This thesis proposes a framework for effectively extracting fineness and spatial distribution features of sets of densely packed near circular particles in images. Digital imaging offers a non-intrusive way to assess the properties of materials and particles. However, extracting these features from images is challenging in practice. Although several promising methods exist for extracting particle sizes from these types of images, the spatial distribution is often overlooked. Motivated by a case study on images of milk foam used for hot beverages, this project aims to offer a solution that works well in practice. The framework consists of two consecutive phases. In phase 1, the local particle sizes in the image are extracted using a sliding-window approach. Phase 2 uses the local particle sizes and their spatial organization to extract global information on the fineness and spatial distribution in the image. The framework is modular, meaning that phase 1 and 2 models can be chosen to best fit the context at hand. The modularity and practical feasibility of the framework are demonstrated using the case study on milk foam. Several models for phase 1 and phase 2 are considered, achieving a balanced accuracy of 0.71 when classifying the images into fineness classes and 0.74 for spatial distribution classes. Synthetic images are generated to finetune the phase 1 models. All results are generated using open-source libraries in Python. With further finetuning and refinement, the framework may be valuable for various applications, such as automatic anomaly detection in materials, identification of clusters of cells with abnormal sizes in medical images, and quality control in the food and beverage industry.

Denna avhandling föreslår ett ramverk för att effektivt extrahera finhet och rumslig fördelning av uppsättningar av tätt packade nära cirkulära partiklar i bilder. Digital bildbehandling erbjuder ett icke-invasivt sätt att bedöma egenskaperna hos material och partiklar. Att extrahera dessa egenskaper från bilder är dock en utmaning i praktiken. Även om det finns flera lovande metoder för att extrahera partikelstorlekar från dessa typer av bilder, förbises ofta den rumsliga fördelningen. Motiverat av en fallstudie studie av bilder på mjölkskum som används för varma drycker, syftar detta projekt till att erbjuda en lösning som fungerar bra i praktiken. Ramverket består av två på varandra följande faser. I fas 1 extraheras de lokala partikelstorlekarna i bilden med hjälp av en sliding-window-metod. Fas 2 använder de lokala partikelstorlekarna och deras rumsliga organisation för att extrahera global information om finkornigheten och den rumsliga fördelningen i bilden. Ramverket är modulärt, vilket innebär att modellerna för fas 1 och 2 kan väljas för att bäst passa det aktuella sammanhanget. Ramverkets modularitet och praktiska genomförbarhet demonstreras med hjälp av fallstudien om mjölkskum. Flera modeller för fas 1 och fas 2 övervägs och uppnår en balanserad noggrannhet på 0,71 när bilderna klassificeras i finhetsklasser och 0,74 för rumsliga distributionsklasser. Syntetiska bilder genereras för att finjustera fas 1-modellerna. Alla resultat genereras med hjälp av Python-bibliotek med öppen källkod. Med ytterligare finjustering och förfining kan ramverket vara värdefullt för olika tillämpningar, till exempel automatisk anomalidetektering i material, identifiering av cellkluster med onormala storlekar i medicinska bilder och kvalitetskontroll inom livsmedels- och dryckesindustrin.