上一篇介绍了采用聚类机器学习算法提取照片中相组成数据的例子，其核心作用是将照片像素连续分布灰度分为k个类别，然后统计各类别的像素数，获得相组成特征数据。除了该类别总的特征数据之外，连续灰度类别化后，区域特征数值，如某相（包括缺陷）区域大小及其分布，各区域空间分布等信息，对于材料建模来说，也是非常重要的数值特征数据。

采用聚类算法将连续灰度照片转化为k种灰度（相）的照片，该照片清晰地显示出各相的尺寸大小及空间分布情况，下面介绍该信息的数值数据的提取方法，依然以R语言为例，需要其他语言者，可让AI帮助实现。

1. 将感兴趣的区域（相）为白（灰度值为1），其他区域为黑（灰度值为0）

设该相的上下限灰度阈值分别为thd和thu（kmeans法获得），原照片灰度数据集为gr，2值化后黑白照片数据集为bw：

bw <- ifelse(gr > thd & gr <= thu, 1, 0)

2. 将各独立的白色区域进行编号，调用bwlabel()函数

lbl <- bwlabel(bw)

该命令会将bw数据矩阵中数值为1的连续区域依次进行连续编号：1,2，。。。，n，结果存于矩阵变量lbl中。

3. 对各白色区域进行特征数值计算

（1）关心相区域（缺陷或某相晶粒）个数，即lbl数据集中最大编号值：

n <- max(lbl)

（2）从1至n逐一计算各区域的像素点及其位置：

该操作就是一个简单的矩阵元素查找的数学运算，即查询矩阵中元素值为某值的所有元素，并记录其所在行列位置。R语言中为which函数。

设计算标号为1的区域，

i <- 1

yi <- as.matrix(which(lbl == i, arr.ind = TRUE))

计算结果如下

结果表明区域1中一共有10个像素点，row、col分别为各像素点纵向和横向位置。

（3）提取各区尺寸、空间位置等信息

根据原图的比例尺图，标定像素点的实际尺寸比例尺后，再由各区域的像素点数，可知其面积、特征尺寸（边长、直径），可统计粒径分布、空间分布等，如下图。

该例表明，一张照片可以简单地挖掘出大量的定量数值数据，可以，支撑数值建模，而不是停留在定性的描述层面。

支持单位：