论文部分内容阅读
活性碳纤维(Activated Carbon Fibers，ACF)，也被称作纤维状活性碳，是一种性能优于普通活性碳(Activated Carbon,AC)的高效活性吸附材料，同时也是一种出色的环保工程材料。因其超过50％的碳原子位于内外表面，构筑成独特的吸附结构，被称为表面性固体。本课题主要处理由SEM即扫描电子显微镜获得的ACF材料表面图像，图像中包含微孔(小于2nm)和大孔(大于50nm)，是一种双孔型ACF材料。目前常用的材料图像提取方法就是通过SEM、STM、AFM等仪器进行观测，会造成一定的图像失真和图像质量的降低。
本课题从图像的预处理、孔洞目标区域分割、目标参数提取等各个环节ACF材料进行深入的分析和研究。首先讨论有效的材料图像预处理算法。采用了有效针对ACF表面图像的滤波算法、边缘细化算子和图像锐化算子等细节增强算法，有效改善了材料图像的质量，为后续处理提供了基础。在预处理的基础上，对材料有效图像分割方法进行研究，应用了几种典型的图像分割方法，比较其分割效果。在基于阈值的分割中提出了基于矩理论的分割算法，即矩不变阈值分割，获得了较为显著的分割效果。
本文还讨论了将形态学距离变换的理论应用到ACF材料图像的处理中的可能性。从结果可以发现尤其在分离ACF表面图像中孔洞和气泡的粘连现象有很好的分离效果。本文重点研究了一种新的ACF图像分割方法。即引入统计学图像的思想，在Bayes机制下，运用马尔可夫随机场模型，优化ACF材料图像的分割效果。运用两种松弛算法通过迭代，得到最大后验概率，即最优解，优化图像分割的效果。结果表明，此算法表现出了非常优异的分割效果，为后续的图像分析打下了良好的基础。
最后，通过轮廓跟踪中的链码和线段表技术，实现了对目标特征参数：如周长，面积等的表示和测量。获得了目标孔洞和气泡的统计学特性，将图像处理进一步延展到图像分析，在统计数据的基础上，为ACF新材料的可控优化制备提供依据和支持。