以超声辅助焊焊工艺制备的Cu/Sn58Bi-1.5Al2O3/Cu连接头为研究对象，经切割、打磨、抛光、腐蚀后利用FEI-InspectS50扫描电镜获得Sn-Bi合金微观形貌见图1。其中基体呈现灰色枝状β-Sn相，白色岛状相为Bi相。 
灰度变换与滤波
在图像处理之前，一般采用直方图均衡的手段对图像进行增强，以提高图像的对比度，见图2。直方图均衡后，虽然图像灰度级的动态范围得到了展宽，但也增强了背景噪声，可能出现伪轮廓。对于Sn-Bi合金金相组织图像而言，灰色β-Sn相与白色Bi相对比度较大，两种组织的灰度直方图峰值易于区分，见图3，因此可不进行图像增强操作。当金相图太亮或太暗时，直方图区间集中，峰谷难以辨别，此时可以采用直方图均衡算法对图像进行非线性拉伸，提高整体对比度。在对图像进行阈值分割前需要去除图像中的随机噪声，高通滤波可以增强图像的边界；低通滤波可以使图像得到平滑但造成了一定程度的边缘、细节部分消失，对本课题来说，虽然高通滤波后金相组织的边界得到了突出，但失去了Sn相与Bi相的对比度，使得后续的阈值分割困难。综合以上滤波特点，选择N阶非线性滤波算法，虽然该算法仍属于低通滤波范畴但图像的边缘得到了保持。N阶滤波首先对算子尺寸为K×K领域内的像素灰度排序，然后以序号N的值更新中心像素，阶次N的取值范围为0~K2-1，特殊的当阶次为(K2-1)/2时为中值滤波。从图4a和图4c可以看出，当N大于中值时，较亮的Bi相组织中的噪声被减弱，但颗粒间粘连更加明显；从图4b和图4d可见，当N小于中值时较亮的Bi相组织中暗区增加，颗粒腐蚀严重；从图4a和图4b可见，当算子尺寸变大时图像边缘更加平滑。从图4中的滤波效果看，采用算子大小为3×3的4阶滤波，其Bi相组织边缘较清晰，效果较好。阈值分割
为了将前景Bi相从Sn基体中分离出来，需要基于灰度阈值对金相图进行分割，从而得到Bi相的像素连通集。全局阈值分割分成手动和自动两类，手动阈值的选取是决定分割效果的关键因素[2]。根据图3中的直方图双峰分布情况，当阈值取125时，分割后图像（见图5a），颗粒边界清晰，分割效果较好；当阈值取160时，可见Bi相部分粘连点消失，但颗粒内部出现大量前景像素点被误分为背景（见图5b），对后续统计造成困难。为了克服人工阈值设定的主观性，使机器视觉系统适应不同亮度的图像，可以采用自动阈值分割法。图5c~图5f分别显示了采用自动阈值分割中的聚类法、最大类间方差法（OTSU法）、最大熵法和矩保持法分割后的图像，可以看出聚类法和OTSU法对于金相图像的分割效果较好。OTSU算法将图像按照灰度级分成背景和目标两类，两类间的方差越大，说明目标和背景的区别度越大，一般认为其错分概率最小[8]。具体过程为：假设金相图像被阈值k分成背景A和目标B两部分，则图像的类间方差为式中，w(k)为灰度级0~k的概率分布；和 分别为图像及A、B两个类的平均灰度[7]。算法遍历0~255灰度级找到使最大的阈值k，将大于k的Bi相灰度设为1，小于k的Sn基体灰度置为0，实现目标分割。
形态学处理
形态学处理主要是去除阈值分割后二值图像中的噪声及Sn相、Bi相中灰度交叠的部分引起的颗粒粘连，包括腐蚀、重构、小颗粒移除和孔洞填充等过程。腐蚀操作可去除两个颗粒间细小的地峡连接，降低后续颗粒参数统计的误差。设A为要腐蚀的二值化图像，B为结构元素，都为欧氏空间Z2中的集合[9]，则B对A的腐蚀定义为B对A进行腐蚀的结果为结构元素B平移z后仍然包含在A中的所有z点的集合。图6b哦使用元素值为1、尺寸为3×3的结构元素对图6a进行6次形态学腐蚀后的图像，可以看出颗粒1和颗粒2之间的地峡已被完全断开。当使用IMAQ Seperation函数执行的腐蚀运算时，如果地峡在腐蚀阶段被去除了，那么在重构过程中将不会得到恢复，以保证金相颗粒的尺寸不变。对于因腐蚀而在颗粒内部增加的孔洞，可以利用IMAQ FillHole函数将其用1填充，见图c。可以看出，原图及腐蚀后产生的孔洞都被填充，金相颗粒完整封闭。
