基于Matlab的球墨铸铁金相图像处理分析

《基于Matlab的球墨铸铁金相图像处理分析》由会员分享，可在线阅读，更多相关《基于Matlab的球墨铸铁金相图像处理分析（28页珍藏版）》请在装配图网上搜索。

1、云南农业大学工程技术学院毕业论文基于Matlab的球墨铸铁金相图像处理分析第一章 绪论1.1研究背景和意义Matlab是MATrix LABoratory（“矩阵实验室”）的缩写，是由美国MathWorks公司开发的集数值计算、符号计算和图形可视化三大基本功能于一体的，功能强大、操作简单的语言。是国际公认的优秀数学应用软件之一。时至今日，经过MathWorks公司的不断完善，Matlab已经发展成为适合多学科，多种工作平台的功能强大的大型软件。在国外的许多高校，Matlab已经成为线性代数、自动控制理论、数理统计、数字信号处理、动态系统仿真等高级课程的基本数学工具。Matlab的主要特点有：语

2、言简洁紧凑，使用方便灵活，库函数机器丰富；运算符丰富；具有结构化的控制语句（如for循环，while循环，break语句和if语句）；程序限制不严格，程序设计自由度大；程序的可移植性很好，基本上不做修改就可以再各种型号的计算机和操作系统上运行；Matlab的图形功能强大；功能强大的工具箱是Matlab的另一特色；缺点是和其他高级程序相比，程序执行速度较慢。它将数值分析、矩阵计算、图形图像处理、信号处理和仿真等诸多强大的功能集成在较容易使用的交互计算机环境之中，为科学研究、工程运用提供了一种功能强、效率高的编程工具。利用Matlab对球墨铸铁进行金相图像分析时，就是使用图像处理工具包的函数种类很

3、多：图像显示、图像文件输入与输出、几何操作、像素值统计、图像分析与增强、图像滤波、滤波器、图像变换、图像类型转换等。1.2 存在的问题图像处理在Matlab中的应用是由一系列支持图像处理的操作函数组成，如几何操作、区域操作、块操作、滤波、变换、图像分割、图像边缘提取、图像增强等，为便于应用，在该软件中形成图像处理工具包。图像处理工具包的函数种类很多：图像显示、图像文件输入与输出、几何操作、像素值统计、图像分析与增强、图像滤波、滤波器、图像变换、图像类型转换等。该工具包与其它一样，使用者可以根据需要自行编写函数.其中就有很多的问题出现：1.图像采集问题：在采集图片时由于相机的成像效果、拍摄角度、

4、拍摄人员的自身感觉等因素都会影响到后边图像处理的工作和效果，因为颜色和灰度是决定一幅图像表现能力的关键因素；2.图像处理问题： 图像读入 imread ，是Matlab支持的7种格式之一，显示图像用imshow (h) 语句，h 为图像句柄；输出图像若需要永久保存，可用imwrite(h,map, filename.bmp,bmp), 写入存储器。注意在该语句前要设置调色板，即map=(gray(256)。 要注意图像格式的转化。不同的图像格式对应不同的处理方式，如果处理与格式不符，将引起错误。 尽管Matlab允许未定义使用数组，但在实际应用中这样经常出错，特别是遇到在double和uint

5、8型之间的转换时。所以最好还是养成用前定义的习惯，避免出现不必要的错误。 在做完一定量的运算后，一般要用Clear清除内存变量，以防影响后面的程序运行。一般默认路径在Matlab安装文件下的work文件夹中，程序和资源都放在此，如果需要引用新的文件，应事先指明路径。 应注意语句结尾“;” 的使用，特别是图像处理中。 应做好程序的注释工作。1.3研究的内容和方法本设计主要工作内容为研究基于Matlab对球墨铸铁金相图像处理分析、从图像分割、球墨铸铁组织的定位、组织特征的提取及对提取的组织的特征分析等。，选取适合的图像处理方法对图像进行二值化，对二值化后的图像进行图像分割和特征提取,最后对球墨铸铁

6、组织进行金相分析。主要研究的内容包括：1. 球墨铸铁金相图像预处理，包括:RGB彩色图像的灰度化、图像灰度拉伸、图像边缘检测、灰度图的二值化等; 直方图均衡化、图像增强、中值滤波等.2. 图像分割及特征提取。先对定位后的金相图像进行预处理，然后用边缘检测、面积提取法来确定特征区域。3. 特征分析。对提取出来的特征进行形态分析,并进行球墨大小分级,球化率的计算。主要研究方案如下：(1)、采集球墨铸铁金相样本；(2)、对图像预处理(灰度变换增强、图像平滑处理、图像锐化)得到包含信息量较小和噪声较低的图像；(3)、用边缘检测、面积提取法来确定特征区域；(4)、提取出特征区域；(5)、对提取出的特征区

7、域进行简单分析；(6)、对本次球墨铸铁金相研究进行总结。主要的技术路线如下表1。表1 技术路线第二章 图像采集与预处理图像是当光辐射能量照在物体上经过发射或透射，或由发光物体本身发出光的能量，在人的视觉器官或者机器视觉中所呈现出的物体的视觉信息。图像源于自然景物，是其原始的形态，是连续变换的模拟量。图像每个像素点都有自己的属性，如颜色、灰度等。颜色和灰度是决定一幅图像表现能力的关键因素。图像的色彩是根据光的色彩决定的，人对图像色彩感觉决定于光谱成分。灰度是像素的亮度，它用于表示图像像素在黑白之间的可区分程度，用等级来度量，级数越多，黑白图像的表现力就越强。图像可以根据其表现形式和生成方式做出不

8、同的划分，按形式分可以分为：实际图像和抽像图像。 按图像亮度等级分分为：二值图像和灰度图像。 按照光谱分分为：彩色图像和黑白图像。按照图像是否随时间而变换分：静止图像和活动图像。 按照图像所占空间的维数分：二维图像和三维图像等。图像预处理是相对于图像识别、图像理解的一种前期处理。通常图像会出现边缘过于模糊、图像上出现一些不知来源的黑点或白点，图像失真、变形等，因而要进行图像增强，按特定需要突出一幅图像中的某些有用信息；同时，削弱或去除某些不需要的信息，改善图像质量，如改变图像对比度、去除噪声或强调边缘等处理【】。图像预处理主要包括以下内容：1) 图像增强。主要包含灰度变换增强、图像平滑处理、图

9、像锐化处理等；2) 灰度化。变换增强主要使用的是直方图均衡化histeq 和对比度增imadjust；3) 图像平滑。图像平滑的主要目的是减少图像噪声。Matlab 提供的图像平滑函数主要有wiener2 、medfilt2 和ordfilt2。wiener2 用于实现线性平滑滤波；medfilt2 用于实现中值滤波；ordfilt2 是二维统计顺序滤波，它是中值滤波的推广；4) 图像锐化。图像锐化的目的就是使边缘和轮廓线模糊的图像变得清晰，并使其细节清晰。由于锐化会使噪声受到比信号还强的增强，故一般先去除或减轻干扰噪声后才能进行锐化处理。可以用laplacian算子锐化和prewitt 模板

10、锐化【】。基本的流程图表2。表2 图像处理流程图2.1图像采集图像采集方法主要有三种：（1）用数码相机拍摄静态图片，这种方法简单，图像清晰度高，移动性强，可在野外进行；不足的是图像易倾斜、畸变、光照不均出现阴影，增加图像处理难度。（2）用数字摄像机采集动态图像。一般是把数字摄像机(摄像头)固定在支架上，通过图像采集卡把数字影像输入计算机，通过计算机观察动态图像，根据需要采集静态图像。这种方法采集速度和传输速度快，图像较小。通过在不同角度放置光源，来消除阴影，比较具有可塑性，通过支架的调节还能消除图像畸变，因而应用较多。但这种方法同样存在光照不均匀问题，还需要图像尺寸的标准参照。所设计的系统硬件

11、由计算机，数码相机、光源等组成。本论文主要采用的是第一种方法即用数码相机拍摄静态图片然后进行处理。如图1所示。 图1球墨铸铁的金相图 拍摄时效果 处理后效果图2 45#金相图像2.2图像读入 对一幅图像如果整体进行处理，不仅浪费时间，而且图像其它部分可能会影响处理效果。因此，可以先通过图像剪切函数imcrop 剪切所关心的、特征明显的一部分图像，然后对这部分图像进行相关地处理。Matlab工具箱中的imread 函数读入图像，支持以下几种图像文件格式：BMP，GIF，TIFF，JPEG，HDF，PCX，XWD，PNG，ICO，CUR，PGM，PPM 和RAS等类型。可利用图像处理工具箱中的im

12、rade( )和imwrite ( )函数来实现,同时可利用imshow ( )函数将该图像显示出来。其程序如下:（如我把图像存在D盘，并面命为“qt.jpg”）clear, close allA = imread (d:qt.jpg) ;imshow (A) ;imwrite (A, d:qt.jpg) ;2.3图像显示1.image函数是matlab提供的最原始的图像显示函数（主要彩色显示图像），程序如下：a=1,2,3,4,5,6,7,8,9,10,11,12;image(a);结果显示为图3所示。图3 彩色显示图像2.colorbarcolorbar函数用显示图像的颜色条。 通常，颜色

13、映象进行过调节，把数据从最小扩展到最大，也就是说整个颜色映象都用于绘图。有时也许想改变颜色使用的方法。函数caxis代表颜色轴，因为颜色增加了另一个维数，它允许对数据范围的一个子集使用整个颜色映象或者对数据的整个集合只使用当前颜色映象的一部分。cmin,cmax=caxis返回映射到颜色映象中第一和最后输入项的最小和最大的数据。它们通常被设成数据的最小值和最大值。比如，函数mesh(peaks) 会画出函数peaks的网格图，并把颜色轴caxis设为-6.5466，8.0752，即Z的最小值和最大值【】。这些值之间的数据点，使用从颜色映象中经插值得到的颜色。如：i=imread(d:qt.jp

14、g); imshow(i); colorbar; 结果如图4所示。图4 图像颜色映射2.4图像灰度化将彩色图像转化成为灰度图像的过程成为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种，所以在数字图像处理中一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。图像的灰度化处理可用两

15、种方法来实现【5】。第一种方法使求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量。第二种方法是根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y=0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。灰度化结果如图所示，程序： A=imread(d:qt.jpg);B=rgb2gray(A);figuresubplot(1,2,1);imshow(A)title(原图);subplot(1,2,2);imshow(B)title(原图灰度图像)

16、其结果如图5所示。图5 图像灰度化2.5图像分割图像分割一般采用的方法有边缘检测（edge detection）、边界跟踪（edge tracing）、区域生长（region growing）、区域分离和聚合等。图像分割算法一般基于图像灰度值的不连续性或其相似性。不连续性是基于图像灰度的不连续变化分割图像，如针对图像的边缘有边缘检测、边界跟踪等算法。相似性是依据事先制定的准则将图像分割为相似的区域，如阈值分割、区域生长等。图像分割其实也是对图像进行二值化。分割的目的是从图像中将研究对象球墨铸铁中的石墨形态提取出来，通过增强有用信息、抑制无用信息，改善图像的视觉效果，提高球墨铸铁图像的可分辨性，

17、使球墨铸铁图像更利于机器分析。图像二值化是对图像灰度取阈值, 用将图像数据分成两大部分:大于的像素群和小于的像素群,若输入图像为f ( x, y ) , 输出图像为f( x,y) ,则: （1）二值图像汇总所有的像素值能从0和1两个值中取，因此在matlab中，二值图像使用一个由0和1组成的二维矩阵表示。这两个可取的值分别对应于关闭和打开，关闭表征该像素处于背景，而打开表征该像素处于前景。以这种方式来操作图像可以更容易识别出图像的结果特征。二值化程序如下：A=imread(d:qt.jpg);figuresubplot(1,2,1);imshow(A)title(原图)C=im2bw(A,0.

18、2);subplot(1,2,2);imshow(C)title(原图二值图)结果如图6所示。图6二值化图像进行阈值选择是一个较复杂的问题,必须根据图像的统计性质（直方图）,即从概率角度来选择合适的阈值。最大方差阈值的设定方法是阈值自动选择的最优方法,且效果良好。该阈值可通过相应的Matlab程序计算得出。Matlab提供了多种图像类型转换函数，其中二值化图像函数主要有dither 和im2bw。函数dither通过颜色抖动来达到转换图像的目的；函数im2bw通过设置阈值将灰度及真彩图像转换成二值图像，结果如下图8，图像直方图程序如下：I=imread(d:灰度.jpg);B=rgb2gray

19、(I);imshow(B,40 255);figure;imhist(B)title(直方图);J=imadjust(B,0.15 0.9,0 1);figure;imhist(B,64)title(均衡直方图)结果如图7、8所示。图7 直方图图8 均衡直方图图像分割的关键问题在于如何确定分割的阈值，系统中提供了两种选取阈值的方法Ostu法和指定阈值法。为了增加灵活性，在这里我们选取了指定阈值法对图像进行背景分割。阈值分割的Matlab主程序如下：A=imread(d:qt.jpg);figuresubplot(1,4,1),imshow(A);title(原图像)B=im2bw(A,91/2

20、55);subplot(1,4,2),imshow(B);title(阈值91的图像)C=im2bw(A,71/255);subplot(1,4,3),imshow(C);title(阈值71的图像)D=im2bw(A,140/255);subplot(1,4,4),imshow(D);title(阈值140的图像) 结果如图9：图9图像分割2.6滤波为了改善图像质量,从图像中提取有效信息,必须对图像进行去噪预处理。根据噪声频谱分布的规律和统计特征以及图像的特点,出现了多种多样的去噪方法。经典的去噪方法有：空域合成法,频域合成法和最优合成法等,与之适应的出现了许多应用方法,如均值滤波器,中值滤

21、波器,低通滤波器,维纳滤波器,最小失真法等。这些方法的广泛应用,促进数字信号处理的极大发展,显著提高了图像质量【6】。本文给定的图像为二维信号，在信号中加入指定的椒盐噪声,然后利用中值滤波进行去噪。虽然有关中值滤波的函数是在Matlab函数库中已经提供，但在图像处理中利用中值滤波去除图像中的椒盐噪声是一种有效的方法，利用中值滤波函数去除图像中的噪声过程如下：（1）使用imread()读入原始的彩色图像。（2）因为使用中值滤波器只能对灰度图像进行处理，所以利用rgb2gray()将彩色图像转化为灰度图像。（3）用imnoise()在灰度图像中加入椒盐噪声。（4）利用medfilt2()函数进行中

22、值滤波,并在Matlab环境下运行。图10图像滤波2.7轮廓提取对图像进行轮廓提取即图像的边缘检测。边缘检测的基本思想首先是利用边缘增强算子，突出图像中局部边缘，然后定义像素的“边缘强度”，通过设置域值的方法提取边缘点集。由于噪声和模糊的存在，检测到得边界可能会变宽或在某点出发生断裂。因此，边缘检测包括两个基本内容：用边缘算子提取出反映灰度变化的边缘点集。在边缘点集合中剔除某些边界点或是填补边界间断点，并将这些边缘连续成完整的线。I=imread(d:灰度.jpg);A=rgb2gray(I);figuresubplot(1,4,1);imshow(A);title(原图像);B=edge(A

23、,sobel,0.1);%edge边缘检测函数subplot(1,4,2);imshow(B);title(sobel算子检测);C=edge(A,roberts,0.1);%0.1为门限subplot(1,4,3);imshow(C);title(roberts算子检测);D=edge(A,prewitt,0.1);subplot(1,4,4);imshow(D);title(prewitt算子检测); 结果如图11所示。图11 图像轮廓提取第三章 金相分析3.1球墨铸铁金相组织概述 金相，指金属组织中化学成分、金体结构和物理性能相同的组成，其中包括固溶体、金属化合物及纯物质。金相组织是反映

24、金属金相的具体形态，如铁素体、珠光体、奥氏体、马氏体等等。球墨铸铁金相组织中含有以下形态【7】：（1）铁素体 根据GB9441-1988球墨铸铁金相检验评定铁素体数量。其百分比，按大多数视场对照图片评定。一般不检查铁素体数量，仅检查与其共存的珠光体数量（2）珠光体 在球墨铸铁中，珠光体的形态一般分三级：粗状珠光体、片状珠光体、细片状珠光体。随着珠光体的细化，球墨铸铁的强度和硬度有所提高。若基体为粒状珠光体，则球墨铸铁在保持一定强度的同时，具有更高的塑性。（3）奥氏体、贝氏体、马氏体 由奥氏体、上贝氏体或下贝氏体通过等温淬火，加入适当元素获得。（4）渗碳体 渗碳体多呈针状、条状，在球墨铸铁中易使

25、基体变脆，故应避免其出现。（5）磷共晶体 磷共晶体在球墨铸铁中对性能的危害比在灰铸铁中大得多。沿晶界分布的二元或三元磷共晶体，强烈降低球墨铸铁的韧性、塑性和强度，受冲击时，裂痕总是沿磷共晶体边缘开始开裂。3.2球墨铸铁金相特征分析Matlab 具有强大的图形图像处理功能，能很好地满足定量金相分析工作。要分析图像的集合特征就要对图像进行分解，分解的结果就是图像被分解成一些具有某些特征的图像的基元。相对于图像来说这些基元更容易被快速处理，显然这些特征的提取是很重要的，它对分类器设计及其性能影响甚大。而所谓的特征提取是指从特征定义、经选择或变换直到得出有效特征的全过程。特征提取是模式识别的关键问题，

26、图像的特征是图像中可用作标记的属性，它可分为图像的统计特征和图像的视觉特征。图像的统计特征是指人为定义的特征，通过变换才能得到，如图像的直方图、矩等；图像的视觉特征是指人的视觉可直接感受到的自然特征，如区域的轮廓、纹理等。经过图像处理后得到的二值图像，不仅比灰度图像的存储量要更小之外，更主要的是可以通过二值图像计算出图像中目标物的几何特性，如目标物的大小、位置等。如果不止一个目标物，则可以对应于这些目标物进行标记，以及定出对像物间的差别，从而可以进一步进行图像相关参数的测量。 球墨铸铁金相组织特征主要有石墨形态,石墨球化率,石墨大小，球化分级,磷共晶和碳化物的类型,数量等特征。本研究针对以上提

27、及的球墨铸铁的金相组织特征一一进行了研究分析，结果显示石墨形态、大小是评定石墨球化率的基础。3.3石墨球化分析在金相检验中，通常所见到的是几种形态的石墨共存。在这种情况下，评定石墨的球化质量须用球化率来解决。所谓球化率，是指在规定的视场内，所有石墨球化程度的综合指标。它反映该视场内所有石墨接近球状的程度。国家标准根据石墨形态及其分布和球化率，将球墨铸铁石墨球化分为1-6级。球墨铸铁的力学性能在很大程度上决定于球化率。一般来说，在其他条件相同的情况下，球化率愈高，力学性能也高。3.3.1石墨大小分级GB94411988球墨铸铁金相检验标准将石墨大小分成六级。球墨铸铁石墨球的大小对力学性能的影响很

28、大，减小石墨球径，增加石墨球在单位面积的个数可以明显地提高球墨铸铁的强度、塑性和韧性。石墨球径的减小，使单位面积上球墨铸铁数量增多，可使抗疲劳强度提高，因此，细化石墨也是提高抗疲劳强度的一个要求。如表3。表3（石墨直径（100）mm）石墨大小分级级别3级4级5级6级7级8级直径25-5012-256-123-61.5-31.5将图12金相图像中的石墨球进行部分标记，计算其石墨球的外接圆直径，确定石墨球的大小级别。图12 标记图号的金相图结果如表4所示。表4 石墨大小级别图号球1球2球3球4球5球6球7直径5032251612106级别3级3级4级4级5级5级6级3.3.2石墨球化率分级（1）石

29、墨球化率评级的方法：石墨球化率是球墨铸铁分析的一个最常用的指标，对球化率的计算，首先需求出每个石墨球的外接圆，然后算出单个石墨的面积率，即石墨的实际面积除以最小外接圆的面积，再把面积率和球状修正系数对照，具体方法如下：（2）石墨的面积率： （2）在确定最小外接圆时，采用的是石墨的最大投影长为直径，石墨的实际面积根据封闭图形中的像素来计算。根据GB944188可查出5种球状的修正系数如表5所示。表5 球状修正系数1.石墨面积0.810.80-0.610.60-0.410.40-0.210.21修正系数1.00.80.60.30定义二值图像中目标物的面积A就是目标物所占的像素点的数目，即区域的边界

30、内包含的像素点数。设目标的大小为MN，对二值图像，目标物，背景为0，则目标物的面积A为： （3）通常面积的计算可以直接对分割出的物体区内像素记数即可。如图13所示。 图13 示意图 图14 单粒石墨如图14左边的图像显示，其中的网格放大了2000倍，每一格为6x6的大小，数得黑色区域所占的网格数量，近似值为160； （4）球墨铸铁的力学性能是和它的金相组织密切相关,保证铸铁中石墨球化良好，是熔制球墨铸铁的第一要求。只有石墨球化，才能充分发挥金属基体的作用，使铸铁的力学性能大幅度提高。也只有石墨球化后，进一步改变基体的性能才更有意义。国标中有把球铁石墨球化分级如表6。表6 球化级别球化级别说明球

31、化率（%）1级石墨呈球状，少量团絮，允许少量团絮状952级石墨大部分呈球状，余为团状和极少量团絮状90-953级石墨大部分呈团状，余为团絮状，允许少量蠕虫状80-904级石墨呈分散的蠕虫状球状团状团絮状70-805级石墨呈聚集分布的蠕虫状片状及球状团状团絮状60-706级石墨呈聚集分布的蠕虫状和片状及球状、团状、团絮状不规定采集下列a、b、c、d、e、f六种球墨铸铁的金相组织图来分析计算它们的球化率，评定其球化级别，结果如表7。表7 球化率和球化级别图样计算球化率球化级别a、99.9%1级b、95%2级c、90%3级d、78%4级e、65%5级f、45%6级球化率的计算公式： （5）其中分别表

32、示五种球状修正系数的石墨颗数。验证某球墨铸铁材料的球化级别也可以通过数视场中的石墨颗粒数来初步确定，根据表8可进行估算。表8 修正系数2.球状修正系数1.00.80.60.30.0颗粒数42715263429第四章 结语经过三个多月的努力，毕业设计终于在老师的指导和同学们的协助下结束了。通过毕业设计，首先让我们自己对Matlab这门课的掌握有了进一步的加深和巩固，能够更熟练得应用各种功能，特别是运用它来完成对图像的处理。突然感觉到Matlab在图像处理方面的运用的广泛和它的功能之精湛。对于我们即将步入社会的应届毕业生来说，这是我们在学校里最后的学习任务，所以我们都竭尽全力去完成，不敢马虎。在毕

33、业设计的期间，我们查阅了许多有关Matlab图像处理的书籍，尽管这只是我们完成毕业设计的一个手段，也跟我们的专业知识没太大的联系，可我们也在用心的学。其次就是关于球墨铸铁各方面的深入了解，由于我们有上机械工程材料这门课程，所以我们大体知道球铁的各性能和存在的问题。从中我们学到了许多图像处理的方法，也认识到了我们自身存在的不足。由于毕业设计时间较短，所以该设计在完成的时候还有许多问题存在，比如：（1）Matlab安装的问题；（2）对Matlab的工作环境不熟悉；（3）Matlab的相关操作不熟练，功能没有完全掌握等。其次，我深刻体会到利用Matlab来实现图像处理的方便简单。图像处理技术在许多应

34、用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事指导、文化艺术等，使得数字图像处理成为一门引人注目、前景远大的新型学科。1、在这次课程设计过程中，感触很深，由于对Matlab图像处理的函数不熟悉，导致自己走了很多的弯路，2、通过本次课程设计，使自己对Matlab设计流程有了比较深刻的体会，同时也了解了一般软件设计的过程。在设计过程中碰到了很多的问题，通过这些问题，使自己分析问题，解决问题的能力得到了较大的提高。利用Matlab 只需几个简单的函数就可以实现复杂的处理和计量过程，这不仅避免了人工在测量时结果不可靠、精度不高的

35、缺点，同时也免去了使用其它软件时繁琐的编程工序。可见，Matlab 具有强大的图形图像处理功能，能很好地满足定量金相分析工作:（1）利用Matlab软件来实现铸铁金相组织的分析、测量是完全可行的,这为铸铁的深入研究、揭示其组织与性能的关系提供了有力的技术支持。该方法也可扩展应用于其他材料的金相分析,具有积极作用。（2）运用Matlab图像处理工具箱不需要传统的繁琐编程,研究人员只需掌握一些基本的处理等函数,从而节省了程序设计、调试所需的时间,可集中精力思考解决问题的方法,研究问题的本质,提高了效率及质量。参考文献1 邓红涛,赵庆展. 基于Matlab的图像处理的研究J. 科技资讯, 2009,

36、 (04) .2 张新平. Matlab图形图像处理在材料研究中的应用J铸造技术, 2003,(05) . 3 王向垟,张钊,童森林. 基于Matlab图像处理的布氏硬度测量J机械工程师, 2010,(02) . 4 吕英华,牛守强. 基于Matlab的金属材料显微图像处理J鞍山科技大学学报, 2006,(03) . 5 徐建林,王智平,王延露,路阳,李文生. 基于Matlab的铸造铝青铜金相组织分析J. 宇航材料工艺, 2005, (05) . 6 于广州,杨秀娟. Matlab在图像处理中的应用J. 中国校外教育(理论), 2009, (02) . 7 许志影,李晋平. Matlab及其在

37、图像处理中的应用J. 计算机与现代化, 2003, (04) . 8 刘文,贾志欣,邢书明. 半固态合金定量金相分析系统的开发J. 铸造, 2008, (07) . 9 于永泗，齐民等.机械工程材料.大连理工大学出版社，第七版.10 衣雪梅, 郭康权. Matlab图形图像处理在农机材料定量金相分析中的应用J. 农机化研究, 2006, (05)11 张毓晋.图像工程（第二版）.北京：清华大学出版社,200712 孙宏琦，施维颖,巨永峰.利用中值滤波进行图像处理长安大学学报（自然科学版） 2003(2)13 李彦军,苏红旗等.改进的中值滤波图像去噪方法研究计算机工程与设计，2009(12)14

38、 胡鹏,徐会燕.基于Matlab的图像去噪算法的研究与实现福建电脑，2009(12)15 宋兆基、徐流美等.Matlab 6.5在科学计算中的应用.北京：清华大学出版社,200516 吴建军. 计算机图像处理技术在定量金相分析中的应用研究D重庆大学, 2002 . 致谢本次设计能够按期完成除了本人的努力之外，谨向我的学校、工程技术学院、我的指导教师和各位同学致谢，他们的帮助使我受益良多。首先感谢学校给我们提供了良好的学习环境。良好的学习氛围使我们始终保持探究的精神；规模庞大、种类齐全的学校藏书为我们提供了精辟的名家论述。手边随察的工具书是这种关怀的具体体现。其次我要感谢工程技术学院以及农机系的

39、各位领导、老师的细心照顾。为使设计能够顺利进行，学院的计算机房向我们开放，为我们提供了上机场所，并且竭尽所能为我们上网查阅资料提供方便。最后我要向我的导师致敬，杨老师和张老师治学严谨，平易近人，为我营造了一种良好的精神氛围。授人以鱼不如授人以渔，置身其间，耳濡目染，潜移默化，使我不仅接受了全新的思想观念，还树立了严谨的学术研究态度，领会了基本的思考方式，掌握了通用的研究方法。正是他深厚的学识、长辈无微不至的关怀和细心全面的解答使我在设计过程中解决了许多难题，使我在对这个领域的了解和掌握能够更进一步。导师正确的指导正是本次设计能够顺利完成的关键。毕业设计的完成意味着我们即将毕业，即将和我朝夕相处

40、的同学们分别，我们都要各奔前程了。在此，我要向我的班主任老师和其他任课老师们致敬，不论在学习或是生活中老师们给予我们的帮助和关怀都是最多的，其次，就是我那些携手共度四年大学时光的同学们，谢谢！ 附录25一、图像预处理（1）彩色图像变灰度图像A=imread(1.jpg);B=rgb2gray(A);figuresubplot(1,2,1),imshow(A)title(原图)subplot(1,2,2),imshow(B)title(原图灰度图像)（2）彩色图像变索引图像A=imread(1.jpg);figuresubplot(1,2,1),imshow(A)title(原图)X,map=r

41、gb2ind(A,128);subplot(1,2,2),imshow(X,map)title(原图索引图像)（3）彩色图像变二值图像A=imread(1.jpg);figuresubplot(1,2,1),imshow(A)title(原图) C=im2bw(A,0.2);subplot(1,2,2),imshow(C)title(原图二值图像)（4）灰度图像变索引图像（一）A=imread(1.jpg);figureB=rgb2gray(A);subplot(1,2,1),imshow(B)title(灰度图像)C=grayslice(B,39);subplot(1,2,2),imshow

42、(C)title(灰度变索引图像)（5）灰度图像变索引图像（二）A=imread(1.jpg);figureB=rgb2gray(A);subplot(1,2,1),imshow(B)title(灰度图像)X,map=gray2ind(B,63);subplot(1,2,2),imshow(X,map)title(灰度变索引图像)（6）灰度图像变彩色图像 A=imread(1.jpg);figureB=rgb2gray(A);subplot(1,2,1),imshow(B)title(灰度图像)C=gray2rgb(B,map);subplot(1,2,2),imshow(C)title(灰度

43、变彩色图像)（7）灰度平均值A=imread(1.jpg);figureB=rgb2gray(A);subplot(1,2,1),imshow(B)title(灰度图像)B=double(B);m,n=size(B);sumg=0.0;for i=1:m;for j=1:n; sumg=sumg+B(i,j);endendavg=sumg/(m*n) % 均值 maxg=max(max(B) % 区域最大灰度ming=min(min(B) % 区域最小灰度（8）彩色平均值A=imread(1.jpg);figureimshow(A)title(彩色图像)A=double(A);m,n=size

44、(A);sumg=0.0;for i=1:m; for j=1:n; sumg=sumg+A(i,j); endendavg=sumg/(m*n)squre=m*nmaxg=max(max(A)ming=min(min(A)二、图像变换(1)傅里叶变换、反变换、I=imread(19.jpg);A=rgb2gray(I);x1=fft2(A);x2=fftshift(x1);x3=ifft(x1)/10;figure,subplot(1,4,1);imshow(A)title(原图);subplot(1,4,2);imshow(x1)title(频谱图);subplot(1,4,3);imsh

45、ow(log(abs(x2)+1),0 10);title(直流分量移至频谱图中心);subplot(1,4,4);imshow(x3,0 10)title(傅里叶反变换);(2)DCT变换、反变换X=imread(19.jpg);I=rgb2gray(X);subplot(1,3,1);imshow(I);title(原图);subplot(1,3,2);J=dct2(I);imshow(log(abs(J),0 20);title(二维离散余弦变换);subplot(1,3,3);K=idct2(J)/20;imshow(K,0 20);title(二维离散反余弦变换);(3)利用DCT变

46、换压缩图像I=imread(19.jpg);A=rgb2gray(I);B=DCT2(A);B(abs(B)0.1)=0;C=idct2(B)/255;figure,subplot(1,3,1);imshow(A);title(原图);subplot(1,3,2);imshow(B);title(二维离散余弦变换频谱图);subplot(1,3,3);imshow(C); title(压缩后图像);三、图像增强（一）灰度图像增强（1）线性变换法clc;clear all;I=imread(19.jpg);A=rgb2gray(I);colormap;imshow(A);%设置图像倒数参数j=i

47、madjust(A,0 1,1 0,1.5);figure;subimage(j) (2)灰度图像的非线性变换（之对数）I=imread(19.jpg);colormapimshow(I)J=double(I);J=45*log(J+1);I=uint8(J);figure,subimage(J) (二)直方图校正直方图均衡I=imread(19.jpg);B=rgb2gray(I);imshow(B,40 255);figure,imhist(B) title(直方图)J=imadjust(B,0.15 0.9,0 1);figure,imhist(B,64)title(均衡直方图)四、滤波

48、I=imread(19.jpg);figure,B=rgb2gray(I);C=imnoise(B,salt & pepper,0.02);D=imfilter(B,fspecial(average,3);E=medfilt2(B);subplot(1,3,2)imshow(D)title(均值滤波)subplot(1,3,3)imshow(D)title(中值滤波)subplot(1,3,1)imshow(C)title(加入椒盐噪声图像)五、锐化处理I=imread(19.jpg);A=rgb2gray(I);figure,subplot(2,3,1),imshow(A);title(原图

49、);hs=fspecial(sobel);S=imfilter(A,hs);hp=fspecial(prewitt);P=imfilter(A,hs);A=double(A);%双精度型H=0 1 0,1 -4 1,0 1 0;%拉普拉斯算子J=conv2(A,H,same);K=A-J;subplot(2,3,2),imshow(K);title(拉普拉斯锐化图像);B=edge(A,roberts,0.1);subplot(2,3,3),imshow(B);title(罗伯特锐化图像);subplot(2,3,4),imshow(S);title(sobel算子锐化图像);subplot(

50、2,3,5),imshow(P);title(prewitt算子锐化图像);六、阈值分割A=imread(19.jpg);figuresubplot(1,4,1),imshow(A);title(原图像)B=im2bw(A,91/255);subplot(1,4,2),imshow(B);title(阈值91的图像)C=im2bw(A,71/255);subplot(1,4,3),imshow(C);title(阈值71的图像)D=im2bw(A,140/255);subplot(1,4,4),imshow(D);title(阈值140的图像)七、边缘检测I=imread(19.jpg);A=

51、rgb2gray(I);figuresubplot(1,4,1),imshow(A);title(原图像)B=edge(A,sobel,0.1);%edge边缘检测函数subplot(1,4,2),imshow(B);title(sobel算子检测)C=edge(A,roberts,0.1);%0.1为门限subplot(1,4,3),imshow(C);title(roberts算子检测)D=edge(A,prewitt,0.1);subplot(1,4,4),imshow(D);title(prewitt算子检测)八、放缩A=imread(19.jpg);imshow(A);title(原

52、图)B=imresize(A,2)figure,imshow(B);title(二倍图)C=imresize(A,0.5)figureimshow(C)title(二分之一图)九、旋转A=imread(19.jpg);figuresubplot(1,4,1),imshow(A);title(原图像)B=imrotate(A,30,nearest);subplot(1,4,2),imshow(uint8(B);title(旋转30度图像)C=imrotate(A,45,nearest);subplot(1,4,3),imshow(uint8(C);title(旋转45度图像)D=imrotate

53、(A,60,nearest);subplot(1,4,4),imshow(uint8(D);title(旋转60度图像)十、镜像A1=imread(19.jpg);A1=double(A1);Figure，subplot(1,4,1),imshow(uint8(A1);H=size(A1);title(原像)A2(1:H(1),1:H(2),1:H(3)=A1(H(1):-1:1,1:H(2),1:H(3);%垂直镜像subplot(1,4,2),imshow(uint8(A2);title(垂直镜像)A3(1:H(1),1:H(2),1:H(3)=A1(1:H(1),H(2):-1:1,1:H(3);%水平镜像subplot(1,4,3),imshow(uint8(A3);title(水平镜像)A4(1:H(1),1:H(2),1:H(3)=A1(H(1):-1:1,H(2):-1:1,1:H(3);%对角镜像subplot(1,4,4),imshow(uint8(A4);title(对角镜像)十一、剪切A1=imread(19.jpg);A2=imcrop(A1,75 68 100 110);figuresubplot(1,2,1),imshow(A1);title(原像)subplot(1,2,2),imshow(A2);title(剪切后图像)