应用显著性算法的纱线条干均匀度检测

景军锋， 张婉婉， 李鹏飞

(西安工程大学 电子信息学院， 陕西 西安 710048)

应用显著性算法的纱线条干均匀度检测

景军锋， 张婉婉， 李鹏飞

(西安工程大学 电子信息学院， 陕西 西安 710048)

针对运用图像方法进行纱线条干均匀度检测时，背景黑板、纱线毛羽以及图像噪声等对检测结果影响较大的问题，借鉴人的视觉感知机制，提出一种应用显著性算法检测纱线条干均匀度的方法。对采集到的纱线图像提取颜色和亮度特征，进行显著性分析，突出纱线条干区域，然后利用迭代阈值分割算法和区域滤波，得到准确清晰的纱线条干二值图像，基于此进行直径计算、均匀度分析和纱线疵点判定。通过边缘准确性评价可知，采用所提方法分割得到的纱线条干二值图像有着较高的分割精度。通过与 Uster Classimat 5的均匀度检测结果进行比较，证明这种方法可得到准确的结果，与 Uster Classimat 5 的测量结果有着较好的一致性。

纱线条干均匀度； 显著性分析； 迭代阈值分割； 区域滤波

纱线条干是评价纱线质量的主要性能指标[1]。纱线直径是表征纱线不匀的直接指标，如何准确、快速测定纱线的直径对于纺织行业有着重大的意义[2-4]。传统检测纱线条干均匀度的方法主要有人工目测法、光电法和电容法等，检测结果受人主观因素和环境因素影响较大。机器视觉和图像处理技术的发展，为提高纱线质量检测水平提供了新的方向。

纱线图像与普通图像相比，背景黑板的亮度与平整度、纱线毛羽和图像噪声等因素都会对纱线条干的分析造成较大的影响。针对此问题，本文提出了一种应用显著性检测的方法对纱线条干均匀度进行检测。人类的视觉机制可以帮助人们迅速摒弃冗余的信息，只关心感兴趣的目标。显著性检测就是模拟人眼视觉感知机制，提取图像中显著性高即感兴趣的目标。近年来，显著性检测已应用于许多基于图像处理技术的实例中，如织物疵点检测[5]、图像分割、图像检索和视频压缩等[6]。

本文将显著性算法应用到纱线条干均匀度的检测中，通过对纱线图像的颜色和亮度特征进行显著性分析，突出纱线条干部分；然后运用迭代阈值分割算法对其进行二值化处理；最后基于处理后的图像计算纱线直径，根据直径变化分析纱线条干均匀度，判定纱线疵点。分别将均匀度的检测结果与Uster Classimat 5的检测结果进行比较，将疵点判定结果与人工目测方法进行比较，结果表明，该方法可得到比较准确的结果，有一定的可行性。

1 纱线的相关理论

1.1 纱线结构

图1 纱线结构示意图Fig.1 Diagrammatic sketch of yarn structure

纱线一般由纱线条干和毛羽部分组成。线密度、结构特征和纤维组成是表征纱线质量特性的常用参数。纱线疵点的类型及其分类对于纱线质量的检测也有着重要的意义，是表征纱线条干均匀度的主要指标[7]。图1示出纱线结构的示意图。1.2 纱线疵点分类

纱线的不均匀与纱线疵点的存在直接相关，常见的纱线疵点有棉结、粗节和细节3种，如图1所示。

棉结：纱疵截面比正常纱粗100%以上，长度较短(一般为1～4 mm)。

粗节：纱疵截面比正常纱粗40%～100%，通常设定为50%，且长度大于4 mm。

细节：纱疵截面比正常纱细30%以上，且长度大于4 mm。

因此根据纱线直径变化，参考上述阈值设定准则，拟定如图2所示的纱线疵点判定算法。

图2 纱线疵点判定算法Fig.2 Determination algorithm of yarn defect

2 前期准备

2.1 图像采集

实验中采用3种不同规格的环锭纺纯棉筒纱，分别为14.5、18.2 tex精梳纱线和18.2 tex普梳纱线。纱线图像采用CanoScan 9000F 型扫描仪采集，分辨率是600 dpi，满足纱线黑板图像分辨率不应低于181.948 dpi的要求[8]。

2.2 图像预处理

图3示出采集到的纱线原始图像及其倾斜校正后的图像。图像在采集的过程中，由于试样摆放等原因，倾斜是不可避免的，后续直径计算时需要沿垂直方向进行逐像素扫描，纱线倾斜角度的存在会对直径的计算结果造成较大的误差，因此，需要首先对图像进行倾斜校正。

图3 纱线图像倾斜校正Fig.3 Yarn image tilt correction. (a) Original yarn image; (b) Tilt corrected image

本文采用PCA算法求取坐标变换矩阵以进行图像倾斜校正，原始的像素坐标矩阵经中心化后转换为二维协方差矩阵，再经奇异值分解为能够反映图像倾斜方向的二维对角矩阵和坐标变换矩阵，从而实现图像校正。该方法将搜索图像倾斜角度问题转换为求取图像协方差矩阵的特征值和特征向量，因此求取倾斜角度的速度比常规搜索方法可提高1～2个数量级[9]。倾斜校正的结果如图3(b)所示。

3 纱线图像分割

3.1 显著性检测

3.1.1 组合DoG带通滤波器的设计

Hemami等[10]提出了显著性检测的标准：1) 强调最大显著物；2) 均匀突出整个显著区域；3) 明确显著物体边界；4) 忽略纹理、噪声和块效应所产生的高频；5) 有效输出全分辨率显著图。

标准1和2表明需要保留原图像中的低频部分；标准3表明需要保留原图像中的高频部分；而标准4表明原图像中的最高频率需要被消除，因此，显著性检测需要选取一个合适的通频带宽，使之能够保留原始图像的理想空间频率。

由于显著图包含的频率范围很宽，本文选择将几个通频带较窄的DoG(difference of Gaussian)滤波器组合使用。DoG滤波器，即高斯函数的差分，通过将图像与高斯函数进行卷积得到一幅图像的滤波结果，如式(1)所示。检测强度变化时，最佳的高斯标准偏差的比例是1∶1.6[11]。

(1)

式中：σ1和σ2是高斯标准偏差(σ1>σ2)。

DoG滤波器的通频带宽度为σ1∶σ2。滤波器组合使用时，假设σ1=ρσ，σ2=σ，则ρ=σ1/σ2，标准偏差比例为ρ的组合DoG滤波器为

(2)

当整数N≥0时，除第1项和最后1项外其他项的累加和为0，结果为标准偏差比例为K=ρN的高斯差分。保证ρ为常数1.6，σ1和σ2以上述规则变化，通过增加DoG带通滤波器组合获得较大的K值。

为减小计算量，使用一个小的高斯内核移除高频噪声和纹理[12]。在离散的情况下，小内核高斯滤波的二项式逼近效果非常好。

3.1.2 显著性计算

尺寸为W像素×H像素的图像I的显著图S可被定义为

(3)

式中：Iμ表示图像I的算术平均灰度值；Iω(x,y)是原图像滤除纹理细节、噪声和编码效应之后的高斯模糊图像的值；ω为相应高斯滤波器的截止频率。由于直接对原图像进行操作，因此得到的是全分辨率的显著图(标准5)。

用颜色和亮度特征扩展上式，如式(4)所示：

(4)

图4 纱线图像显著性分析过程Fig.4 Process of saliency analysis of yarn image.(a) Saliency map; (b) Saliency values

对纱线显著图像进行二值化，显著物体如纱线条干表示为白色像素1，背景黑板部分表示为黑色像素0。对于一个给定的显著图，其显著值的范围为[0,255]，最简单的获得二值图像的方法是在[0,255]的范围内先选定一个阈值，再采用迭代阈值算法计算显著图像的最佳阈值，可以节省计算时间，降低计算复杂度，并大幅减少计算所需的存储空间。采用迭代阈值算法对纱线条干进行分割的结果如图5所示。

图5 纱线二值图像Fig.5 Yarn binary image

3.3 滤 波

大多数情况下，在迭代分割之后能够得到清晰无噪声的纱线条干图像。然而某些纤维末端严重缠结，该区域远离纱线条干，但有较高的显著值，在分割的过程中不能完全除去，这种现象会对直径计算造成较大的影响。由于这些离散的噪点所包含的像素数目有限，本文采用区域滤波算法消除像素数目小于某一阈值的离散点，滤波效果如图6所示。

图6 含有离散噪点的纱线图像处理过程Fig.6 Yarn image processing with discrete noise.(a) Original image; (b) Saliency map; (c) Saliency values; (d) Segmented image; (e) Filtered image

3.4 纱线图像分割结果评价

为了判断得到的纱线条干图像是否存在明显的过分割或欠分割现象，将图3(b)与图5进行减运算后再加上图7所示纱线条干二值图像的边缘，得到分割的结果如图8所示。边缘准确性是基于图像目测衡量算法分割效果常用的一项评价指标[13]。从图8可看出，文中方法对纱线条干图像分割精确，无过分割或欠分割现象出现，分割后纱线图像边缘连续且轮廓清晰，为后续纱线直径测量和均匀度分析奠定了基础。

图7 边缘图像Fig.7 Edge image

图8 分割结果检验Fig.8 Test of segmentation

4 实验结果

在每幅纱线图像中，实际直径(以像素计算)的计算过程：沿图像矩阵各列自上而下扫描，找到多个连续白点，则白色像素点的数目即为该列直径。各列直径的平均值即为图像中的纱线直径，所有图像纱线直径的平均值就是实验测得纱线直径。

(5)

式中：xi是实验所得各图像的平均直径，n是样本的图像数目，即求取各图像平均直径之间的变异系数作为纱线的条干不匀率。

表1示出测量直径、理论直径、相对误差和变异系数CV值的计算结果。由表中数据可见，测量直径与理论直径的最大误差保证在3%以内，测量值与理论值很接近，充分说明该计算方法是可行的，有较高的准确率。用UsterClassimat5测得3种样本的CV值结果为18.2tex精梳纱线(12.3%～14.3%)，14.5tex精梳纱线(11.6%～13.9%)，14.5tex普梳纱线(13.3%～16.4%)，说明该算法计算的测量结果比较准确，与UsterClassimat5具有较好的一致性。

表1 纱线直径及不匀率参数测量结果

根据图2所示纱线疵点判定准则，可实现对纱线疵点的判定和分类。表2示出对部分纱线样本图像片段疵点判定和分类的结果。人机对比实验表明，棉结类疵点人工比较容易发现，但是对于粗节和细节2类疵点，直径变化不是特别明显，人工比较难以发现，而本文算法在像素尺度上对其进行得精确的度量，得到了相应的结果。

图9示出3种样本的直径变化曲线。对比表1中CV值可知，18.2 tex精梳纱线与14.5 tex精梳纱线相比，14.5 tex精梳纱线的CV值较小，直径变化曲线波动也比较小。这种情况主要是因为：纱线截面内纤维数目随纱线直径的减小而减少，截面内纤维分布不匀对纱线直径影响增大，从而影响纱线的均匀度；14.5 tex精梳纱线与14.5 tex普梳纱线相比，14.5 tex普梳纱线的CV值较大，直径波动也比较大，这是因为精梳类纱线在纺纱过程中加入了精梳的流程，纱线品质比普梳更好。

表2 部分纱线测点判定和分类结果

图9 样本直径变化曲线Fig.9 Sample diameter variation curve. (a) 18.2 tex combed yarn; (b) 14.5 tex combed yarn; (c) 14.5 tex carded yarn

5 结 论

运用图像处理方法对纱线条干进行分析时，背景黑板的亮度和平整度、纱线的毛羽以及图像噪声等因素会对分析结果造成较大影响。但是纱线条干在纱线背景黑板中较为显著，借鉴人类视觉感知的机制，将显著性分析应用于纱线条干均匀度的检测中。为突出纱线条干区域，利用纱线图像颜色与亮度特征进行显著性分析，通过迭代阈值分割及区域滤波，得到了分割精度较高的纱线条干二值图像。在此基础上计算纱线直径、分析纱线均匀度和判定纱线疵点得到了良好的实验结果。本文研究为运用图像处理技术检测纱线条干均匀度提供了一种简单有效的处理方法，纱线样本检验时，检验人员可提取一定样本运用该方法进行检测，操作方便且成本低廉。

FZXB

[ 1] 迟开龙，潘如如，刘基宏，等.基于数字图像处理的纱线条干均匀度检测初探[J].纺织学报，2012，33(12)：19-24. CHI Kailong，PAN Ruru，LIU Jihong， et al. Primary discussion on detection of yarn evenness based on digital image processing[J]. Journal of Textile Research，2012，33(12)：19-24.

[ 2] 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.

[ 3] TRESANCHEZ M， PALLEJA T， TEIXIDO M， et al. Measuring yarn diameter using inexpensive optical sensors[J]. Procedia Engineering，2010，5(6)：236-239.

[ 4] ISHTIAQUE S M， DAS A. A new approach of prediction of yarn diameter[J]. Fibers & Polymers，2013，14(5)：838-843.

[ 5] 刘洲峰，赵全军，李春雷，等.基于局部统计与整体显著性的织物疵点检测算法[J].纺织学报，2014，35(11)：62-67. LIU Zhoufeng，ZHAO Quanjun，LI Chunlei， et al. Fabric defect detection algorithm using local statistic features and global saliency analysis[J]. Journal of Textile Research，2014，35(11)：62-67.

[ 6] 吴一全，宋昱，周怀春．基于各向异性数学形态学的火焰图像边缘检测[J]．仪器仪表学报，2013，34(8)：1818-1825． WU Yiquan，SONG Yu，ZHOU Huaichun． Edge detection of combustion flame images based on anisotropic mathematic-calmorphology[J]． Chinese Journal of Scientific Instrument，2013，34(8)：1818-1825．

[ 7] KUZARISKI M， LACKOWSKA-STRUMILLO L. Yarn hairiness determination the algorithms of computer measurement methods[C]// International Conference on Perspective Technologies and Methods in Mems Design，2007. Ukraine：Memstech，2007：155-158.

[ 8] 刘丽杰. 基于计算机图像处理技术的纱线质量检测的研究[D]. 天津：天津工业大学，2007：20. LIU Lijie.Research of quality detection based on computer image processing[D].Tianjin: Tianjin Polytechnic University，2007：20.

[ 9] 吴德会， 朱程辉. 基于主元分析的车牌图像倾斜校正新方法[J]. 公路交通科技，2006，23(8)：143-146. WU Dehui，ZHU Chenghui. A novel license plate slant correction method based on principal component analy-sis[J]. Journal of Highway and Transportation Research and Development，2006，23(8)：143-146.

[10] HEMAMI S， ESTRADA F， SUSSTRUNK S. Frequency-tuned salient region detection[C]// IEEE International Conference on Computer Vision and Pattern Recogni-tion (CVPR 2009). Switzerlan：Ecole Polytechnique F′ed erale de Lausanne (EPFL)，2009：1597-1604.

[11] OLSHAUSEN B A， ANDERSON C H， ESSEN D V. A neurobiological model of visual attention and invariant pattern recognition based on dynamic routing of information[J]. The Journal of Neuroscience，1993，13(11)： 4700-4719.

[12] 周慧，张华熊，胡洁，等.基于平滑滤波和分水岭算法的重组织织物图像分割[J].纺织学报，2015，36(8)：38-42. ZHOU Hui，ZHANG Huaxiong，HU Jie， et al. Backed weave image segmentation based on smoothing filter and watershed algorithm[J]. Journal of Textile Research， 2015，36(8)：38-42.

[13] 张学丽，樊瑜瑾，翁家庆，等.用阈值法自动分割某内燃机铁谱磨粒图像[J].机械工程与自动化，2007(3)：99-101. ZHANG Xueli， FAN Yujin， WENG Jiaqing，et al. Automatic segmentation of an internal combustion engine iron spectrum grinding particle image using threshold method[J].Mechanical Engineering & Automation，2007(3)：99-101.

Yarn evenness detection based on saliency algorithm

JING Junfeng, ZHANG Wanwan, LI Pengfei

(SchoolofElectronicandInformation,Xi′anPolytechnicUniversity,Xi′an,Shaanxi710048,China)

When the image processing method is used to detect the yarn evenness, the background blackboard as well as the yarn hairiness and the image noise would have great influence on the detection results. To solve this problem, a method referring to the human visual perception mechanism for detecting yarn evenness based on saliency algorithm was proposed. Firstly, the color and brightness features were extracted from the collected yarn images saliency of for saliency analysis to highlight the yarn evenness area. Then the iterative threshold segmentation algorithm and the area filtering were adopted to obtain accurate and clear yarn evenness binary images. Based on the binary images, the diameter and yarn evenness were calculated, and the yarn defect was determined. The edge accuracy evaluation shows that the proposed method of saliency analysis can obtain the yarn evenness binary images with better segmentation. Compared with the evenness detection result of the Uster Classimat 5, the results obtained by the method are accurate and have a good consistency with those of the Uster Classimat 5.

yarn evenness; saliency analysis; iterative threshold segmentation; area filtering

10.13475/j.fzxb.20160606306

2016-06-23

2017-03-11

国家自然科学基金项目(61301276)；陕西省工业科技攻关项目(2015GY034)

景军锋(1978—)，男，副教授，博士。主要研究方向为机器视觉与图像处理。E-mail：413066458@qq.com。

TP 391; TS 101.922

A