1. 不规则颗粒测量为什么不能靠“目测”
在岩土工程、粉体材料、制药工艺和食品分级这些行当里待过的人，应该都有同一个感受：手头那些颗粒样品，几乎没有一个长成标准圆的。碎石、药片、砂粒、催化剂载体，形状千奇百怪，有的像土豆，有的带棱角，有的甚至带着明显的内凹。过去大家习惯了用筛分法，过一遍标准筛，得到一个网目区间；或者拿游标卡尺手动量几个“最宽处”，然后直接当成粒径去参与后续计算。但这些做法都有一个致命问题：筛分只能告诉你颗粒能不能通过某个孔径，卡尺只能量跨度，它们都丢失了颗粒真实的二维形态信息。
而工程上很多关键参数，其实恰恰取决于这些形态信息。比如混凝土骨料的表面积直接关系到水泥浆用量，粉体颗粒的周长和面积影响比表面积，进而影响反应速率或溶解速率；制药行业里，颗粒圆形度与粉体流动性、压片质量强相关。这些指标的共同特征是：它们依赖的不是“直径”，而是颗粒在图像平面上的投影面积和投影周长。更麻烦的是，不规则颗粒的粒径根本没有统一答案——同一个颗粒，用面积等效、周长等效、最大费雷特直径、最小费雷特直径来定义，会得到完全不同的“粒径”。
所以在实际项目里，我更喜欢用Matlab搭一套基于图像处理的颗粒测量系统，一次性输出颗粒数量、投影面积、周长、等效粒径、圆形度等一组指标，然后把数据导出成表格，再交给后续的统计分析。这不只是“省人力”的问题，而是把测量标准从“人眼主观判定”变成“可复现的算法逻辑”。同一批图像，不管谁来跑，只要参数固定，结果就是一致的。这种可复现性，在项目评审、论文支撑和工艺对比里都是硬需求。
这套方案适合谁用？说实话，门槛不高。你只需要对Matlab的基本语法有一点了解，哪怕只会写简单脚本，也能照着下面这套流程把系统跑起来。它特别适合做材料检测、岩土分析、化工粉体研究的学生和工程技术人员，也适合那些还在用“人工数数、人工量尺”的实验室，想快速升级成数字化测量的人。
2. 系统整体设计与测量参数换算逻辑
2.1 从像素到物理尺寸，先建立标尺
很多人第一次做图像测量，最容易犯的错误就是直接用图像里的像素数当作“面积”。一颗颗粒在图像里占了3000个像素，这只是一个无量纲的数字，跟真实的平方毫米、平方微米完全不搭边。要得到物理尺寸，必须先完成像素标定。
最简单的标定方法，是在拍摄颗粒时同场景放入一个已知尺寸的参照物。常见操作是放一段直尺、一枚标准圆片，或者工业上放的标定板。拍完之后，我们在Matlab里量出参照物在图像中占据的像素长度，就能算出一个比例系数：
其中，k表示每个像素对应的物理尺寸，单位是毫米每像素。比如直尺上10毫米在图像中对应500像素，那么k=0.02mm/px。后续所有面积、周长、粒径结果，都要乘上这个系数的平方或一次方才能换算成真实物理单位。
这里有一个很容易被忽略的细节：标尺必须和颗粒放在同一个焦平面上，并且镜头光轴要尽量垂直于载物面。如果标尺放得比颗粒高一点或者低一点，都会造成比例系数的轻微偏差；如果镜头带透视角度，图像的边缘区域会有畸变，标尺区域和颗粒区域的比例系数就不再一致。我在实际项目中一般要求拍摄时把样品铺平，标尺尽量贴近样品层，并且避免使用广角端拍摄。对于高精度的需求，建议拍摄前用标定板做整幅图像的畸变校正，但不做校正至少要保证标尺和样品同层。
2.2 一组核心测量指标与计算公式
测量系统输出的指标不是越多越好，关键是每个指标都有明确的物理含义和适用范围。我在这套系统里设计了五个核心输出，每个都对应一个具体参数或计算公式。
第一是颗粒数量。这个直接对二值化图像做连通域标记，有多少个独立的连通区域就是多少个颗粒。第二是投影面积。二值图中每个连通区域的像素总数，乘以k的平方，就得到物理面积。第三是周长。Matlab的regionprops函数里自带Perimeter属性，它会计算区域边界的长度，单位是像素，乘上k就得到物理周长。第四是等效粒径。这个参数使用的是“面积等效圆”的概念，把颗粒看成与实际投影面积相同的圆，此时圆的直径就是等效粒径，公式为。第五是圆形度，也叫形状因子，公式为。圆形度越接近1，颗粒越接近圆形；碎石颗粒的圆形度一般只有0.7左右，而球形颗粒可以到0.95以上。
这些指标之间是有内在关联的。等效粒径适合用在粉体粒度分布统计里，圆形度适合用在流动性评估里。而周长和面积则是计算比表面积的基础数据。在实际报告中，我通常会把颗粒数量、平均面积、平均等效粒径、平均圆形度这四项作为一页摘要，再附上完整的数据表用于后续处理。
有一个经验值是：在像素分辨率不足的情况下，周长的测量误差往往比面积大。因为周长对边界细节很敏感，一个颗粒边界只要出现几个像素的锯齿波动，周长就会显著偏大。所以我建议拍摄时尽量提高分辨率，让单个颗粒至少占几百个像素以上，否则周长数据不太可信。
3. 图像前处理：这一步决定了测量可信度
不少人拿到图片第一反应就是直接二值化，然后开始数颗粒。这样做运气好能得到结果，运气不好整个测量就是错的。图像前处理是整个系统里最枯燥、却最决定上限的环节。我在迭代这套系统时，前处理代码占了一半以上的调试时间。
3.1 灰度化与光照校正
显微照片或者工业相机拍回来的图片，一般是彩色RGB图像。对测量来说，颜色信息并不关键，真正有用的是前景和背景的灰度差异。所以第一步是转灰度。
这里有一个选择：直接使用rgb2gray，还是取单通道？我的经验是别盲用默认函数。有时候颗粒带有明显色彩，比如红色或黄色颗粒，它在蓝色通道的灰度和背景非常接近，但在红色通道却有很好的区分度。这时候只取某个颜色通道，分割效果远好于直接转灰度。建议做法是先分别显示三个通道的灰度图，人工看一眼，选对比度最强的通道作为后续处理的基础。
光照不均是实际拍摄里最常见的问题。中心亮、四周暗，或者某一个角落有阴影，都会导致同一张图里颗粒和背景的灰度关系不一致，全局阈值根本没法用。解决办法有两个：一是使用自适应阈值方法，通过imbinarize的adaptive选项，按局部区域计算阈值；二是先做背景校正，通过imopen提取背景光照分布，再与原图相减。我自己更推荐先做背景校正，因为它能把后续的处理拉回到“全局阈值可用”的简单状态。
背景校正的典型做法是这样：用imopen对灰度图做形态学开运算，结构元素选一个比颗粒大很多的圆盘，比如颗粒直径大概是20像素，结构元素就选50到100像素半径；开运算提取出的结果就是背景光照分布，然后原图减去这个背景，光照不均就被压平了。这一步之后，图像看起来更像一个“均匀背景上的颗粒集合”，后面不管用Otsu还是固定阈值，效果都会稳定很多。
3.2 二值化与孔洞填充
二值化是测量系统的分水岭，这一步做得不好，后面全是白费。Matlab里最常用的全局阈值方法是Otsu方法，函数是graythresh。但我建议不要直接把它当成万能钥匙。Otsu假设图像只有两类像素且类间方差最大，可如果颗粒之间灰度差异大，或者背景有噪声，Otsu会倾向于把多数像素归到大类，导致小颗粒被吃掉。
有两个更稳妥的做法。一种是在背景校正后，手动选择一个小范围阈值区间，通过im2bw配合自己调整的阈值，实时看二值图效果。这么做看起来“不自动化”，但对一批固定拍摄条件下采集的图片，效果非常稳。另一种是用imbinarize配合adaptive参数，适用于光照不均又不想做背景校正的场景。自适应阈值会把噪声也放大，所以一般要结合后面的去噪步骤一起用。
二值化之后，有一个操作必须做：imfill填充孔洞。很多颗粒表面有纹理、凹坑或者反光造成的暗斑，二值化后会形成内部空洞。如果不填充，面积会偏小，周长会因为边界凹凸而严重偏大。填充孔洞本身就是一种形态学修复，它把连通的背景区域从颗粒内部补上，实现方式很简单：
bw = imfill(bw, 'holes');fill holes的处理只针对封闭区域，颗粒表面的开孔不会受到影响，所以安全性很高。做完这一步，颗粒的基本形态就算还原出来了。
3.3 去噪与边缘保留的取舍
二值图里经常有一些零星的小噪声区域，通常是几像素到几十像素的杂点，可能是灰尘、反光点、传感器坏点。直接去掉它们最省事的方法是bwareaopen，把小于指定像素阈值的连通域删掉。
阈值怎么选？我一般取颗粒最小投影面积的十分之一作为初值。比如预计最小颗粒占500像素，那我就删掉所有小于50像素的连通域。这个值宁可设小一点也不能设大，设大了会把真实的小颗粒也删掉。删除之后，如果发现还有少量杂点，可以用中值滤波或者形态学开运算再做一次轻量清理，但要注意开运算的窗口大小不能超过最小颗粒半径的一半，否则颗粒边缘会被“削”掉一圈。
这一环节有个深刻教训：边缘和噪声的取舍，本质上是测量的“分辨率”。你为了去噪做得越狠，颗粒的周长损失就越大。因为周长的定义依赖边界细节，你去掉了一个边缘突起，等于少算了一段边界。所以我现在的做法是：去噪只删面积噪声，不做边缘平滑。真正的边缘平滑留到测量之后，如果发现周长曲线太毛糙，再做形态学闭运算，但结果要人工复核，不能闭着眼交给算法。
4. 颗粒分割与核心测量实现
4.1 regionprops一次拿到所有形态参数
前处理做完，图像已经变成清晰的二值掩膜：白色是颗粒，黑色是背景。接下来就是测量系统的心脏部分。Matlab里regionprops可谓是测量利器，一行代码可以同时获取面积、周长、质心、长短轴、外接矩形等几十个属性。
先做连通域标记：
[labeled, n] = bwlabel(bw);labeled是标签矩阵，每个连通的白色区域有了独立的整数编号；n就是区域总数。然后调用regionprops：
stats = regionprops(labeled, 'Area', 'Perimeter', 'Centroid', ... 'MajorAxisLength', 'MinorAxisLength', 'EquivDiameter');这里我要特别强调一下Perimeter属性的计算方式。Matlab默认的周长是基于边界链码计算的，通俗说它会沿着区域边界的每个像素中心走一圈，把邻接边的长度累加起来。这个算法对光滑目标很准确，但对带锯齿边界的颗粒会高估周长，因为锯齿边界的曼哈顿距离大于光滑弧线。如果对周长精度要求高，可以把边界提取出来后自己用多边形长度公式重新算一遍，或者用像元比例折减的经验修正。不过大多数工程应用里，默认的Perimeter配合圆形度计算已经能反映形状差异了，不必过度纠结。
等效粒径可以直接用EquivDiameter属性，它计算的就是面积等效圆的直径。但对于不规则颗粒，我建议同时输出最大和最小费雷特直径，也就是MajorAxisLength和MinorAxisLength属性。这两个值描述的是颗粒外接椭圆的长短轴，能反映出颗粒的拉伸程度。假如某个样本的长短轴之比普遍大于1.5，说明颗粒形状偏针片状，这在骨料质量评估里是一个非常重要的不合格指标。
4.2 粘连颗粒的分水岭分割
实际拍摄中，颗粒很少能一个个完美散开。尤其是粉体样品，颗粒之间相互堆叠、紧挨着，二值化后就会连成一个大块。如果不做粘连分割，一个大块的面积会被当成一个颗粒，计数严重偏低，粒径分布完全失真。
解决粘连颗粒的经典算法是分水岭分割。核心思想是把二值图当作地形图，离背景越远的地方海拔越高，然后模拟注水过程，不同水源相遇的地方形成分水岭，也就是颗粒的分界线。
Matlab里的基本流程是这样：
D = -bwdist(~bw); mask = imextendedmin(D, 2); D = imimposemin(D, mask); L = watershed(D); bw_split = bw; bw_split(L == 0) = 0;这个过程并不复杂，但有两个前置条件必须满足。第一，颗粒之间必须存在哪怕一个像素的窄连接，分水岭才有发挥空间；如果颗粒完全重叠成一个实心团，分水岭也无能为力。第二，内部标记点设置很关键。默认的watershed对粘连物体经常产生过度分割，把一个颗粒切开成两半。为了抑制过度分割，我们要通过imextendedmin先找到颗粒内部的“种子点”，然后强制这些种子点成为局部极小值。这样分水岭只会在颗粒粘连的位点分割，而不会把单颗粒内部也切开。
过度分割是分水岭最常踩的坑。我见过不少初学者直接调用watershed然后发现结果惨不忍睹。后来我的经验是：先用imerode对二值图做腐蚀，腐蚀后的连通域数量大致相当于真实颗粒数量，再把腐蚀后的区域作为标记进行分水岭。这个“先腐蚀、后分水岭”的组合拳，对大部分粘连颗粒效果都很好。
分水岭处理之后，不要忘记对分割后的结果再跑一次regionprops。因为分水岭会在连通域之间切出新的边界，重新标记后统计才是最终结果。
4.3 像素折算与结果导出
分割完成，测量指标也都拿到了，现在是换算和导出的环节。把所有像素单位的Area和Perimeter乘上k的平方和k，把长度指标乘上k，就能得到物理单位的结果。
为了方便后续分析，我会把结果存成一个表格结构，每一行是一个颗粒，每一列是面积、周长、等效粒径、圆形度、长短轴等指标，然后用writetable函数导出成Excel或CSV。这一步最容易被忽视的，是把面积和周长从像素值折算成物理值之前，仔细检查比例系数k有没有写反。我吃过亏：标尺量出来是2毫米对应100像素，k=0.02mm/px，结果代码里粗心写成了20，导致所有面积放大了100万倍，整个数据直接没法用。所以后来我在代码开头定义常量时就写清楚：
mmPerPixel = 0.02;接着所有计算都用mmPerPixel和mmPerPixel^2，并且先跑一次“冒烟测试”——手动量一个颗粒，确认输出值在合理范围，再批量处理所有图片。
导出后的数据不要直接拿去写报告。先用直方图看一眼分布，比如等效粒径分布、圆形度分布，如果发现某个颗粒的面积异常大，很可能是有颗粒没分割开；如果某个颗粒的面积异常小，可能是噪声没删干净。这一步人工复核很关键，算法不会告诉你它哪里算错了。
5. 计数不是“数一下”那么简单
5.1 标签矩阵与连通域计数
当所有颗粒都成功分割，计数其实就写在标签矩阵里了。bwlabel返回的n就是连通域数量，这也是系统输出的颗粒总数。
但要注意，这个计数依赖一个前提：分割完全正确。前处理阶段如果少删了一个噪声点，计数就多一；如果没分割开两个粘连颗粒，计数就少一。所以更稳妥的做法是，不直接用n这个数字，而是从regionprops的结果里统计。例如，设定面积范围阈值，只在[minArea, maxArea]区间内的连通域才算颗粒。这个思路可以自动排除大块未分割区域和细小噪声：
valid = stats([stats.Area] >= minArea & [stats.Area] <= maxArea); count = numel(valid);这个滤波器放在批量自动处理环节里极为有用，因为不同批次的图像噪声水平不同，一个固定的面积范围可以帮你剔除大部分干扰，不让计数随噪声波动。
5.2 边界处理的坑与人工复核方案
图像边缘是计数的重灾区。一颗颗粒本来在视野内，但有很大一部分被图像边框切掉了，二值化后它仍然是一个区域，会被当成一个完整的颗粒参与统计。这时候面积和周长都严重偏低，等效粒径也无意义。对于这类边界颗粒，我建议在编写测量代码时就做一个“边界抑制”：把与图像边缘相接的连通域单独标记出来，要么剔除，要么额外备注。
实现方法非常简单，用bwlabel后再检测每个连通域是否与图像边缘像素有交集。如果是为了统计总颗粒数，边界颗粒应该单独列出来，不计入面积统计的平均值；如果只是估算总量且采样量足够大，也可以直接剔除。设置一个“边缘颗粒报告”的输出，比单纯删掉更科学，因为它在报告中保留了这部分信息。
总之，计数这个看似最简单的功能，最后往往是最容易出错的地方。宁可多花十分钟做人工复核，也不要直接信任代码输出的那个n。
6. 常见问题与排查技巧实录
6.1 颗粒边缘发虚导致面积偏大
拍照时如果对焦不够锐利，或者颗粒表面反光，二值化后颗粒边缘会有一圈半透明的灰度过渡带。这一圈过渡带会被二值化纳入颗粒区域，导致每个颗粒的面积普遍偏大几个百分点，周长边缘额外增加更多。
排查方法是看面积统计分布，如果所有颗粒的面积都比手工测量的预期值大，而且大出的比例比较稳定，基本可以判定是边缘发虚。解决办法有两个方向：一是提高拍摄对焦质量，这是治本；二是二值化时调高阈值，让过渡带中较暗的部分被划到背景，减小膨胀区域。另一个技巧是用imerode对整幅二值图腐蚀一圈，然后测量，再根据边缘过渡宽度加回一个平均补偿值。这种方法比较“粗”，适合对绝对精度要求不高的场景。
6.2 粘连严重时计数严重偏低
样品如果完全没有分散，颗粒抱成一团，分水岭的改进能力也有限。这时候算法层面能做的已经到头了，需要回到制样环节。我一般建议在拍摄前做分散处理，例如用超声波分散、搅拌粉体或者用洗瓶冲散样品。另一个思路是降低样品浓度，让颗粒在视野内的分布密度降低，重叠概率自然下降。测量系统再厉害，也补不了制样的坑。
如果必须在算法层面硬扛，可以尝试对二值图做距离变换后的局部极大值检测，把“颗粒核”找出来，然后基于这些核做分水岭。但这个方法对颗粒尺寸相近的情况效果好，尺寸差异大时小颗粒的核容易被大颗粒的核压制，测出的小颗粒数会偏低。
6.3 标尺像素换算误差放大
比例系数k的误差会等比放大到所有测量指标。面积是k的平方项，所以差之毫厘谬以千里。我见过有人把标尺拍“斜”了，本该平行的刻度在图像里呈一定角度，量出来的像素长度偏短，k偏小，最后面积普遍偏小，误差被平方放大。
正确做法是，量标尺的时候要在刻度线的最两端垂直量取，尽量用像素插值的方式取小数位。如果标尺上10毫米对应496和504像素之间波动，说明标尺放得不够正。拍摄时还要注意把标尺尽量放在画面中央附近，避开镜头畸变大的区域。条件允许的话，可以在整幅图像的不同位置多次量取同一个标尺，算出平均值，能在一定程度上校正畸变带来的误差。
6.4 批量图片的自动化测量
一批样品可能拍了几十张甚至上百张图，手动一张张处理肯定不现实。所以系统一定要设计成批量脚本：读入文件夹内所有图片，逐张处理，每张图片的结果以文件名标识存入结构体，最后汇总成一个大表格。
批量处理时要格外注意不同图片之间光照条件的微小差异。如果第一张图的二值化阈值能分割得很好，不代表第二张也能。这时候要么先把所有图片统一做背景校正，要么为每张图片单独计算自适应阈值。批量处理还有一个常见的坑：某一张图片里出现了意外的异物，比如拍摄时手影、镊子尖端，它会直接污染最终的统计结果。我建议在汇总统计前先做一遍分布检查，把所有颗粒的面积、周长画成散点图，一眼就能看到异常群体，然后锁定是哪张图片出了问题。
7. 实测效果与个人心得
这套系统在我自己经手的骨料粒径分析项目里跑过一段时间。样品是机制砂和碎石颗粒，数量从几十颗到几百颗不等，图像分辨率在1200万像素级别，颗粒最小投影面积大约500像素。实测下来，计数准确率在颗粒充分分散时可以达到95%以上，主要误差来源是少数极小的边缘颗粒。面积和等效粒径的重复性测试，同一批图片在相同参数下跑十次，结果几乎完全一致，区别只在浮点噪声级别。
我踩过几次坑之后，对这套系统最大的体会是：算法不是瓶颈，制样和图像采集才是。二值化和分割再精巧，也救不了一张对焦模糊、光照不均的照片。反过来，如果样品铺得平整、光照均匀、标尺放置正确，哪怕只用一个简单的Otsu阈值加regionprops，也能得到很漂亮的结果。测量系统的本质，是把好的图像采集转化成数字。而图像采集的功夫，需要花在拍摄台上。
另一个值得分享的经验是，不要把周长测量想得太完美。对于不规则颗粒的实际需求，周长这个指标更适合做相对比较而不是绝对测量。因为周长对边界细节的敏感度太高，两个形态几乎相同的颗粒，只要图像分辨率不同，周长就可能差出几个百分点。相比之下，面积和等效粒径的稳定性要好很多，更适合作为跨图像对比的核心指标。
最后再分享一个小技巧：整套流程里，把每一步的中间结果都保存下来，包括灰度图、背景校正图、二值图、分水岭标记图。不要怕占用空间，这些中间图是排查问题的关键。当最终数据出现异常时，你能一眼定位到是前处理丢了颗粒，还是分割阶段过分割了。市面上的通用图像测量软件往往会把这些中间过程封装起来，出了问题你无从下手；自己用Matlab搭这套流程，最大的优势恰恰就是每一步都能看得见、摸得着，参数调整也完全可控。如果你正好需要在一批不规则颗粒样品上做面积、周长和计数的统计分析，这套思路可以直接参考着上。
