李晓平, 陈树仁,, 崔 琳, 万 捷
(1.中国石油大学(北京)油气管道输送安全国家工程实验室/城市油气输配技术北京市重点实验室,北京102249;2.河北石油职业技术学院,河北 廊坊065000;3.新疆石油勘察设计研究院,新疆乌鲁木齐830026)
乳状液广泛存在于石油工业的各个环节中,目前世界上开采的原油绝大多数为油包水乳状液形式[1]。其中,乳状液液滴粒径的大小对研究搅拌槽中的剪切率以及W/O乳状液的粘度规律有重要的影响[2],为进一步研究油气水多相流打下基础。可见,研究乳状液的性质非常重要,而乳状液液滴直径是个重要的参数[3-6]。因此,原油乳状液液滴直径的测量十分必要。
乳状液的研究是油气水多相流的重点和难点,液滴直径的测量是乳状液研究的基础。目前乳状液液滴直径的测量方法有间接测量法和直接测量法。间接法[7]用分散稳定性分析仪,通过相厚度随时间的变化,确定粒子移动速度,从而计算出粒子的平均直径。直接测量法最常见的方法是先用电子显微镜拍摄得到原油乳状液的图片,再运用相关工具对图片进行处理,继而测量出液滴的直径。
目前实验室普遍采用的方法是直接测量法,但是现有软件的测量是基于手工的,会带来诸多人为因素的误差。图1为显微照片处理软件的工作界面。
图1 显微照片处理软件的工作界面
现有软件测量液滴粒径时,完全依赖于人为主观地去选择被测液滴,而且在测量过程中如何确定液滴边缘同样受主观因素影响较大,造成测量结果因人而异,影响测量结果的精度。在实验过程中,被选中的液滴绝大多数是面积较大、边缘较明确的,如图1的绿色区域是被选中液滴的直径数据。为了客观地反映液滴粒径,就需要选择大量的液滴去测量,显然工作量增大,而且不能快速处理。因此,需要开发一个能够准确、客观、快速地进行测量的软件,为乳状液的研究奠定坚实的基础。
在实际应用中,系统采集到的原始图像并不是完美的。由于光照度不均匀,或由于摄像头获得的图像经过A/D转换、线路传送产生噪声污染等原因,图像质量被降低了[8]。因此,在对图像进行分析之前,必须对图像质量进行改善,所以需要进行图像预处理。图像预处理的目的是降低图像噪声,有选择地突出图像中感兴趣的特征,而衰减不需要的特征,提高图像的可懂度。图像的预处理主要包括平滑滤波、锐化等内容。
液粒与背景的根本差别就在于各自灰度值的不同,因此可以利用灰度值将液粒与背景完全分开。通常采用的方法是图像二值化。图像二值化[9]是指图像上所有点的灰度值只有两种可能,不是“0”,就是“255”,把灰度值超过某一阈值的像素赋以最大灰度值255,其余像素则赋予最小灰度值0。
若位于坐标(x,y)处的像素灰度值为 f(x,y),则选定合适的阈值V进行处理后的图像g(x,y)由下式确定:
式中,V为选定的阈值。
图像二值化有许多方法,采用比较多的是全局阈值法。全局阈值法在整幅图像内采用固定的阈值分割图像,其核心是阈值的选择。为了增强软件的实用性,该软件采用了基于图像灰度直方图的自动选择阈值方法,由系统根据图像灰度直方图自动确定图像二值化的阈值,并用全局阈值法进行图像的二值化。
进行二值化处理,得到二值图像还有其他一些好处,图像的几何性质只与0和255的位置有关,不再涉及到像素的灰度值,使处理变得更加简单。因而,二值图像处理目前已成为图像处理中的一个独立的、重要分支而获得广泛的应用[10]。
边缘是图像中所要提取目标和背景的分界线,只有提取出了边缘才能将背景和目标区分开来。因此数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析操作的重要基础,是图像识别中提取图像特征的一个重要步骤。
图像的边缘有方向和幅度两个属性,沿边缘方向像素变化平缓,垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来,通常用一阶或二阶导数来检测边缘,不同的是一阶导数认为最大值对应边缘位置,而二阶导数则以过零点对应边缘位置[11]。图像边缘检测的最常用的算子有 Roberts算子[12]、Sobel 算 子[13]、Prewitt 算 子[14]、Laplacian 算子[15]、LOG 算子[16]和 Canny 算子[17]。每一种算子都具有不同的优缺点,本软件采用Laplacian算子来实现数字图像的边缘检测,Laplacian算子是二阶导数算子,如下式所示:
实际计算也是借助模板卷积实现的,两种常用的拉普拉斯算子如下式所示:
它具有各向同性的优点,即与坐标轴无关,坐标轴旋转后梯度结果不变。
边缘检测后的图像可以清晰地显示出一个个液滴,但还不是液滴直径的数据。要得到具体的水滴直径,还需要对图像进行进一步的辨识、统计处理。
辨识,就是对上述图像进行识别,识别每个点所属的圆(液滴),进而计算出每个液滴(圆)的直径并最终统计出液滴直径的分布规律。辨识采用二级链表的数据结构,顶层是圆的一个链表,每个圆是点的链表。辨识、统计流程图如图2所示。确定点所属圆的流程如图3所示。点在圆上的流程由图4可见。
图2 辨识统计流程图
本文所介绍的测量乳状液液滴直径的图像处理软件是在Delphi环境下进行开发的。
该软件具有便捷高效和实用性强的应用特点。用以往的工具处理一幅图片所做的统计粒径和输出数据往往需要几min甚至十几min的时间,而应用本文中实现的软件来处理图片,无论粒子数量的多少,处理一幅图片的时间都可以控制在30 s的时间之内,极大地提高了图片处理的效率。该软件还沿用了传统图像处理软件的习惯方法,不仅功能全面,运行稳定,而且还具有人性化界面设计,操作直观,易学实用,有效地满足了不同个体的需求。
现在以一幅原油乳状液显微镜成像图为例,检验软件的实际应用效果。
图3 确定点所属圆的流程图
图4 确定点在圆上的流程图
首先将需要处理的原油乳状液液滴图片打开,如图5所示。由于电子显微镜拍摄下来的图片可能不是BMP格式的,为了便于位图处理,需要对其进行格式转换。
图5 乳状液显微镜成像图
软件对乳状液液滴图片进行预处理,如图6所示。
图6 预处理后的效果图
肉眼之所以可以判断出液滴,主要是根据液滴周围灰度值的变化规律。图7和图8为液滴图片同一行经过预处理前、后灰度值变化曲线,不难发现经过预处理后灰度值曲线明显光滑很多,这样更有助于后续的图像处理。
图7 预处理前灰度值变化曲线
图8 预处理后灰度值变化曲线
由于边缘处灰度值连续而且相差不是特别大,计算机还不能直接把液滴和背景区分开。因此,还需要进行二值化处理。软件对其进行二值化处理的效果见图9。
本软件利用八邻域模板进行卷积计算,如图10所示。
软件在该部分利用相应的算法对液滴颗粒进行模拟画圆,通过吻合的效果来判断算法的精确性。具体效果参见图11。
图11中红色圆圈是根据每个圆中链表所记录的各个点的坐标所画,从总体上来说其对液滴吻合效果良好,可见测出来的液滴直径会很精确。
图9 二值化后的效果图
图10 边缘检测后的效果图
图11 液滴吻合效果图
在数据区程序能够自动算出各个圆的直径,并且数出液滴的个数,在图表区程序能够自动画出液滴分布的统计图。具体效果参见图12~13。
图12 粒径分布统计图
图13 累积粒径分布曲线
通过对原油乳状液液滴直径测量软件的实际应用和检验,发现测量效果较好。该软件的应用不仅工作效率明显提高,还解决了实验室手工测量原油乳状液液滴直径的缺陷,并有一定的应用前景。
致谢:中国石油大学(北京)油气储运专业温凯老师对程序的调试给予的指导和帮助,阎凤元老师和周军博士对论文思路、观点、论证给予的指导、启发和探讨,煤层气课题组的全体同学对程序的论证提出的宝贵建议。在此一并致以衷心的感谢!
[1] 宋承毅.石油工业多相混输技术研究进展[J].油气储运,2003,22(9):26-29.
[2] 蒋小华.油水乳状液粘度特性及搅拌槽中剪切率影响研究[D].北京:中国石油大学(北京).2008.
[3] 孙涛垒,彭 勃.原油活性组分油水界面扩张粘弹性研究[J].物理化学学报,2002,18(2):161-165.
[4] 张 帆,王福宾.油水乳状液性质及其影响因素[J].油气田地面工程,2005,12(24):2-3.
[5] Pal R.Effect of droplet size on the rheology of emulsions[J].AIChE J,1996,42(11):31-38.
[6] Pal R.Shear viscosity behavior of emulsions of two immiscible liquids[J].JColloid Interface Sci,2000(255):359-366.
[7] 张文玲,徐冬梅.建立一种检测乳状液油滴粒径的方法[J].新疆石油科技,2007,3(17):46-51.
[8] 董长虹.Matlab图像处理与应用[M].北京:国防工业出版社,2004:129-130.
[9] Ridier T W,Calvars S.Picture thresholding using as iterative selection method[J].IEEE-SMC,1978:630-632.
[10] 舒红平,蒋建明.基于灰度最优阈值的图像分割方法及应用[J].重庆工商大学学报(自然科学版),2003(4):80-83.
[11] 姚 敏.数字图像处理[M].北京:机械工业出版社,2006:226-227.
[12] Roberts L G.Machine perception of three-dimensional solids[J].Optical and Electro-optical Information Processing,1965(2):159-197.
[13] Davis L S.A survey of edge detection techniques[J].Computer Graphics and Image Processing,1982,4(1):248-250.
[14] Prewitt J. Object enhancement and extraction [J]. Picture Processing and Psychohistories,1970.75-80.
[15] Haraliek R M,Shapiro L G.Image segmentation techniques[J].Computer Vision,Graphics and Image Processing,1985,29:100-105.
[16] Marr D,Hildrith E.Theory of edge detection[J].Proc,Royal Society of London,1980:187-191.
[17] John Canny.Finding edges and lines in Images[J].MA Tech Publishing,1983,8(24):46-48.