Как показывают исследования, на стадии циклического деформирования металлов изменяется дислокационная структура: на границах ферритных зерен генерируется новые дислокации; в отдельных зернах наблюдаются дислокационные сплетения. В наиболее благоприятно ориентированных зернах могут генерироваться полосы скольжения. Интенсивность микропластической деформации на этой стадии циклического деформирования в приповерхностных слоях металла выше, чем во внутренних объемах [7].
Особенно широкое распространение при изучении дислокаций получил метод избирательного травления, основанный на том, что вблизи дислокаций энергия связи атомов гораздо слабее, чем в недеформированной решетке. Поэтому места выхода дислокаций на поверхность кристалла травятся специально подобранным травителем быстрее, чем окружающая дислокацию поверхность. В результате такого травления на поверхности кристалла возникают ямки травления. Подсчет их позволяет определять одну из важнейших для полупроводниковых кристаллов характеристик — плотность дислокаций, выражаемую числом ямок травления на квадратный сантиметр. Расположение на поверхности кристалла и форма ямок травления дают возможность исследовать свойства дислокаций. По фигурам травления можно проследить за образованием и движением дислокаций в процессе пластической деформации.
Цифровое изображение микроструктуры материала состоит из конечного числа элементов, каждый из которых расположен в конкретном месте и имеет определенное значение, их принято называть пикселями. Так как структура поверхности материала определяет его механические и физические свойства, их можно определить по качественно обработанному цифровому изображению [1,3]. Основная задача цифровой обработки изображения металлографической микроструктуры — фоновая коррекция и выделение геометрических объектов для дальнейшего расчета и исследования, а также улучшение качества изображений и устранение различных шумовых составляющих. Это достигается разработкой программ с помощью различных сред программирования; Matlab, MATHCAD и др.
Система Matlab предлагается как язык программирования высокого уровня для апробации и совершенствования уже известных и разработки новых математических методов обработки изображений и создания новых высокоэффективных, а порою и уникальных программных средств для этого [2].
Изображение можно представить как двумерную функцию f(x,y), где x и y – это пространственные (плоскостные) координаты [6].
Процессы обработки изображений в пространственной области можно обозначить уравнением
g(x,y)=T[f(x,y)]
где f(x,y) – входное изображение; g(x,y) – выходное (обработанное) изображение; Т – некоторый оператор преобразования над f в некоторой окрестности точки (x,y), который также может обрабатывать и последовательность изображений, например, суммировать.
В статье представлена методика обработки исходного цифрового изображения микроструктуры в программном продукте Matlab. Для апробации методики использовали изображение дислокационной структуры стали У13 (электронная микроскопия) после электротермоциклической обработки (х40000). Ниже приведена последовательность выполнения различных операций преобразования изображения с описаниями:
A=imread(‘steel.jpg‘) – чтение изображения из файла, где ‘steel.jpg’ – имя файла.
ImGray=rgb2gray(A) — создает полутоновое изображение, имеющее пиксели с рядом оттенков серого цвета в виде двумерной матрицы. Индексы матрицы задают положение каждого пикселя на экране дисплея, а значение соответствующего элемента матрицы задает его яркость — оттенок серого цвета.
L1 = filter2(L, ImGray)/255 – применение фильтра повышения резкости изображения.
L=fspecial(‘unsharp‘, 1,0); L1=filter2(L,ImGray)/255 – повышение резкости изображения выполняется с помощью фильтра ‘unsharp’. Функция fspecial создает маску фильтра ‘unsharp’. После применения фильтра числовое значение каждого элемента матрицы L1 принимает значения от 0 до 1 (делится на 255). Повышение четкости изображения подобными фильтрами неизбежно приводит к усилению шумовой составляющей и зернистости реальных изображений [3, 4].
J=imajust(L1, [0.2 0.7], [0 1.0]) – осуществляет изменение яркости изображения, называемое гамма-коррекцией. Цифровой эквивалент получения фотонегатива, очень полезен для усиления белых или серых участков, окруженных большими преимущественно темными областями.
M=medfilt2(J). Для устранения шумовой составляющей изображения, возникшей после повышения резкости, рекомендуется использовать нелинейные пространственные фильтры, отклики которых основаны на предварительном ранжировании пикселей изображения из текущей окрестности, после чего центральному пикселю присваивается значение, определенное в результате данного упорядочения.
BW=im2bw(M,0.3) — преобразует изображение в бинарное (двухцветное), применяя операцию отсечения по порогу яркости, что позволяет резко выделить отдельные фрагменты исходного изображения. Пиксели преобразованного изображения имеют значение 0 (черный цвет), если уровень порога не превышен, и – 1 (белый цвет) в ином случае [2, 5].
i=imcomplement(BW) – функция дополнения или инвертирования изображения вычисляет дополнение для каждого элемента массива. Наиболее характерным применением функции дополнения является создание негативного изображения из исходного изображения.
SH=bwmorph(i, ‘shrink‘) — выполняет заданную морфологическую операцию над бинарным изображением.
CL=bwmorph(SH, ‘clean‘) – выполняет сжатие объекта таким образом, что объекты без «дыр» сжимаются в точку, а объекты с «дырами» сжимаются в 8-связные замкнутые в кольцо участки остова, проходящие посередине между границами «дыр» и внешней границей объекта.
SP=bwmorph(CL, ‘spur‘) — удаляет изолированные пиксели объектов. Пиксели с единичным значением, все 8 соседей которых равны 0, заменяются пикселями с нулевым значением.
U=im2uint8(SP) — перевод матрицы изображения из класса logical в класс uint8, для работы с фильтром выделения границ по Канни.
C=edge(U, ‘canny‘) — выделение границ изображения по методу Канни. Метод, основанный на использовании двух порогов, задающих два типа границ: «сильные» границы и «слабые». «Слабые» границы отмечаются только тогда, когда они соединены с «сильными» границами [1,2,4,8].
R=rangefilt(C) – анализ текстуры изображения, вычисляет локальные пределы изображения, т.е выполняется анализ текстуры [1,2,5,8].
DL=bwmorph(R, ‘dilate‘) – наращивание объекта путем замены на 1 значений пикселей фона, граничащих с объектом.
BR=bwmorph(DL, ‘bridge‘) – соединение ранее разъединенных пикселей (разделенных фрагментом фона толщиной в 1 пиксель).
TN=bwmorph(BR, ‘thin‘, 8) — утонение объекта путем эрозии объекта при сохранении 8-связности.
i1=imcomplement(TN) – обратное инвертирование.
imshow(i1, []) – вывод полученного изображения.
На рисунке 1 приведено исходное изображение и конечный результат обработки.
Рисунок 1 — Дислокационная структура стали У13 (электронная микроскопия): а) исходное изображение; б) изображение после цифровой обработки
В таблице 1 приведены промежуточные результаты обработки изображения с помощью приведенной выше программы.
Таблица 1
Цифровая обработка изображения микроструктуры инструментами Matlab
Стоит отметить, что результаты исследования и расчет параметров микроструктуры во многом зависят от качества обрабатываемого исходного изображения микроструктуры. Следовательно, процесс обработки изображения должен быть корректным. Результат обработки во многом зависит от качества подготовленных металлографических шлифов, их изображений.Полученное в результате цифровое изображение в дальнейшем может быть использовано для измерения следующих параметров: средние размеры зерен; размеры, плотность и объемные доли включений; скалярная плотность дислокаций, амплитуда кривизны-кручения кристаллической решетки.
Список литературы:
- Гонсалес Р. Цифровая обработка изображений в среде MATLAB / Р. Гонсалес, Р.Вудс, С. Эддинс. – М.: Техносфера, 2006. — 616с.
- Дьяконов В.П. МАТLАВ 6.5 SP1/7/7/SP1 + Simulink 5/6. Работа с изображениями и видеопотоками. – М.: СОЛОН-Пресс. 2005. – 400 с.
- Материаловедение: учебник для ВУЗов / Б. Н. Арзамасов, В. И. Макарова, Г. Г, Мухин [и др.] – 8-е изд., стереотип. — М.: Изд-во МГТУ им. Н.Э. Баумана,2008. – 648с.
- Методы компьютерной обработки изображений / под ред. В.А. Сойфера. — М.: Физматлит, 2001. – 784 с.
- Применение цифровой обработки сигналов / под ред. Э Оппенгейма; пер. с англ. под ред. к.т.н. А.М. Рязанцева. – М.: Изд-во «Мир», 1980. – 552 с:
- Смоленцев Н. К. Основы теории вейвлетов. Вейвлеты в MATLAB / Н. К.Смоленцев. – М: ДМК Пресс, 2005. – 304с.
- Терентьев В.Ф. Циклическая прочность металлических материалов: Учеб. Пособие. – Новосибирск: Изд-во НГТУ, 2001. – 61с.
- Цифровая обработка изображений в информационных системах / учеб. пособие / И.С. Грузман, В.С. Киричук [и.др.]. – Новосибирск : Изд-во НГТУ, 2002. – 352с.[schema type=»book» name=»ЦИФРОВАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ МЕТАЛЛОГРАФИЧЕСКИХ МИКРОСТРУКТУР В СРЕДЕ MATLАВ. МЕТОДИКА» description=»В статье приведена методика обработки изображений металлографических микроструктур в среде Matlab в целью исследования поверхностного слоя металлических образцов, подвергнутых циклическому нагружению и правильности идентификации полученных результатов.» author=»Гадалов Владимир Николаевич, Башков Олег Викторович, Ворначева Ирина Валерьевна, Филонович Александр Владимирович» publisher=»БАСАРАНОВИЧ ЕКАТЕРИНА» pubdate=»2017-01-04″ edition=»euroasia-science.ru_29-30.12.2015_12(21)» ebook=»yes» ]