单一视角下自适应阈值法的纱线毛羽识别及其应用

王文帝， 辛斌杰， 邓 娜， 李佳平， 刘宁娟

(上海工程技术大学 服装学院， 上海 201620)

近年来随着纺织业的技术创新和进步,对纺织品的质量检测提出了更高的要求。在纱线质量检测中毛羽是衡量纱线质量好坏的重要指标之一,纱线毛羽对纱线的性能、质量和后序加工过程影响显著[1]。纱线毛羽具有复杂的外观特征,伸出纱线主体的外层纤维是构成毛羽的主要部分，因此，通常是用伸出纱线主体的端毛羽或圈毛羽来表征纱线的起毛程度，并对其外观特征进行测量包括毛羽的数量、长度和形状等。

光电法是当前应用最广且发展较成熟的方法之一，主要通过投影计数或全毛羽计算实现纱线毛羽的自动检测[2]。随着计算机视觉系统和数字图像处理的快速发展，国内外专家和学者提出很多的数字化图像分析方法来检测纱线毛羽的参数，从而实现对纱线毛羽的数字化检测[3-5]。孙银银等[6]使用MOTIC视频显微镜捕获纱线静态图像，对所得纱线图像进行图像处理，得到纱线毛羽长度和数量参数。然而，显微镜景深较小，纱线毛羽超出显微镜的景深时就会变得模糊，从而使得图像处理变得困难。Nateri等[7]用黑板扫描法获得纱线图像，结合图像处理实现纱线毛羽参数的检测。然而，纱线缠绕在黑板上会使得纱线毛羽形态发生变化，从而使得图像处理方法检测得到的结果不够准确。Fabijańska等[8]用CCD相机采集纱线图像，运用图像处理方法计算出纱线毛羽参数信息。工业相机具有采集图像稳定，可动态连续采集的优点，有利于开发动态纱线图像采集系统。目前数字化图像处理检测纱线参数主要使用显微镜、扫描仪和相机等来获得纱线图像，并进行图像处理,进而得到纱线参数信息，但是结果与传统方法测得的结果还存在一定误差。

本文研制开发可用于单一视角背光源纱线毛羽图像动态采集的硬件系统，提出可实现纱线毛羽图像数字化分析的新方法，该方法包括自适应灰度增强、线性区域阈值分割等关键技术。用本文提出的图像处理算法处理采集的纱线毛羽图像，提取纱线的外观参数并将所用方法检测的结果与传统纱线毛羽检测的结果进行相关性分析，结果证明本文方法与传统方法具有较好的一致性，采用的算法具有很好的鲁棒性，设计开发的单一视角下纱线外观检测系统具有良好的应用前景。

1 纱线毛羽图像采集系统

图1示出纱线毛羽的采集系统。该系统由以下部分组成：背光源、暗箱、步进电动机、数字CCD面阵相机和PC计算机。

图1 纱线毛羽图像采集系统Fig.1 Yarn hairiness image acquisition system. (a) Schematic diagram of yarn image acquisition system; (b) Dark box structures

该图像采集系统使用均匀平板光源以背面投射方式光照，其产生的平行光线不会改变纱线的投影形状，光线遇到纱线的反射光和散射光被暗箱上的黑纸板吸收，有利于数字CCD相机采集高质量的纱线图像。步进电动机控制纱线运动或停止，CCD相机同步可获得纱线动态或静态图像。

2 纱线图像采集

本文选用6种纱线来验证所提出的新方法，每种纱线无规律移动并采集10张图片，以避免偶然因素带来实验误差。数字CCD相机获得的图像存储为空间分辨率为500像素×1 696像素的单色图像。本文选用的纱线的规格参数如表1所示。

表1 纱线样本的基本参数Tab.1 Basic parameters of yarn sample

3 纱线图像处理

纱线图像处理的目的是从采集到的图像中提取纱线主体和毛羽信息，为进一步的图像分析提供数据。纱线图像处理分为3个主要步骤。首先是图像预处理，然后是阈值分割，最后是纱线主体和毛羽分割。图2示出利用自行搭建的纱线数字化成像系统采集的6种纱线样本的原始图像(灰度图像)。

图2 纱线原始图像Fig.2 Original yarn images

3.1 图像预处理

图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性[9]。在图像采集系统中，相机镜头上不可避免的灰尘以及背光光源的亮度不均等因素，都会导致采集到的图像背景不均匀。对比背景均衡处理和直方图均衡化等背景处理方法，背景查分处理法具有简便、快捷、效果好等优点[10]，但是图像查分处理后形成的新背景灰度级与纱线灰度级比较接近，不易进行纱线与背景分割及后续的图像处理。本文以1#试样的处理过程图为例，如图3所示。

图3 图像差分处理Fig.3 Image difference processing. (a) Background image; (b) Partial enlargement of image after image differential processing; (c) Gray value histogram after image difference processing; (d) Local gray value matrix of image after image difference processing

图3 (a)为1#试样图像的背景图像，将含有纱线的图像与不含纱线的图像做差分处理，得到去除背景的纱线图像。1#试样图像去除背景后局部放大图如图3(b)所示。图3(c)中没有明显的灰度级双峰出现，因为在灰度统计曲线中没有明显的双峰出现，所以难以使用阈值分割方法将纱线从图像中分割出来。图3 (d)中灰色标出的是灰度级大于9的像素点，可以看出灰色像素点周围的灰度级与之比较接近。这是纱线统计曲线中没有出现明显双峰的原因，也是直接使用阈值分割法分割图像导致信息损失严重的原因。

纱线与背景灰度对比度增强有利于后续的图像处理，本文提出一种自适应灰度增强算法，该方法对纱线图像处理结果明显优于灰度拉伸变换增强方法。其原理如下：纱线图像去除背景后，纱线与新背景灰度级差别小，采集的纱线图像边缘没有纱线毛羽，取图像上下边缘所有元素求其平均值，此均值视为背景去除后新背景的灰度级。首先让图像矩阵乘以系数k，扩大纱线与背景的灰度级，然后图像矩阵减去求得均值的k倍，相当于对图像再次去除背景。最后将得到的灰度值小于0的像素赋值为0，大于255的像素赋值为255。式(1)描述了图像中像素点灰度变化，式中变量均为标量

g(x,y)=T[f(x,y)]

(1)

式中：f(x,y)为输入图像；g(x,y)为输出(处理后的)图像；T为对图像f的算子；作用于点(x,y)定义的值。

s=T(r)

(2)

式中：r为图像f中的灰度值；s为图像g中的灰度值。二者在图像中处于相同的坐标(x,y)处。式(2)可简单表达为

(3)

(4)

式中：M为图像矩阵共M行；N为图像矩阵共N列；xi,:为第i行所有列的元素。

为便于描述图像处理后图像的变化，用IA、IB、IC，…来表示不同图像处理步骤得到的结果如图4所示。从中可看出自适应灰度增强方法处理后纱线和背景灰度对比度明显度增强，毛羽清晰。图5示出图像处理后图像局部灰度值矩阵图。可看出，图5(b)中纱线毛羽的灰度值与背景灰度值对比度更大，并且本文提出的灰度增强方法在保证毛羽信息完整的情况下减少背景噪声。

图4 背景去除后图像灰度增强对比Fig.4 Image grayscale contrast after background removal. (a) Background removal image IA; (b) Gray stretched enhanced image IB; (c) Adaptive grayscale enhancement image IC

噪声是图像干扰的重要原因，滤波能有效减少噪声的干扰。本文对比了中值滤波、均匀滤波、高斯低通滤波和维纳滤波等滤波器对纱线图像去除噪声的结果，维纳滤波在去除纱线图像噪声方面优于其他滤波器[8,12-13]。采用维纳滤波器分别对灰度增强后的图像进行滤波处理，结果见图6所示。

3.2 阈值分割

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程,它是由图像处理到图像分析的关键步骤。阈值分割算法是经典的图像分割算法之一，因其计算量小，实现简单并且分割性能稳定在图像分割领域中得到了广泛的应用[13]。OTSU(最大类间方差)阈值分割算法[14]主要是利用图像前景和背景的灰度差异来寻找最佳的阈值，前景和背景两类之间的差别越大，阈值分割效果就越好。类间方差公式为

(5)

式中：p1(k)为灰度级为[0,1,2,…,k]的像素发生的概率；mk为灰度级为[0,1,2,…,k]像素的平均灰度值；mG为全部像素平均灰度值。

图7 OTSU阈值分割后图像对比Fig.7 Image comparison after OTSU threshold segmentation. (a) Image ID after processing (IF); (b) Image IE after processing (IG)

实验发现，图像用灰度拉伸变换增强然后经维纳滤波处理，循环多次处理与仅一次处理同一张图像，发现二者处理结果变化很小，用OTSU阈值分割处理后结果相同。用本文提出的自适应灰度增强方法多次处理同一张图像，每次处理图像中纱线与背景灰度对比度都增大，纱线及纱线毛羽显示更清晰，同时图像中噪声点也增多。增强3次时，OTSU阈值分割后效果最好，结果见图8所示。

图8 OTSU阈值分割后图像对比Fig.8 Image comparison after OTSU threshold segmentation. (a) Image ID after grayscale processing and wiener filter treatment for two times (IH); (b) Image (IE) after grayscale processing and wiener filter treatment for three times (IK)

图8(b)中纱线主体和毛羽更清晰，毛羽断裂数目减少，但是背景的噪声点增多。通过图像形态学处理连接断开的毛羽并去除孤立噪声点。

OTSU阈值分割应用于整张图像时，会因为图像中某一部分的背景噪声影响整张图片的分割结果。本文提出线性区域阈值分割方法避免图像中区域噪声影响整张图片的分割结果，同时以图像每列为区域进行OTSU阈值分割，减少了毛羽信息损失。

类间方差公式为

(6)

式中：p1(t)为每列灰度级为[0,1,2,…,t]的像素发生的概率；mt为每列灰度级为[0,1,2,…,t]像素的平均灰度值；mG为每列全部像素平均灰度值。

图9 线性区域阈值分割与全阈值分割对比Fig.9 Comparison between linear region threshold segmentation and full threshold segmentation. (a) Threshold segmented image of IL; (b) Linear region threshold segmentation image of IM

图9(a)、(b)比较发现图像IM中毛羽连续性更好，因此线性区域阈值分割结果优于对整幅图使用OTSU阈值分割。

3.3 纱线主体和毛羽分割

提取纱线毛羽参数信息需要从纱线图像中分割出纱线毛羽，本文采用开运算形态学处理对纱线图像进行处理，消除纱线图像中的毛羽得到纱线的主体图像，如图10所示。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

A°B=(A-B)⊕B

(7)

式中：A°B表示结构元素B对图像A作开运算；A⊖B表示结构元素B对图像A进行腐蚀处理；A⊕B表示结构元素B对目标图像A进行膨胀处理。

图10 纱线图像形态学处理Fig.10 Yarn image morphology processing. (a) Image IM after morphological processing; (b) Image IOafter morphological processing; (c) Image IP after thinning image IO

公式表示用结构元素B对图像A先进行一次腐蚀后进行一次膨胀处理。本文所采用的结构元素B为半径为5的圆形结构。

将纱线主体图像与纱线图像相消得到纱线的毛羽图像，算法表达式为

f(x)=A(x)-B(x)

(8)

式中：A(x)代表纱线主体；B(x)代表纱线主干；f(x)代表纱线毛羽。

纱线毛羽图像中包含端毛羽和圈毛羽。为便于统计毛羽数量，将毛羽细化并做标记处理，从纱芯向两侧标出刻度线，每根水平线之间的距离为1 mm，如图10(c)所示。

4 实验结果与分析

将通过图像法得到的毛羽长度和数量信息与目测法测量的结果对比。对比结果如表2所示。

表2 图像法与目测法检测纱线毛羽长度和数量的对比Tab.2 Comparison of image method and visual inspection for detecting length and number of yarn hairiness

从表2可看出，在检测毛羽长度大于2 mm时图像法与目测法的结果完全符合，毛羽长度在1～2 mm时误差很小，毛羽长度在0～1 mm范围内时检测结果误差较大。其原因是纱线存在圈毛羽和粗节，使用的图像处理算法计算毛羽根数时会对圈毛羽和粗节进行重复计算，导致误差增大。此外毛羽的弯曲度比较大时也会导致重复计算。

5 结 论

开发可用于单一视角下背光源纱线毛羽图像动态采集的硬件系统，并提出一种可实现纱线毛羽图像数字化分析的新方法，该方法包括自适应灰度增强、线性区域阈值分割等关键技术，发现自适应灰度增强算法可用于目标和背景的对比度增强，获得前景与背景对比度高的图像；指出的线性区域阈值分割避免图像局部缺陷带来的影响，得到好的阈值分割图像。在处理纱线图像时本文提出的两种算法有很好的鲁棒性，可提高纱线参数测量精度。

本文提出的2种算法在处理纱线图像时有很好的鲁棒性，可提高纱线参数测量精度。本文设计开发的单一视角下检测毛羽参数方法为后续开发的纱线毛羽检测系统提供有效的纱线图像分析算法支撑。

FZXB