj是相鄰結(jié)點，并且兩結(jié)點之間有曲線段存在，即它們是連通的結(jié)點對，將兩結(jié)點坐標數(shù)據(jù)進行存儲；

7.5.2)如果否，即表示結(jié)點ni和結(jié)點nj不是相鄰結(jié)點，它們之間并不應該連線，不作為；

7.6)判斷結(jié)點ni正方形區(qū)域內(nèi)的結(jié)點nj是否已經(jīng)判斷完：

7.6.1)如果否，即令j＝j+1，在結(jié)點ni所在區(qū)域內(nèi)繼續(xù)搜尋下一個結(jié)點，回到步驟7.4)；

7.6.2)如果是，即已完成結(jié)點ni的區(qū)域搜索判斷，將結(jié)點ni從結(jié)點矩陣j中剔除；

7.7)判斷是否已經(jīng)將結(jié)點矩陣j中所有結(jié)點ni進行了區(qū)域搜索判斷：

7.7.1)如果是，即判斷算法結(jié)束，所有結(jié)點對坐標已獲取；

7.7.2)如果否，即令i＝i+1，進行結(jié)點矩陣j中下一個結(jié)點的區(qū)域搜索，回到步驟7.2)；

結(jié)點間連通判斷識別算法結(jié)束后，獲得所有相連通的結(jié)點對坐標數(shù)據(jù)。

8)將所有被判斷為連通的結(jié)點對進行連線繪圖，以此實現(xiàn)骨架化圖像si和邊緣線圖像ei的曲線-直線轉(zhuǎn)換，即將原圖像中連接的曲線全部用直線代替，獲得結(jié)構(gòu)更為規(guī)則、數(shù)據(jù)量更為簡單的纖維二維結(jié)構(gòu)圖像；

9)通過繪制所得圖像獲得矢量數(shù)據(jù)，實現(xiàn)對圖像的矢量化存儲，并直接獲得紙張纖維素纖維結(jié)構(gòu)的骨架和邊緣二維結(jié)構(gòu)線體模型，所述骨架二維結(jié)構(gòu)線體模型如圖3(g)所示，邊緣二維結(jié)構(gòu)線體模型如圖3(h)所示。

以上所述，僅為本發(fā)明專利較佳的實施例，但本發(fā)明專利的保護范圍并不局限于此，任何熟悉本技術(shù)領域的技術(shù)人員在本發(fā)明專利所公開的范圍內(nèi)，根據(jù)本發(fā)明專利的技術(shù)方案及其發(fā)明專利構(gòu)思加以等同替換或改變，都屬于本發(fā)明專利的保護范圍。