用 OpenCV、ImageJ / Fiji 或 QuPath 测量颗粒尺寸、压痕直径或细胞面积时,程序总会给出一个看起来很精确的数字,比如小数点后四位。但这个数字是否可信,取决于整个测量链:相机和镜头、标定、照明、分割算法、参数,以及我们如何验证它。
本文不讨论某个具体算法,而是说明怎样证明一个图像测量方法可以用于科研或检验。
依据的标准与文献: JCGM 100:2008(GUM,测量不确定度评定)、ISO 5725-1:2023(准确度、正确度与精密度)、Bland 与 Altman(1986),以及作为"试验标准中写明验收条件"示例的 ISO 6506-2:2017。
文中的公式、代码和数字用于说明方法,标注"假设"的数值不是实测数据。
1. 先区分两类误差
- 系统误差(偏差):每次都朝同一方向偏,比如标定系数偏大 1%,所有长度都会偏大约 1%。重复测量再多次也不会消失。
- 随机误差(精密度):每次测量都有波动,可以通过重复测量估计其大小。
ISO 5725 用"正确度(trueness)"和"精密度(precision)"分别描述这两方面,两者合起来才是"准确度(accuracy)"。验证一个图像方法时,两方面都要评估。
2. 误差来源清单
| 环节 | 典型问题 | 主要影响 |
|---|---|---|
| 标定(mm/px) | 标准刻度读数误差、倍率变化后未重新标定 | 系统误差,按比例影响所有长度 |
| 镜头 | 畸变,视场边缘更明显 | 与位置有关的系统误差 |
| 对焦与照明 | 虚焦、阴影、照明不均 | 改变边缘位置,常表现为偏差 |
| 分割 | 阈值、平滑程度、形态学参数 | 系统性放大或缩小目标 |
| 像素量化 | 边缘只能定位到像素级(或亚像素级) | 随机误差 |
| 目标本身 | 边界模糊、形状不规则、重叠 | 定义上的不确定 |
最后一项常被忽略:如果"边界在哪里"连人也说不清,程序的结果不可能比定义更确定。验证前应先写下边界的判定规则。
3. 标定
- 在与测量相同的倍率、对焦和分辨率下,拍摄已知长度的标准刻度(如物镜测微尺)。
- 在多个位置、多个方向测量刻度,求平均的 mm/px,并记录其离散程度。
- 若视场边缘与中央的结果差异明显,应校正镜头畸变(OpenCV 提供相机标定方法),或只在中央区域测量。
- 每次更换镜头、相机、倍率或分辨率设置后重新标定,并记录日期。
4. 像素量化的不确定度
如果边缘位置只能确定到 ±0.5 像素以内,并且在这个区间内任何位置都同样可能,按 GUM 的矩形分布,标准不确定度为:
u = a / √3 = 0.5 / √3 ≈ 0.29 像素
一个长度由两条边缘决定,因此长度的量化不确定度约为 √2 × 0.29 ≈ 0.41 像素。这说明了一个实用原则:目标在图像中占的像素越多,量化误差的相对影响越小。例如直径 100 像素时约为 0.4%,直径 1000 像素时约为 0.04%。
4a. 合成各分量:不确定度预算
按照 GUM,相互独立的分量以平方和开方合成。下面是一个计算示例:长度 400 像素(按假设的标定值 0.005 mm/px 为 2.000 mm):
| 分量 | 类型 | 相对标准不确定度 |
|---|---|---|
| 标定系数(标准尺及其读数) | B | 0.20%(假设) |
| 像素量化,0.41 px / 400 px | B | 0.10% |
| 采集与评估的重复性 | A | 0.30%(假设) |
| 合成标准不确定度 | 0.37% | |
| 扩展不确定度(k = 2) | 0.75% |
从这个计算可以看出两点:
- 最大的分量起主导作用。这里把量化项减半,合成值变化不到 0.02 个百分点;改进标定或重复性的效果大得多。
- 误差会通过长度参与的任何公式继续传递。例如布氏硬度中,硬度的相对误差约为直径相对误差的 2 倍,直径的 0.75% 就变成硬度约 1.5%。
预算中没有"分割"一项,因为分割造成的偏差不是随机的:需要通过与参考方法比较(第 6 节)找出来,然后修正,或作为已知偏差处理。
5. 重复性与再现性
- 重复性:同一操作人员、同一设备,对同一目标多次拍摄和计算(每次重新放置样品、重新对焦),计算结果的标准差。
- 再现性:改变操作人员、日期或设备后重复上述过程。
只对同一张图像重复运行程序,得到的结果总是相同的,这不能说明测量方法稳定。重复应当包括图像采集。
6. 与参考方法的一致性
把图像方法与公认的参考方法(例如有经验人员用测量显微镜读数,或有证标准物质)对同一组样品进行比较。常用 Bland–Altman 方法:
- 对每个样品计算差值:dᵢ = 图像方法 − 参考方法。
- 偏差 = 差值的平均值。
- 一致性界限 = 偏差 ± 1.96 × 差值的标准差。
- 以两种方法的平均值为横轴、差值为纵轴作图,检查差值是否随大小变化。
import numpy as np
def bland_altman(method, reference):
a = np.asarray(method, dtype=float)
b = np.asarray(reference, dtype=float)
diff = a - b
bias = diff.mean()
sd = diff.std(ddof=1)
return {
"n": diff.size,
"bias": bias,
"lower_loa": bias - 1.96 * sd,
"upper_loa": bias + 1.96 * sd,
"mean_pair": (a + b) / 2, # 用作散点图横轴
"diff": diff,
}
注意:
- 不要只报告相关系数。两种方法高度相关,并不代表它们一致;一种方法始终偏大 5%,相关系数仍可能接近 1。
- 一致性界限是否"可以接受",要根据用途事先决定,例如与试验标准允许的偏差或产品公差比较。本文不给出通用阈值。有些试验标准会给出:例如 ISO 6506-2:2017 规定,布氏压痕测量系统用标准压痕检定时,最大误差不超过直径的 0.5%。
- 用来调整参数的样品和用来验证的样品应当分开,否则验证结果会过于乐观。
7. 失败的处理
程序应当能够识别以下情况并明确报告,而不是输出一个数字:
- 找不到目标,或找到多个候选目标;
- 目标接触图像边缘,可能不完整;
- 形状指标异常(如长短轴之比明显偏离预期);
- 结果超出方法的有效范围。
被标记的图像由人工复核,复核结果也应记录。
8. 报告中应写明的内容
- 相机、镜头、倍率、分辨率和照明条件;
- 标定方法、标准刻度及标定日期;
- 软件、版本和全部参数(或代码的版本号);
- 边界判定规则;
- 重复性和与参考方法比较的结果(偏差和一致性界限);
- 自动处理失败或人工修正的数量和处理方式。
这些信息能让其他人复现你的测量,也是审稿人和客户判断结果可靠性的依据。应用实例见本站文章《用 OpenCV 测量布氏硬度压痕直径》。
9. 本文的限制
- 本文介绍的是验证思路,不能代替具体试验标准或认可制度的要求。
- 不确定度预算是使用假设数值的计算示例。实际的分量及其大小必须来自您自己的标定和重复性数据。
- Bland–Altman 一致性界限假设差值大致服从正态分布、且不随大小变化;使用前请先检查散点图。
