基于数字图像处理的TC4钛合金金相组织定量分析

2014年4月第9卷　第2期

失效分析与预防

April ,2014Vol.9,No.2

[收稿日期]2013年12月25日 [修订日期]2014年2月28日

[基金项目]国家自然科学基金(61261031);江西省青年科学基金资助项目(20122BAB216016)[作者简介]吴伟(1970年-),男,副教授,主要从事无损检测及仪器等方面的研究三

基于数字图像处理的TC4钛合金金相组织定量分析

吴　伟1,吴剑剑1,张永华2,邬冠华1,卢　鹏1,吴　宇1,张士晶1

(1.无损检测技术教育部重点实验室(南昌航空大学),南昌330063;

2.湖北宜昌市特种设备检验检测所,湖北宜昌443005)

[摘　要]通过对TC4钛合金显微组织的金相图片的研究,提出一种对金相定量分析的数字图像处理方法三以ImageJ 软件为工具,采用数字图像处理中的图像增强二阈值化二图像分割等数字化处理方法,计算出钛合金组织在不同热处理状态下α相所占比例,以及金相分析中其他的特征参数三研究结果表明:该数字图像处理方法可实现对TC4组织金相图片的处理,在TC4棒材锻件中α相占49.38%,长短轴比为1.458三[关键词]TC4;金相分析;数字图像处理;ImageJ 软件

[中图分类号]TG113.14;TP391.41 [文献标志码]A doi :10.3969/j.issn.1673?6214.2014.02.004[文章编号]1673?6214(2014)02?0075?05

Quantitative Analysis of Metallographic Organization of TC4

Titanium Alloy Based on Digital Image Processing

WU Wei 1,WU Jian?jian 1,Zhang Yong?hua 2,WU Guan?hua 1,LU Peng 1,WU Yu 1,ZHANG Shi?jing 1

(1.Key Laboratory of Nondestructive Testing (Ministry of Education ),Nanchang Hangkong University ,Nanchang 330063,China ;

2.Yichang Special Equipment Inspection and Research Institute of Hubei ,Hubei Yichang 443005,China )

Abstract :To investigation the microstructure of TC4titanium alloy,this paper presents an approach of digital image processing that can realize the quantitative analysis of the microstructure of TC4titanium alloy.By the software ImageJ,the digital image processing techniques such as image enhancement,thresholding as well as image segmentation were employed to calculate the proportion of the α?phase and other characteristic parameters in the microstructure images of various heat treatment of Titanium

alloy.The results show it is a feasible method to obtain the microstructural characterization of TC4rod forging in which the percentage of α?phase is 49.38%and ratio of long axis and short axis is 1.458.Key words :TC4;metallographic analysis;digital image processing;software ImageJ

0　引言

TC4钛合金材料强度高,硬度高,抗疲劳和抗

腐蚀性能显著,600℃温度左右状态下工作表现突出,并且TC4的密度仅为钢和镍基高温合金的一半,使得其在航天航空工业中应用广泛[1?2]三TC4材料在不同热处理状态下组织结构差异较大,表现为α相组织的形状和相对量不一样三金相组织定量分析方法为研究不同热处理状态下各相成份与材料性能之间关系意义重大三

金相组织特征参数包括晶粒尺寸二复相合金中各相的相对量二界面曲率二位错密度二

第二相粒子尺寸及分布等三如何准确地算出金相组织中各参数,是图像处理方法的主要研究方向三吴雪平等[3]开发的半固态金属金相组织的计算机软件系统,以及徐建林等[4]研发的铸造材料金相组织图像分析软件,这些系统自动化程度不高,而且准确率差;靳伍银等[5]以Matlab 为工具,提出一种对金相定量分析的数字图像处理方法,这类方法需要熟练Matlab 编程,且占用计算机内存大;其他的金相处理方法普遍存在自动化程度不高,准确率低,处理的过程不直观三本研究提出一种对金相定量分析的数字图像处理方法,可用于对处理的结果进行检查与修正,提高图像处理准确率三

失效分析与预防第9卷

1　TC4钛合金的ImageJ处理过程1.1　阴影校正

金相样品在观察过程中,显微镜光轴不正二照度不均匀都可能会使得金相图片明暗不均匀,对晶界的提取干扰很大[6]三对此采用滚动球背景减法(Rolling ball algorithm,RBA)来修正不均匀的背

景三设将二维灰度图中每个点对应的值看成第三维(高度),形成一个空间曲面三在曲面上放置一个给定半径的球必将滚落在该曲面的低洼处,将小球接触到的曲面部分称为背景三利用滑动抛物面将滚动球替换为与给定半径小球的顶点具有不同曲率的滑动抛物面,这就使得任何图像值都可以找到合适的抛物面三对于大的像素值的点,在沿x二y及2个斜45°方向上,旋转抛物面均可被近似为抛物线三利用这些滑动抛物线可对这些方向上的图像数值进行处理,为遍历整个曲面,需要多次使用同一方向上的抛物线对图像进行处理,因此只能在精度和速度之间进行折中选择三在滚动抛物面算法中为了降噪,使用一个3×3的背景作为应用对象,因此无论是使用滚动球还是滑动抛物面算法,在计算背景过程中都会对图像产生轻微的平滑效果,但在算法中可以有效的避免图像角落处的对象被当做背景而减去的现象发生(注意:滚动球总会接触到图像4个角中的像素,从而把他们当做背景像素)三以圆形结构元g(r=10)作为结构元,对平滑滤波后的图像I进行形态学的开运算(滚动球算法)以产生背景图像,即

I B(I,g)=(IΘg)Y′g

其中:

(IΘg)(x)=min u∈D g x+u∈D I{I(x+u)-g(u)}; (IY′g)(x)=max u∈D g x-u∈D I{I(x-u)-g(u)};

I:D I?Z2;R I?Z;g:D g?Z2三

图1为背景增强效果图,可以看出来背景增强后金相图片中晶界更加清晰三

1.2　图像增强

灰度值0~255用直方图表示,灰度级太大导致图像模糊,通过变换使图像的像素占有的灰度级尽量集中[7]三图2调节前灰度值范围为0~ 255,变换后为108~255;变换后使图像更加明亮,黑白差异更加明显,轮廓更加清晰[8]

三

(a)Original

picture(b)Background enhanced

图1　背景增强效果图

Fig.1　Background enhanced

renderings

(a)Before adjustment(b)After adjustment

图2　亮度调节

Fig.2　Brightness adjustment

67

第2期吴　伟,吴剑剑,邬冠华,等:基于数字图像处理的TC4钛合金金相组织定量分析

1.3　数值化

二值化和阈值化统称数值化三图像进行二值化处理能使图像变得简单,不仅数据量减少,而且更能凸显感兴趣的目标轮廓三将所有灰度值小于阈值的像素点被判为特定物体,灰度值为0表示;否则这些点被排除在物体区域之外,灰度值为

255,表示背景以及之外的物体区域三为便于边缘提取和图像分割将灰度图像(典型的是8位每像素)转换为黑白图像三从灰度图像获得这种黑白图像的过程通常称作为阈值化三采用ISODATA 算法[10]来确定阈值,如图3所示,阈值化后图片黑白分明,利于边缘提取三

1.4　颗粒分析

设置阈值将高于或低于阈值的值设置为黑或白,再设置目标的像素大小二圆度等参数来提取出颗粒三把颗粒选中后即可去除颗粒三有些小的噪声可以通过简单的去噪就可以实现,但是有些大的二大规模的噪声通过简单的去噪只能达到降噪的效果三要达到完全消除噪声,必须通过去除颗粒来实现三去除颗粒是把金相图片中一些影响边缘提取的噪声去掉,如图4所示三

1.5　图像分割

采用分水岭分割算法(Watershed segmenta?tion algorithm,WSA)对图像进行分割,相比其他的分割算法能够较好地提取对象轮廓,准确识别对象边界且运算量小等优点[9?11]三分割后的图片将琢相组织分成了若干个特定的,更利于提取的区域(图

5)三

(a)Before thresholding(b)After thresholding

图3　阈值化效果图

Fig.3　Thresholding

renderings

(a)Before particle extraction(b)Particle extraction(c)After particles extracted

图4　去除颗粒

Fig.4　Remove particulate extract

2　TC4金相组织图片处理与结果

分析

2.1　图片处理

本研究基于TC4合金的金相图片处理,大致

过程为:原始图片→阴影校正→增强去噪→二值

化→去噪点→图像分割→计算识别三图6为

TC4材料金相图片从原始金相照片到TC4钛合

金材料α相组织识别和提取的整个处理过程的

直观显示三

2.2　结果分析

由图6可以看出该方法效果明显,TC4组织

中的α相都准确识别到了,而且轮廓提取较精准,

77

失效分析与预防第9

卷

(a)Before the image segmentation(b)After the image segmentation

图5　图像分割效果图

Fig.5　Image segmentation renderings

(a)Original image(b)Shadow remedy(c)Image enhancement(d)Thresholding (e)Binarization(f)Particle analysis(g)Remove particles(h)Again binarization

（i）Image segmentation(j)Computational identification(k)Figure of final result

图6　图像处理过程图

Fig.6　Image processing

没有出现过度分割现象三图7是TC4棒材锻件

金相图片处理后的α相数据结果,包含了α相面

积二长轴二短轴等数据信息三将Area列相加再除

以总的像素即为α相面积比例,如1723652/ 3491484=0.4938,即可知α相比例为49.38%三将Feret和MinFeret列分别求均值为长短轴数值,

如:Feret=147.705,MinFeret=101.302,长轴/短

轴=147.705/101.302=1.458三3摇结论

1)基于TC4合金棒材,以ImageJ软件为工具的数字图像处理结果显示,TC4合金棒材中α相占49.38%,长短轴比为1.458三

2)提出的数字图像处理技术对TC4钛合金的金相组织定量分析,不仅可以测出不同相的相对量,以及金相分析中其他特征参数,还实现了对

87

第2期吴　伟,吴剑剑,邬冠华,等:基于数字图像处理的TC4

钛合金金相组织定量分析

图7　数据结果分析图

Fig.7Data Analysis for 琢phrase in microstructure images of TC4alloy

处理的过程保存,用于对处理的结果进行检查,且具有方便快捷二精度高二自动化程度高等优点三

3)ImageJ 软件强大的图像处理工具箱为处

理金相照片提供了很大的便利,函数齐全,编程方便,可实现对TC4钛合金组织金相图片进行处理和定量分析三其他多相组织定量也可以应用本研究提出的方法,为组织含量对力学性能影响的研究提供了必要的依据三

参

考

文

献

[1]蒋少松.TC4钛合金超塑成形精度控制[D].哈尔滨:哈尔

滨工业大学,2009:1-2.

[2]王召军.TC4合金高温形变工艺与显微组织特征[D].沈

阳:东北大学,2009:1-15.

[3]吴雪平,吴树森,毛有武,等.镁二铝合金半固态金相组织分

析软件的开发[J].特种铸造及有色合金,2002(5):51-53.[4]徐建林,陈超,路阳,等.铸造铝青铜显微组织的计算机辅助

分析[J].铸造,2004,53(10):819-822.

[5]靳伍银,赵霞霞,祁晓玲,等.基于数字图像处理的GCr15轴

承钢金相组织定量分析[J].兰州理工大学学报,2013,39(1):6-9.

[6]王建萍,王家平,许建广.数字图像处理在定量金相分析中

的应用[J].材料导报,2003,17(1):63-65.

[7]张红旗,王春光,王全喜,等.数字图像处理技术在金相分析

中的应用研究[J].农机化研究,2013(3):209-213.[8]张海军.基于数字图像处理技术的灰铸铁金相分析[D].呼和浩特:内蒙古农业大学,2008:9-12.

[9]汪颖,刘奇,李成鑫.基于数学形态学的分水岭图像分割方

法[J].四川大学学报:自然科学版,2004,41(增刊):457-460.

[10]Liu Q J,Zhao Z M,Li Y X,et al.Feature selection based on

sensitivity analysis of fuzzy ISODATA[J].Neurocomputing,

2012,85:29-37.

[11]Guo L H,Li J H,Yang S T,et al.Image segmentation using

an improved watershed algorithm[J].

Journal of Shanghai

Jiaotong University (Science),2004,9(2):16-19.

9

7