3. 图像分割与相组成定量
图像分割是连接“看得见的灰度”与“算得出的相组成”的关键一步。它的任务不是把图像修得好看，而是把每个像素判定为某一相、孔洞、界面或基体，从而让后续的面积分数、体积分数、尺寸分布和连通性统计有明确的对象基础。分割一旦出错，后面所有定量结果都会系统性偏移，因此工程上必须把“分割方法选择—参数设定—结果校核”当作一个整体来处理。
一、四类分割方法的适用边界
阈值分割是最基础也最常用的方法。它假设不同相在灰度或色彩上存在可分离的峰，通过一个或两个阈值把像素划入不同类别。对金相中的石墨、孔隙、第二相颗粒，若衬度足够，全局阈值（如 Otsu 法）即可快速给出结果。但阈值法对光照不均、抛光划痕、腐蚀不均非常敏感，此时应改用局部自适应阈值，或先做背景校正再分割。
区域生长从若干种子点出发，把与种子灰度相近且空间连通的像素并入同一区域。它比阈值法更能保持相区的连通形态，适合分割形状不规则但内部灰度较均匀的析出相。其关键参数是种子点位置和生长容差：容差过小会留下空洞，过大会把相邻相“吞并”。
分水岭分割把灰度图像视为地形，灰度低处为谷、高处为脊，通过注水淹没过程找到相之间的分界脊线。它特别适合分离相互接触的颗粒，例如烧结组织中粘连的晶粒。但分水岭对噪声极敏感，容易产生“过分割”，因此通常要先平滑、再做距离变换，并用标记点约束分水岭，只让标记对应的区域参与竞争。
机器学习分割则不再依赖单一灰度规则，而是用像素邻域特征（灰度、梯度、纹理、位置）训练分类器，如随机森林、支持向量机，或直接用 U-Net 等卷积网络输出像素级类别。它对复杂多相组织、弱衬度界面、SEM/BSE 图像中的细微差别更有优势，但需要人工标注训练集，且分割结果依赖训练数据的代表性。
二、从面积分数到体积分数：体视学换算的前提
分割完成后，最直接的输出是面积分数 A_A，即目标相像素数除以有效像素总数。工程上常需要的是体积分数 V_V。体视学给出基本关系 V_V = A_A，但这一等式成立有严格前提：截面必须是随机截面，取样视场要足够多且具有代表性，图像分辨率要能分辨最小相尺寸，同时要排除孔洞、镶嵌料、划痕等非材料区域。
实际操作中，建议按以下流程计算并校核：
- 在低倍下选取至少 10～20 个随机视场，避免只拍“好看”的区域；
- 对每个视场做分割，统计目标相像素数与有效像素数；
- 计算各视场 A_A，并求平均值与标准差；
- 若标准差过大（如相对标准差超过 15%），说明组织不均匀或视场数不足，应增加视场或改用分层取样；
- 将平均 A_A 作为 V_V 的估计值，并给出置信区间。
三、分割质量如何影响最终判读
阈值偏高会把部分基体误判为目标相，导致 A_A 虚高；阈值偏低则漏掉细小相，导致 A_A 偏低。区域生长容差过大，会把相邻相并入同一区域，使相分数偏高且尺寸分布失真。分水岭过分割会把一个颗粒拆成多个，导致颗粒计数偏高、平均尺寸偏小。机器学习分割若训练集偏向某一类形貌，遇到新批次组织时可能出现系统性漏判。
因此，工程判读不能只看一个数字，而要同时检查：分割边界是否与真实相界一致、孤立噪点是否被清除、接触颗粒是否被正确分离、统计视场是否覆盖组织的不均匀性。必要时可用人工点计数法对少量视场做独立校核，若两种方法偏差在 2%～3% 以内，可认为分割结果可用于工程判读。
四、方法选择与参数设定的实用建议
| 组织特征 | 推荐方法 | 关键参数 | 主要校核点 |
|---|---|---|---|
| 衬度好、相简单 | 全局阈值（Otsu） | 阈值、是否反相 | 直方图双峰是否明显 |
| 光照不均、大视场 | 自适应阈值 | 邻域窗口大小、偏移量 | 背景是否被误判为目标相 |
| 内部均匀的析出相 | 区域生长 | 种子点、灰度容差 | 相区是否出现空洞或吞并 |
| 粘连颗粒/晶粒 | 标记分水岭 | 距离变换、标记点间距 | 是否过分割或欠分割 |
| 复杂多相、弱衬度 | 随机森林 / U-Net | 训练集规模、特征组合 | 新视场泛化能力 |
无论采用哪种方法，都建议保留原始图像、分割参数和中间结果，形成可追溯的处理记录。这样在后续批次对比、工艺调整或质量争议时，才能判断差异来自材料本身还是来自分割设置。分割不是一次性操作，而是定量分析链条中需要反复校核的关键环节。