344 Prakt. Met. Sonderband 52 (2018)
In einer derzeit laufenden Studie soll das oben beschriebene parametrische Modell für alle 1 He
acht Kompaktierungsszenarien angepasst werden, sodass anschließend mithilfe einer ”
Regressionsanalyse die Modellparameter und damit die gesamte 3D-Morphologie für wr
beliebige Kompaktierungsgrade vorhergesagt werden kann. To
3. Partikelsysteme in Erz-Taubgestein-Gemischen
Ein weiteres Beispiel fur die Strukturanalyse von tomographischen Bilddaten betrifft die
Analyse von mikrostrukturellen Effekten bei Fraktionierungsverfahren, welche disperse
Partikel nach Größe, Form und stofflicher Zusammensetzung voneinander trennen sollen.
In diesem Abschnitt betrachten wir ein Erz-Taubgestein-Gemisch, bei dem die Partikel
einen durchschnittlichen Durchmesser von ca. 100 um haben. Zur Probenpräparation
wurde das hauptsächlich aus Zinnwaldit und Quartz bestehende Gemisch in Epoxidharz
eingebettet [7].
Die Analyse der tomographischen 3D-Bilddaten solcher Partikelsysteme vor und nach der
Anwendung von Trennverfahren erlaubt eine quantitative Bewertung des Trennerfolgs.
Einige Bildgebungsverfahren, wie die in dieser Anwendung verwendete
Röntgenmikroskopie (XMT), liefern lediglich Informationen über die Morphologie und
Massendichte der 3D-Partikel. Weil andererseits eine stoffliche Trennung der Partikel
erwünscht ist, erschwert dies eine Bewertung des Trennerfolgs. Jedoch können mithilfe
der Kombination von Rasterelektronenmikroskopie (SEM) und energiedispersiver
Röntgenspektroskopie (EDS) auch Informationen über die stoffliche Zusammensetzung an
ausgewählten 2D-Querschnitten eines Partikelsystems gewonnen werden [7]. Wir werden
daher einen stereologischen Ansatz vorstellen, mit dem man diese zusätzliche Information
von planaren Querschnitten auf das 3D-Partikelsystem übertragen kann. Zudem
3.1 Zweistufiges Segmentierverfahren en
Ähnlich wie in Abschnitt 2.1 werden die 3D-XMT-Bilddaten zunächst mittels eines in
Wasserscheiden-Algorithmus segmentiert, welcher hier, vor allem bei länglichen Partikeln, ris
zu Ubersegmentierungen führt, siehe Abb. 4 (Mitte). Um diese Ubersegmentierung zu
eliminieren, wird ein neuronales Netz trainiert, welches anschließend entscheidet, ob
benachbarte Segmente vereinigt werden sollen oder nicht [7]. Dazu wird ein
übersegmentiertes Bild durch einen Graphen repräsentiert, dessen Eckpunkte die
Segmente darstellen, wobei zunächst zwischen sämtlichen benachbarten Segmenten eine
Kante im Graphen gesetzt wird, siehe Abb. 4. Für jede Kante im Graphen, also für jedes
Paar benachbarter Segmente, entscheidet das neuronale Netz aufgrund von lokalen
geometrischen und auf Kontrast basierenden Informationen, ob die Kante entfernt werden
soll. Zu den geometrischen Informationen gehört zum Beispiel die Verteilung der lokalen
Gauß’schen Krümmungen, wohingegen die Verteilung der lokalen Gradientenbeträge im
Graustufenbild als Kontrastinformation in die Entscheidungsfindung einfließt. Segmente,
zwischen denen eine Kante verbleibt, werden anschließend vereinigt, wodurch die Güte
der Segmentierung deutlich verbessert wird.