基于改进形态学的纱线条干边缘检测方法

王延蒙，孟凡文，张文国

(1.济宁职业技术学院 机电工程系，山东 济宁 272000； 2.济宁市机械系统智能化研究所，山东 济宁 272000)

纱线条干均匀性是衡量纱线质量和织物结构的重要参数[1]。纱线毛羽具有复杂的外观特征,直接影响纱线条干均匀性的检测[2-3]。目前，基于图像法的纱线直径检测得到广泛应用，部分学者对纱线直径图像处理进行了基础性论述，由于纱线毛羽分布极不规则，传统滤波与阈值分割方法难以达到最佳分割效果[4-6]。因此,有学者针对传统方法进行了改进优化，以期获得更高的精度。M.ELDESSOUKI等[7]利用高速摄像机对纱线图像进行采集，并提出了一种新的鲁棒方法，在合理的时间内分析大量的纱线图像，实现了纱线直径的连续测量。V.CARVALHO等[8]开发一套完整的纱线自动表征系统，利用相干光学技术进行毛羽分析，通过傅里叶空间滤波器进行纱线图像处理，该系统操作复杂，计算量大。D.YUVARAJ等[9]利用静电解决毛羽对纱线直径的影响，但是纱线条干边缘毛羽的静电作用对测量直径影响较大。WANG R W等[10]基于图像融合原理，获取纱线条干图像边缘，但是该方法需要在显微镜下获得聚焦的纱线毛羽图像，检测效率低。A.FABIJANSKA等[11]对纱线数字图像采取图割法提取纱线核心，基于高通滤波进行纱线分割和纤维提取，并验证了该方法的普适性。李东洁等[12]改进双边滤波方法获取纱线条干边缘，从滤波图像观察该方法仍然不能完全去除纱线毛羽。景军锋等[13]应用显著性方法检测纱线条干均匀度，其测量结果与乌斯特纱疵仪的测量结果有较好的一致性。

为了解决纱线条干检测中毛羽干扰、边缘不清晰等问题，作者提出一种基于改进形态学的纱线条干边缘检测方法。该方法首先使用图像采集装置获取纱线图像，在不破坏纱线条干轮廓及边缘的前提下，利用全变分方法对纱线条干去噪，并进一步改进形态学滤波方法去除纱线毛羽获取纱线条干。

1 实验

1.1 纱线的制备

选取棉、麻、涤纶3种纱线原料，在线密度上选取多种规格，纺纱方式选择环锭纺和紧密纺。将纺纱所得纱线试样进行编号，不同品类的纱线共计15种，试样相关参数见表1。

表1 纱线试样的相关参数Tab.1 Relevant parameters of yarn samples

1.2 纱线图像采集

纱线图像采集系统由支撑架、传动辊、工业相机、LED光源、背景黑板和计算机组成。纱线通过支撑架、传动辊匀速运动，并保持一定的张力，其示意图如图1所示。工业相机采用Basler acA2500-14gc面阵相机，该面阵相机每秒14帧图像，500万像素分辨率，具体参数见表2。

图1 纱线图像采集示意Fig.1 Schematic diagram of yarn image acquisition1—传动辊1；2—工业相机；3—背景黑板；4—传动辊2

表2 面阵相机参数Tab.2 Area array camera parameters

2 纱线图像直径测量原理

面阵相机采集的纱线原始图像见图2。

图2 纱线原始图像Fig.2 Original yarn image

边缘检测算子的基本原理是计算二值化图像的梯度幅值和梯度方向得到边缘像素。常用的边缘检测算子有Laplacian算子、Roberts算子、Sobel算子和Canny算子等[14]。对纱线轮廓采用上述4种边缘算子进行检测，效果如图3所示，可以看出传统边缘检测算子对纱线提取轮廓存在边缘不清晰、毛羽难以去除等问题。毛羽是客观存在的物体，不属于噪声，因此首先采用图像分割方法去除毛羽，继而去除噪声对纱线条干的影响，得到纱线条干主体部分的清晰图像。从图像第一列从上至下检测纱线条干像素数，同理统计其余各列的像素数，可得到纱线直径测量值。

图3 不同算子纱线条干边缘检测效果Fig.3 Effect of different operators on yarn edge detection

3 图像边缘区域的去噪

纱线条干图像的边缘及噪声主要在高频区域。对于经改进形态学得到的纱线条干图像，为精确实现像素级的定位，需进一步对纱线条干边缘进行降噪处理[15]。全变分方法具有良好的边界保留效果，采用全变分模型对纱线条干边缘去噪，纱线条干边缘去噪的基本原理是纱线条干图像的能量函数最小化。

纱线条干边缘图像可表示为式(1)：

I0=I+n

(1)

式中：I0为观察图像；I为纱线理想图像；n为随机噪声。

基于全变分图像降噪可以表示为式(2)：

(2)

式中：TV为纱线图像的全变分；Ω为图像定义空间；Ix为纱线图像在x方向的梯度；Iy为纱线图像在y方向的梯度。

约束条件如式(3)、(4)所示：

(3)

(4)

式中：|Ω|表示图像空间的面积；σ为随机噪声。

将式(2)利用拉格朗日乘子法定义成一个新的能量泛函，如式(5)所示：

(5)

该方程(5)最小值解法可以参考文献[16]。经全变分去噪后的纱线图像和去噪前的原始图像对比如图4所示，纱线图像噪声、细小毛羽等能够有效去除。

图4 全变分去噪前后纱线图像对比Fig.4 Comparison of yarn images before and after total variation denoising

4 基于形态学边缘检测

4.1 形态学基本算子

数学形态学应用到纱线条干边缘检测的原理是利用不同结构元素对纱线表征像素集合进行相关卷积运算，从而去除毛羽的干扰，达到对纱线条干边缘像素精确定位的目的[17]。其基本运算有膨胀、腐蚀两种形式。

设f(x,y)为纱线二值图像函数，s(i,j)为结构元素，则f(x,y)被s(i,j)腐蚀、膨胀可分别用式(6)、(7)表示：

f(x,y)Θs(i,j)=min{f(x-i,y-j)-s(i,j)}

(6)

f(x,y)⊕s(i,j)=max{f(x-i,y-j)+s(i,j)}

(7)

式中：Θ表示腐蚀运算；⊕表示膨胀运算。

由式(6)可知：腐蚀运算可以缩小纱线条干边缘目标区域像素，对于细小毛羽及其他无关像素单元可以滤出。由式(7)可知：膨胀运算可以放大纱线条干边缘目标区域像素，可以填补图像中的空白点，得到连续完整的纱线条干图像。

开运算和闭运算是基于膨胀、腐蚀运算的两种滤波器，其运算方式可用式(8)、(9)表示:

f(x,y)○s(i,j)={f(x,y)Θs(i,j)}⊕s(i,j)

(8)

f(x,y)□s(i,j)={f(x,y)⊕s(i,j)}Θs(i,j)

(9)

式中：○表示开运算；□表示闭运算。

纱线条干边缘形状复杂多变，使用单一的结构元素及简单的形态学开运算、闭运算难以准确得到纱线条干边缘图像[18-19]。纱线图像采用边长为5个像素的结构元素进行腐蚀、膨胀、开运算和闭运算，见图5。

图5 基于基本形态学纱线条干边缘检测效果Fig.5 Yarn edge detection effect based on basic morphology

4.2 基于改进形态学边缘检测方法

本文引入信息熵加权系数，利用双尺度四方向的形态结构元素对纱线条干边缘形态学检测方法改进。利用小尺寸结构元素获取纱线条干边界细节、大尺寸结构元素滤除噪声进行组合运算，提取纱线条干边缘[20]。一副纱线二值化图像具有多方向边缘信息，该方法为实现检测边缘信息的完整度，采用4个方向(0°，45°，90°，135°)的3×3结构元素，得到不同方向下的边缘信息图，再利用信息熵加权对不同方向下的边缘图像进行加权求和，保证得到纱线各方向边缘图像。

纱线图像条干部分灰度分布均匀，毛羽部分灰度分布极不规则，因此采取2×2的正方形小尺寸结构元素(S1)获取纱线条干边界细节、5×5的菱形大尺寸结构元素(S2)进一步滤除噪声，结构元素如下：

S3i(i=1，2，3，4)表示0°、45°、90°、135° 4个方向的结构元素，结构元素如下:

设f为纱线二值图像函数，改进之后的形态学算子如式(10)所示：

g(f)i=[(f○S1)□S2]⊕S3i-[(f□S1)○S2]ΘS3i

(10)

式中：g(f)i表示改进形态学算子后得到的某一方向纱线图像。

边缘检测方法步骤如下：(1)根据公式(10)分别求出结构元素所对应的4幅不同方向的边缘图像；(2)根据式(11)求出4幅边缘图像的信息熵(Hi)；(3)根据式(12)计算每幅边缘图像的信息熵加权系数(hi)；(4)根据式(13)将图像边缘信息熵加权融合最后得到的图像边缘。

(11)

(12)

(13)

式中：L为灰度等级；Pi为第i级灰度值在纱线图像发生的概率值；g(f)表示加权融合后得到的纱线图像。

采取双结构4方向的形态学改进方法得到纱线条干边缘如图6所示，纱线条干边缘清晰，纱线毛羽完全去除，且有效保留纱线条干粗节、细节等疵点。

图6 基于改进方法得到的纱线条干边缘示意Fig.6 Diagram of yarn edge observed by improved morphological method

5 检测方法的验证

5.1 纱线直径测量结果分析

为验证改进方法的有效性，选取15种纱线样本，使用 MatLab 软件R2018a版对所采集的图像进行分析计算。改进方法得到的纱线测量直径与理论直径对比见表3。从表3可知，随着纱线线密度增加，测量直径随之增加，且均大于理论直径。由于该方法对纱线毛羽去除效果较好，因此获取直径误差低于2%。一般而言，纱线线密度较高的情况下，纱线毛羽也会随之增多，USTER公报数据测量的误差也会增加，但改进方法误差率没有明显增加，进一步验证了该方法能够有效提取纱线条干的特点。

表3 纱线直径测量结果Tab.3 Yarn diameter measurement results

5.2 检测方法评价指标

均方误差(MSE)可以衡量不同边缘检测方法在同一图像模型的精确度，峰值信噪比(PSNR)可以衡量不同边缘检测方法获取的图像质量的好坏。MSE数值越小，则表示获取像素误差越小；PSNR数值越大，则表明图像失真小，图像质量效果越好。

为了比较改进方法在纱线条干直径检测的优越性，同传统边缘检测算子Canny算子、Sobel算子、参考文献[12]提到的改进 Otsu 阈值分割方法、参考文献[13]提到的基于显著性检测图像分割方法模型进行比较。从表4可知：改进方法提取纱线条干的MSE值低于传统形态学方法、文献[12]及文献[13]的方法，证明改进方法提取纱线条干边缘的误差低；改进方法的PSNR数值大于传统形态学方法、文献[12]及文献[13]的方法，说明改进方法提取的纱线条干边缘质量好。

表4 检测方法的评价指标对比Tab.4 Comparison of evaluation indexes of detection methods

6 结论

a.传统边缘检测算子对纱线条干边缘的提取存在边缘不清晰、毛羽难以去除等问题。使用全变分模型对纱线图像去噪，能够有效去除图像噪声、纱线细小毛羽等干扰因素。

b.该方法得到的纱线条干边缘清晰，毛羽完全去除，且有效保留纱线条干粗节、细节等疵点。

c.选取15种不同规格的纱线，采用基于改进形态学边缘检测方法对纱线直径进行测试，测试直径与理论直径误差均低于2%。该方法的评价指标PSNR及MSE均优于其他方法。