一种新型纱线毛羽图像特征识别算法的研究

方 珩，辛斌杰，刘晓霞，张 杰（上海工程技术大学服装学院，上海 201620）

一种新型纱线毛羽图像特征识别算法的研究

方 珩，辛斌杰，刘晓霞，张 杰
（上海工程技术大学服装学院，上海 201620）

针对毛羽检测的问题，搭建了一套纱线毛羽的数字化图像采集系统，提出了一种新型的基于图像处理算法的纱线毛羽检测方法，可对连续采集的纱线图像序列进行特征分析，提取出可用于纱线毛羽质量评估的特征指标。通过对纱线图像进行预处理，包括灰度变换、背景处理、图像增强、动态阈值分割、倾斜纠正、图像去噪、图像分割，得到纱线的毛羽图像，并对毛羽图像进行细化处理，从而得到细化后的毛羽图像，以纱线轴线和主干边缘作为参考，选择合适的基准线，对毛羽像素点进行识别判断，统计得到不同长度毛羽的根数。实验表明，图像法测试的结果与目测法的结果最大偏差在5%以内，具有很好的一致性，该方法能够提高纱线毛羽检测的效率和精度。

新型纺纱；纱线毛羽；毛羽提取；背景相减；图像处理；目标识别

毛羽是纱线质量控制的重要指标，直接影响纱线后道工序的加工和运行，进而影响纱线质量以及终端产品的质量和售价［1－2］。常用的纱线毛羽检测方法主要分为光电法和人工检测方法，评价指标为毛羽根数分布、毛羽长度指数和毛羽面积指数［3－4］。有些学者认为毛羽根数的分类和统计比毛羽指数更能直观地反映毛羽分布情况［5］。然而，现有的纱线毛羽的检测方法，如人工检测法存在效率低下，光电法存在收集的毛羽信息不完备、所用设备价格昂贵等诸多问题，无法在现代化的生产中实现产品的有效管理［6］。

随着计算机科学技术的不断发展，数字图像处理技术被广泛应用到纱线的毛羽检测中，利用图像采集设备采集纱线图像，对获得的图像采用阈值分割、形态学处理、细化提取等图像处理方法可提取纱线的毛羽信息，提升毛羽检测的精度和效率。目前，纱线的图像采集设备主要包括图像扫描仪、数码相机、CCD和CMOS工业相机［7］。图像扫描仪在对纱线扫描时，毛羽会被压平，因此得到的图像不能反映毛羽的真实状态，导致图像法检测误差较大［8－9］；数码相机因图像分辨率有限，多用于单幅纱线图像的主干和边缘检测分析；CCD和CMOS工业相机因能连续采集纱线在自然状态下的高分辨率图像，提高纱线外观特征参数的检测精度，逐渐成为常用的采集方法［7］。

鉴于OTSU算法对光照不均图像处理的局限性，本文采用CMOS工业相机捕获纱线的背景和图像序列，利用背景相减技术消除纱线图像灰度不匀带来的影响，通过图像增强法增大纱线毛羽与背景灰度值之间的差异，提出了一种基于灰度直方图的动态阈值分割方法，实现将图像中纱线目标与背景的理想分离，通过目标分类识别法进一步降低图像噪声对纱线图像的干扰，并利用形态学处理和图像分割，得到纱线的毛羽图像，最终通过对纱线进行细化处理，得到细化后的纱线毛羽图像，以纱线轴线和主干边缘之间的中心线为基准线，对毛羽像素点进行分析和判断，统计得到不同长度的毛羽根数。

1 纱线图像采集系统的构建和采样

本研究的纱线图像采集系统，包括5个部分：1）光学镜头（Computar镜头）；2）Flare CL 2M360CMOS摄像头；3）图像采集卡；4）LED光源；5）个人计算机。其系统结构示意图如图1所示。

为确保捕获的纱线图像保持清晰，将相机的各项参数进行如下设置：曝光时间为400μs，图像的分辨率为1 760×1 000，确保纱线的轴线在水平方向上能够位于相机视野正中央，与镜头平面的空间距离保持在15cm左右，通过调整光源亮度、焦距和光圈的大小至纱线图像最清晰。实验中，选用3种纱线样品作为测试对象：样品1为棉纱，线密度为27.8tex；样品2为芳砜纶纱，线密度为31.2 tex；样品3为棉和黏胶纤维的混纺纱（65/35），线密度为29.4tex。

2 纱线图像的预处理和形态分析

图1 纱线图像采集系统示意图Fig.1 Diagram of yarn image acquisition system

由于纱线毛羽和背景、纱线条干之间的亮度存在差异，需要对图像进行背景相减、图像增强、动态阈值分割等一系列处理，完整的提取纱线毛羽的特征参数信息，其算法流程图如图2所示。

2.1 灰度变换

本文中采集的纱线图像为彩色位图，需要通过灰度转换公式（1）将其转换为灰度图像，如图3所示。

式中：L为纱线图像灰度值；r，g，b代表亮度值。

2.2 背景处理

其原理是将采集的纱线序列图像和不包含纱线的背景图像（灰度转换后的图像）相减，获取纱线主体目标图像。本研究在采集纱线图像前，首先采集无纱线存在的空白背景图像，如图4所示，通过2幅图像的减运算得到纱线目标图像，如图5所示。

2.3 图像增强

光照强度随时间的延长而发生改变，背景图像的灰度在一定的程度上发生了改变，因此背景处理可能会破坏部分毛羽的信息。同时，纱线的毛羽在空间呈立体、卷曲状分布，会对光线产生散射现象，因相机景深的限制，导致纱线毛羽灰度值过低。因此，希望通过灰度变换函数对每一个像素点进行线性扩展，改善纱线毛羽图像的视觉效果，较好地实现阈值分割。本文中利用灰度线性变换函数表达式（式（2））得到纱线灰度增强后的图像，如图6所示。

图2 纱线图像处理的算法流程图Fig.2 Flow chart of yarn image processing algorithm

图3 灰度图像Fig.3 Gray images

图4 背景图像Fig.4 Background images

图5 背景相减后的纱线图像Fig.5 Yarn images after the background subtraction

式中：I2（x，y）代表灰度变换增强后的像素点的灰度值；I1（x，y）代表灰度变换增强前的像素点的灰度值；c，d代表图像扩展后的灰度变换范围临界值，这里c为0，d为255；a，b代表图像扩展前每帧图像对应的灰度变换范围临界值，a为最小灰度值，b为最大灰度值。

图6 灰度变换增强的图像Fig.6 Gray-scale transformation enhanced image

2.4 动态阈值分割

鉴于纱线毛羽和背景噪声之间的灰度差异不明显，通过OSTU法［10］和基于灰度直方图的阈值分割法对灰度不匀的纱线图像进行单一阈值分割，容易导致分割之后纱线毛羽的信息部分丢失或噪声增强，因此存在一定的局限性。针对这一情况，利用灰度直方图能反映图像灰度分布的特征，统计出图像每一列上所有像素点的灰度，构成灰度直方图，并对灰度直方图上波谷（局部最小值）进行自动检测和统计，寻找每一列上的最佳分割阈值，如图7和图8所示。

图7 灰度直方图Fig.7 Gray-level histogram of single column

图8 放大后的图像Fig.8 Enlarged view

从图8可以看出，灰度直方图上存在多个波谷，每个波谷对应的灰度值都可以作为这一列上所有像素点的分割阈值，本研究依次取不同的波谷横坐标对应的灰度值（箭头所指方向的局部最小值）作为分割阈值来反复测试和比较，按由小到大的顺序作为分割阈值，实验结果表明位置靠前的波谷对应的灰度值作为分割阈值时，能够获得具有较完整信息的纱线二值图像。

为了使分割后的纱线图像效果更加理想，本研究提出了动态阈值分割方法，对每一帧图像中每列像素点对应的灰度直方图进行数据分析，求出波谷（即局部最小值）对应的灰度值，并按从前往后的顺序保留，通过设定一个系数来获取最佳的分割阈值。

其算法原理如图9所示，对序列图像进行分析，假设每一帧图像由N列像素组成，f（i，j）代表像素点灰度值，i代表图像像素点的所在行数，j代表图像像素点的所在列数，f（1，1）为起始像素点，n代表每一列局部最小值的总数量。

由图9可以看出，对于每一帧图像，都可通过差分函数找出每列上所有的局部最小值，从每列中选出最佳分割阈值，然后逐列进行阈值分割，判断像素点的灰度值是否大于分割阈值，是则灰度值赋值为255，否则赋值为0，从而得到纱线的二值图像。本研究对大量的图片进行试验，分别取m为1，2，…，30进行阈值分割，图像分割的效果表明，当系数m取8的时候，分割的图像效果最佳。通过对图6和图10分析对比可以看出，图6中部分不明显的毛羽可以很好的被分割出来，鉴于纱线边缘像素灰度值与纱线毛羽的灰度值差异较小，使用这种方法虽然容易使分割后的纱线的毛羽和条干的边缘扩大，但是能够很好地保留纱线毛羽的信息，提升纱线毛羽的检测精度。

图9 动态分割阈值的算法流程图Fig.9 Principle diagram of dynamic threshold segmentation

图10 阈值分割后的图像Fig.10 Images after threshold segmentation

2.5 毛羽图像的倾斜纠正

从图10和图11中可以看出纱线的轴向与水平方向存在一定的倾斜，对纱线的毛羽根数的统计有着很大的影响，因此需要对图像进行倾斜纠正，使得纱线的中心轴向平行于水平方向。如图11所示，假设纱线左端低于其右端，考虑条干均匀性的影响，以纱线左端的中点（A点）与右端的中点（E点）的连线作为纱线的轴线，中间沿水平方向取3个等距的纱线条干的中点B，C，D，依据式（3）求出倾斜的角度θ1，θ2，θ3，θ4，求出平均角度，即旋转角，对图像进行旋转得到纠正后的图像，如图12所示。

图11 倾斜图像Fig.11 Tilt image

图12 纠正后的倾斜图像Fig.12 Image after tilt correction

式中：ΔL代表垂直方向上A点到B，C，D，E点之间像素点的个数；L代表水平方向上A点到B，C，D，E点之间像素点的个数。利用三次立方卷积运算将样品图像进行顺时针旋转之后（若左端高于右端，则逆时针旋转）得到纠正后的纱线图像［11］，如图13所示。

图13 纠正后的整体倾斜图像Fig.13 Whole image after tilt correction

2.6 图像去噪

为了最大限度地消除背景噪声对纱线毛羽图像处理的影响，同时避免破坏毛羽的边缘，本研究基于目标分类识别法来区分纱线主体和噪声，采用基于八邻域跟踪算法识别并跟踪纱线主体目标［12］，结合阈值分割的方法去除纱线图像噪声，提取纱线的主干图像［13］，其原理是纱线的主体由许多白色像素点相连构成，而噪声由许多独立的像素点构成，显然，纱线的主体所占的区域面积最大，可以通过保留最大的区域面积，最大限度消除纱线的背景噪声，提取的纱线主体图像如图14所示。

图14 提取的纱线主体图像Fig.14 Yarn main images after extraction

2.7 图像分割

为了从图像中分割出纱线的毛羽，本研究采用形态学处理中开运算方法对纱线图像进行处理［14］，消除图像中的毛羽得到纱线的主干图像，再将纱线主体图像（见图14）减去纱线的主干图像（见图15），得到纱线的毛羽图像（见图16）。其原理是利用结构元素B对图像A进行开运算，算法表达式为

式（4）表示用结构元素B对图像A先进行一次腐蚀后，进行一次膨胀处理。本研究中所采用的结构元素B为10×10中心为1的菱形结构。

图15 不同结构元素形态学开运算处理后的纱线主干图像Fig.15 Yarn main images after morphological opening operation processing using different structural elements

图16 提取的纱线毛羽图像Fig.16 Yarn hairiness images after extraction

2.8 细化处理

观察图17可知，纱线毛羽图像中毛羽的边缘存在许多毛刺，因此需要用结构元素为3×3中值滤波对其边缘进行一次平滑处理，避免细化后的毛羽图像出现分叉和分支的现象，再通过细化算法将毛羽细化成单个像素点连续构成的一条细线［15］，便于毛羽特征参数的计算。

图17 纱线毛羽细化图像Fig.17 Yarn hairiness images after refining

3 纱线毛羽特征参数的提取与分析

3.1 纱线毛羽基准线的拟合

因纱线边缘呈曲线分布特征，本研究采用不同于以往的参考文献中以纱线边缘作为基准线的标准［16－17］，而是以纱线横向轴线与上下条干边缘之间的距离的平均值作为基准线，如图18所示。

图18 纱线毛羽基准线的判定Fig.18 Estimation of yarn hairiness baseline

3.2 纱线毛羽的统计方法

如图19所示，用图像法统计纱线毛羽数量时，关键是判断毛羽点的个数。由图20可知，单个毛羽点由连续的像素点或单个像素点构成，毛羽点的个数代表毛羽根数，其原理是通过计算在纱线图像上间隔1mm的距离沿水平方向上累积毛羽点的个数来统计不同毛羽长度的根数，如图21所示。

图19 纱线毛羽数量的统计Fig.19 Statistic of yarn hairiness number

图20 A区放大后的图像Fig.20 Enlarged view of A zone

图21 利用等距线检测纱线毛羽的原理示意图Fig.21 Principle diagram of determining hairiness using equidistant line

图22 不同长度毛羽的计数原理Fig.22 Principle diagram of counting of different length hairiness

本研究选用的纱线毛羽统计标准参照UsterHL400毛羽仪的测试标准，比如1mm长度的毛羽数量表示毛羽长度小于或等于1mm的长度，2，3，4，5，6mm长度的毛羽数量的统计依次类推。为避免重复统计，本研究通过如图22所示的毛羽根数的统计原理，即每个条柱面积代表初始统计的毛羽根数，深色的条柱面积代表重复计数的毛羽根数，通过逐级递减的方式，将每个条柱面积减去对应的深色条柱面积，可得到深色点状的面积，代表对应的毛羽根数，从而统计出实际毛羽根数。

3.3 毛羽的检测结果

本次实验对每种样品取10纱段，每个纱线片段连续采集45帧图像，图像处理后每帧图像对应的像素为1 732×1 000，对应的纱线实际长度约为22.79mm×13.16mm，则纱线片段实际长度为1 026mm，即每段的实际长度约为1m。按上述纱线毛羽检测方法，在不考虑纱线出现毛羽交叉、毛羽特殊卷曲的情况下，其检测结果见表1—表3。

为了便于与目测法结果相比较，将表2中10个纱线片段的毛羽根数均值折算成1m长度纱段的毛羽根数均值，结果见表4—表6。可以看出，相同条件下，图像法与目测法测试结果的最大偏差为4.5%，在合理范围之内。

表1 图像法检测结果（样品1）Tab.1 Test results of scanning point method（sample 1）

表2 图像法检测结果（样品2）Tab.2 Test results of scanning point method（sample 2）

表3 图像法检测结果（样品3）Tab.3 Test results of scanning point method（sample 3）

表4 样品1图像法与目测法比较Tab.4 Comparison of image method the visual method for sample 1

表5 样品2图像法与目测法比较Tab.5 Comparison result of image method visual method for sample 2

表6 样品3图像法与目测法比较Tab.6 Comparison of image method the visual method for sample 3

4 结 语

实验结果证明，本研究提出的基于图像处理算法的新型纱线毛羽的检测方法，在不考虑纱线毛羽交叉、卷曲、断裂的情况下能够有效提高纱线毛羽根数检测的准确性，提升图像检测法的精度和检测效率，更好地反映纱线毛羽的分布情况。通过对3种纱线样品的实例分析，纱线毛羽的图像处理算法的结果与目测法的偏差在5%以内，说明这种算法在实践中是可行的，可为将来开发纱线毛羽特征软件和图像法毛羽检测系统提供参考和评价。

［1］ 李小兰.纱线毛羽对织物性能的影响［J］.棉纺织技术，2003，31（4）：63-64.LI Xiaolan.Effect of yarn hairiness on fabric properties［J］.Cotton Textile Technology，2003，31（4）：63-64.

［2］ BARELLA A.Yarn hairiness［J］.Textile Progress，1983，13（1）：1-57.

［3］ 秦贞俊.关于纱线毛羽问题的讨论［J］.棉纺织技术，2001，29（3）：5-10.QIN Zhenjun.The discussion about the yarn hairiness［J］.Cotton Textile Technology，2001，29（3）：5-10.

［4］ 孟宪鸿，陈跃华.数字图像处理法测纱线毛羽的方法和仪器［J］.上海纺织科技，2003，31（4）：15-16.MENG Xianhong，CHEN Yuehua.Method and apparatus of image processing in yarn hairiness measurement［J］.Shanghai Textile Science ＆Technology，2003，31（4）：15-16.

［5］ GUHA A，AMARNATH C，PATERIA S，et al.Measurement of yarn hairiness by digital image processing［J］.The Journal of the Textile Institute，2010，101（3）：214-222.

［6］ CARVALHO V，BELSLEY M，VASCONCELOS R M，et al.Yarn hairiness and diameter characterization using a CMOS line array［J］.Measurement，2008，41（10）：1077-1092.

［7］ FABIJANSKA A，JACKOWSKA-STRUMILLO L.Image processing and analysis algorithms for yarn hairiness determination［J］.Machine Vision and Applications，2012，23（3）：527-540.

［8］ 张继蕾.基于图像处理技术的纱线毛羽检测应用研究［D］.石家庄：河北科技大学，2011.ZHANG Jilei.Application Study on the Yarn Hairiness Detection Based on Image Processing Technoiogy［D］.Shijiazhuang：Hebei University of Science and Technology，2011.

［9］ 周绚丽，成玲.纱线黑板数字图像处理方法［J］.纺织学报，2008，29（8）：30-34.ZHOU Xuanli，CHENG Ling.Digital image processing method of yarn black board［J］.Journal of Textile Research，2008，29（8）：30-34.

［10］OTSU N.A threshold selection method from gray-level histograms［J］.Automatica，1975，285/296：23-27.

［11］江雯，陈更生，杨帆，等.基于Sobel算子的自适应图像缩放算法［J］.计算机工程，2010，36（7）：214-216.JIANG Wen，CHEN Gengsheng，YANG Fan，et al.Self-adaptive image scaling algorithm based on Sobel operator［J］.Computer Engineering，2010，36（7）：078.

［12］HARALICK R M，SHAPIRO L G.Computer and Robot Vision［M］.Boston Massachusetts：Addison-Wesley Publishing Co.，1992.

［13］CAMPS O I，SHAPIRO L G，HARALICK R M.Object Recognition Using Prediction And Probabilistic Match［A］.Intelligent Robots and System，Proceeding of the 1992［EE/RS］International Conference［C］.［S.l.］：［s.n.］，1992：1044-1052.

［14］VANDEN B R，VANBALEN R.Methods for fast morphological image transforms using bitmapped binary images［J］.CVGIP：Graphical Models and Image Processing，1992，54（3）：252-258.

［15］孙银银，潘如如，高卫东.基于数字图像处理的纱线毛羽检测［J］.纺织学报，2013，34（6）：102-106.SUN Yinyin，PAN Ruru，GAO Weidong.Detection of yarn hairiness based on digital image processing［J］.Journal of Textile Research，2013，34（6）：102-106.

［16］苏继伟.简论纱线毛羽测试方法［J］.上海毛麻科技，2006（3）：10-12.SU Jiwei.A brief discussion about the method of testing yarn hairiness［J］.Shanghai Wool ＆Jute Journal，2006（3）：10-12.

［17］郭会勇，王建坤.浅析几种毛羽测试方法［J］.河北纺织，2007（3）：75-80.GUO Huiyong，WANG Jiankun.Simple analyses of several hairiness testing methods［J］.Hebei Textile，2007（3）：75-80.

Research of a novel method for measuring yarn hairiness based on image recognition

FANG Heng，XIN Binjie，LIU Xiaoxia，ZHANG Jie
（Fashion College，Shanghai University of Engineering Science，Shanghai 201620，China）

Aiming at hairiness measurement，a digital image acquisition system is constructed，based on which a novel algorithm is proposed in order to measure the number and length of yarn hairiness.The algorithm can be used to make feature analysis of yarn images captured continuously，and yarn hairiness features for quality evaluation of yarn hairiness are determined.With pretreatment of yarn image，including gray-scale transformation，background subtraction，image enhancement，dynamic threshold segmentation，tilt correction，image denoising and image segmentation，yarn hairiness image is obtained.Then the yarn hairiness image is treated by using thinning algorithm，so the thinned yarn hairiness image is obtained.With yarn axis and the margin of trunk as reference，and with proper baseline，yarn hairiness image skeleton is extracted at the pixel level，and the number of yarn hairiness of different length is determined by statistics.Experimental results show that the precision of the new method is consistent with the visual observation method，and its deviation is within 5%.The method can improve the efficiency and accuracy of yarn hairiness feature extraction.

new spinning；yarn hairiness；extracted hairiness；background subtraction；image processing；target recognition

TS117

A

1008-1542（2015）01-0063-10

10.7535/hbkd.2015yx01013

2014-10-04；

2014-11-06；责任编辑：张 军

国家自然科学基金（61271419）

方 珩（1989—），男，安徽安庆人，硕士研究生，主要从事纺织品数字图像技术方面的研究。

辛斌杰副教授。E-mail：xinbj＠sues.edu.cn

方 珩，辛斌杰，刘晓霞，等.一种新型纱线毛羽图像特征识别算法的研究［J］.河北科技大学学报，2015，36（1）：63-72.

FANG Heng，XIN Binjie，LIU Xiaoxia，et al.Research of a novel method for measuring yarn hairiness based on image recognition［J］.Journal of Hebei University of Science and Technology，2015，36（1）：63-72.