ImagePy对多孔材料泡孔结构识别解决方案

作者：闫霄龙_ImagePy
链接：

https://www.zhihu.com/question/64646107/answer/222832540
来源：知乎

多孔材料泡孔结构的图像处理软件和经验？

大家好，我对多孔材料（如塑料泡沫、金属泡沫等）进行泡孔结构统计，需要用相关图像处理软件（如Image Pro Plus和Image J等）对其电镜照片进行处理和分析。需要得到的数据包括：泡孔平均直径、泡孔尺寸长径比、泡孔尺寸分布、泡孔数量密度。

具体要求如下：

1.标尺确定：根据图片上的已有标尺进行标尺确定。

2.划定选区：在已有图片上划定需要进行分析的区域，上述参数均基于该选区进行。

3.确定测试项目：包括选区面积、选区内泡孔数量、选区内所有泡孔平均直径、选区内每个泡孔的当量直径、选区内所有泡孔的平均长径比、选区内每个泡孔的长径比、选区内泡孔的尺寸分布图。

4.泡孔识别：对泡孔进行识别、圈定，以便于分析；这是泡孔统计的关键。

5.数据导出：上述数据的导出，特别是选区内每个泡孔的当量直径和长径比的数据导出。

我尝试过使用上述两个软件，由于没有比较好的教程，感觉使用起来比较费劲。特别是第4步，比如IPP就需要把每个泡孔沿着泡孔壁单独圈画出来。由于泡孔统计需要统计的数目较多，一般不少于100个，所以操作起来非常麻烦。另外，还有一个致命的问题，貌似IPP的处理结果不能暂存。也就是说，一张图片我处理了一半，想暂存起来，下次继续处理；但是貌似IPP没有该功能，下次只能重新处理，又是非常麻烦！！可能是我没有找到科学的操作方法。

大家用过类似的处理软件吗？能否分享一下经验？或者比较快捷有效的教程？

以下是闫大超级耐心的回答：

你好，我是 ImagePy 专栏 作者，ImagePy是我个人开发的图像处理工具，可以解决你的问题。软件是开源免费的，你可以在 ImagePy下载。软件很大程度上借鉴了ImageJ，不过是用Python进行了彻底的重构和优化，扩展更方便。

分析你的问题，本质上是一个分割问题，而图像特征是孔的部分明显比较暗，分割线是亮的，可以考虑阈值分割。不过这个问题分割线很细，并且孔落在包围之内，所以用分水岭分割是非常合适的。

1.首先将图像转为8位灰度图像   Image > Type > 8-bit

2. 设定比例尺

2.1 右侧下拉菜单，选择测量工具箱

2.2 放大后用测距工具

起点左键单击，然后在终点右键单击。（可以先点击工具栏上的Mset按钮，设定线条和文字的颜色，默认是白色标记，但这里根据需要设置成蓝色线条和红色文字）

2.3 计算 200/35 ≈ 5.7，单位是 um,  Image > Scale And Unit

3. 对图像进行一个高斯模糊，抑制细节，防止产生过分割。Process > Filters > Gaussian

3. 选择极小值点作为种子  Process > Hydrology > Find Minimum

4. 用分水岭方法进行分割  Process > Hydrology > Watershed With ROI

我们可以重新打开一副图像进行叠加，查看分割效果。Process > Image Calculator

效果基本OK，分割问题一般是为了统计，因而部分错误对整体影响不大，任何算法也不能保证100%符合人的心意。

5. 接下来我们开始测量，在此之前我们需要用矩形选区工具在图像上点一下，去掉选区，否则运算将只针对选区。

6. 取反，由于统计区域默认是统计非零区域，因而我们对图像取反  Edit > Invert

为了获取更好的视觉效果，我们把区域变暗，因为只要保证非零就可以进行统计。

Process > Math Multiply

7. 进行区域分析  Analysis > Region Analysis > Gometry Analysis 进行几何分析，这里可以计算区域的质心，面积，周长，外接矩，等效半径，凸包面积，欧拉数，填充面积，丰满程度，协方差。我们这里勾上等效半径和协方差。

确定后，我们得到如下结果

8. 结果输出，可以在表格的 File > Save As > CSV 把结果输出成excel，从而方便的进行一些统计分析。以及图表绘制。

如有问题可以追问。

另外如果觉得ImagePy解决了你的问题，请到下载页面最后的连接给点一个赞。也欢迎大家加入QQ群：596310256 共同探讨学习图像处理问题。本人也在拟写一本通俗易懂的，理论，实验相结合的图像处理教程，敬请期待，如果又好的素材，也欢迎推荐。

对评论的一些补充：

1.如何调整局部分割结果

在得到分水岭分割后，新打开一张图像，乘以0.8，目的是为了让图像不会达到255最大值，这样可以与分割线再次阈值分离。

利用之前介绍的叠加技术，把0.8倍灰度图叠加回原图，这样可以清楚看到差异。

利用画笔工具，进行手工绘制，双击取色器可以选择颜色，双击铅笔可以设置笔迹宽度。

然后手工擦掉错误连线，并且用纯白色绘制新的连线，可以用放大镜放大，新的连线必须闭合，不然会被当作相同区域。可以用宽度位2的笔绘制，这样更容易。（目前笔迹绘制到画布以外好像有点问题，我后面有时间调整一下）

Image > Adjust > Threshold 对图像进行阈值处理（这里解释了叠加前为什么乘以0.8）

这里顺便提一下，基于统计结果，个别的分割不准确对全局的影响不大，所以只要大部分正确，不一定非要把每个都调整好。

2.  关于椭圆，所有的面积统计是基于真实区域，椭圆只是协方差的分析指标，结果的直径是等效直径，然而等效成圆，不够精确，那个椭圆是等效椭圆的分析结果，从上面可以看出协方差，方向，偏心率。换言之，椭圆告诉我们长轴，短轴，方向，而直径位于长短轴之间。

3. 主要需要保存的图片是编辑过程的图，也就是手绘过程，因为其他过程，在熟悉流程之后，只用一分钟。手绘过程可以当作图片保存，之后可以再次打开，不过注意请选择bmp或png格式，不然会导致精度损失，无法阈值复原分割线。

4. 关于局部分析

用选区工具选择一个矩形区域

Image > Duplicate 进行复制

在此基础进行几何分析，得到的就是局部分析结果

如有问题可以追问，最后再次广告一下：

另外如果觉得ImagePy解决了你的问题，请到下载页面最后的连接给点一个赞。也欢迎大家加入QQ群：596310256 共同探讨学习图像处理问题。本人也在拟写一本通俗易懂的，理论，实验相结合的图像处理教程，敬请期待，如果又好的素材，也欢迎推荐。

针对追问的再次补充（针对你的需求完善了软件，所以请先更新那个100K左右的软件包）

分析问题，这张图本质上还是分割问题，并且图像特征和之前的图很类似，而评判孔和缝隙的原则是图形的形状，孔比较圆，比较饱满，这个是我们主观的感受，那么思路就是对图像进行分割，然后用区域的指标进行碎片的筛选。下面我们开始操作，标尺等细节这里省略。

1.按照之前的方法对图像进行分割，找极小值这一部是根据视觉效果调整的，准则是每个内落下一个种子就好，这里选择8比较合适。

之后同样按照之前的流程得到这一步，我们看到基本得到了理想的分割线，（如果有不满意的可以在invert之前与原图叠加，手绘，不过必要性不大）

2. 进行区域筛选，这个功能是刚添加的。Analysis > Region Analysis > Geometry Filter

这一步的意思是根据这些指标对区域进行筛选，通过的设置位120，不通过的设置为0，填写整数表示选区大于等于该值的，负数代表小于该绝对值的。我们首先把面积不足100的小块去掉，当成是噪声。（注意如果设置了比例尺，这里应填写单位值，没有比例尺单位是像素）

其次，目标肯定是实心的，没有洞，因此holes填-1，代表小于1，也就是没有洞的.

丰度，指的是丰满度，是面积和凸包面积的比值，圆形最丰满，树杈最单薄。因为我们的目标都是比较饱满的，这里用0.8过滤。

偏心率，长短轴的比值，圆形是1，越椭圆，偏心率越大，这里再次解释了之前介绍的协方差和等效椭圆的意义。我们看到一些细长的目标再次被过滤掉。

最后把back color填0，去掉，直接确定。

3. 手工填充，此时的结果已经过滤了大部分非法区域，如果仍有调整，可以用填充工具，用黑色进行区域填充。注意填充之前一定选择4邻域，不然会直接全部填满。

双击填充工具进行设置

参照原图填充被标尺污染的区域以及其他不应统计的区域（也不必非常认真）

4. 区域统计

因为这个问题的复杂度已经比较高，甚至肉眼视觉上，也不是每个都可以明显区分是孔还是背景，我们采用的是转化成形态指标进行描述，过滤的方法，得到了相对理想的结果，在统计意义下应该是可以代表真实情况的。

这里提一下乘法Multiply()函数，除了上文提到的灰度值降低来变暗，或者便于二次分割的作用外，还可以进行灰度增强。比如：自身灰度叠加增强，将下图的src2换成src1，可以得到比较好的前处理效果。

一个例子，为了分析眼睛是睁开还是闭合的情况，使用乘法Multiply()函数身灰度叠加增强后，便于深度学习处理。

处理前：

处理后：

ImagePy具有相当高的可扩展性，以上功能是刚才我针对你提出的问题，快速完成的扩展功能。虽然现在还不出名，但希望ImagePy可以逐渐成为主流，成为一个免费、开源、分享的图像处理平台。

最后再次广告一下：

如果觉得ImagePy解决了你的问题，请到  阅读原文  给点一个赞。也欢迎大家加入QQ群：596310256 共同探讨学习图像处理问题。本人也在拟写一本通俗易懂的，理论和实验相结合的图像处理教程，敬请期待，如果有好的素材，也欢迎推荐。

推荐阅读：

ImagePy 三维分析及可视化解决方案