王昊鵬，馮顯英，李 麗

1)山東大學(xué)高效潔凈機(jī)械制造教育部重點(diǎn)實(shí)驗(yàn)室，機(jī)械工程學(xué)院，濟(jì)南250061;2)山東省經(jīng)濟(jì)管理干部學(xué)院計(jì)算機(jī)系，濟(jì)南250061

棉花在采摘、晾曬、收購、運(yùn)輸、儲(chǔ)存和加工過程中，易混入異性纖維，主要包括編織袋絲、毛發(fā)、麻繩、塑料繩、布條、地膜和染色線等. 雖然異性纖維的含量很少，但其對(duì)棉紡織品的質(zhì)量有嚴(yán)重影響［1］. 因此，棉花中異性纖維的檢測(cè)方法成為近期的研究熱點(diǎn)［2-5］. 異性纖維分為有色異性纖維和白色異性纖維，灰度圖像中有色異性纖維像素點(diǎn)的灰度值與棉花像素點(diǎn)的灰度值差異較大，容易識(shí)別，而白色異性纖維像素點(diǎn)的灰度值與棉花像素點(diǎn)的灰度值十分接近，甚至重疊，用圖像處理方法不好識(shí)別. 為此，本研究著重探討白色異性纖維的識(shí)別.

紋理是一種重要的視覺線索，是圖像中普遍存在而又難以描述的特征，包含了物體表面結(jié)構(gòu)組織排列的重要信息及其與周圍環(huán)境的聯(lián)系［6-12］. 一般來說，不同物質(zhì)的紋理也不同，多數(shù)學(xué)者通過灰度共生矩陣的方法來研究紋理，并對(duì)灰度共生矩陣的方法做出改進(jìn)［13-15］. 而利用灰度共生矩陣 (gray level co-occurrence matrix，GLCM)分析識(shí)別皮棉中的異性纖維一直還是空白，本研究通過分析紋理判斷皮棉中是否含有白色異性纖維.

1 異性纖維檢測(cè)方法與直方圖分析

1.1 檢測(cè)裝置

檢測(cè)裝置的關(guān)鍵是圖像采集系統(tǒng)，圖像采集質(zhì)量在很大程度上決定試驗(yàn)的成功與否. 圖像采集系統(tǒng)主要由面陣CCD 相機(jī)、LED 光源和數(shù)據(jù)采集卡組成.

本試驗(yàn)采用德國BASLER acA1300-30gc 型號(hào)彩色面陣CCD 相機(jī)，其最高幀率為30 幀/s，最大分辨率為1 296 × 966 像素，配合日本Computar 的M0814 鏡頭. 光源是影響圖像采集的重要因素.LED 采用電場(chǎng)發(fā)光和低壓直流供電，無頻閃現(xiàn)象，且具有光效好、穩(wěn)定性強(qiáng)、能耗低、壽命長(zhǎng)及抗震等優(yōu)點(diǎn). 試驗(yàn)中使用日本CCS 公司的HLV-24-1220光源，研祥PCI-8ADPF 數(shù)據(jù)采集卡. 該采集卡的分辨率、采樣頻率和傳輸速率均能達(dá)到本試驗(yàn)對(duì)準(zhǔn)確性和實(shí)時(shí)性的要求.

異性纖維檢測(cè)裝置的工作原理為:皮棉經(jīng)開松機(jī)充分開松后，隨氣流均勻地經(jīng)過皮棉管道(為滿足軋花廠生產(chǎn)需要，皮棉檢測(cè)量為3 t/h)，利用CCD 相機(jī)對(duì)其進(jìn)行拍照，并將圖像上傳至上位機(jī)，上位機(jī)根據(jù)編好的程序?qū)D像進(jìn)行處理和分析. 異性纖維檢測(cè)裝置如圖1.

圖1 異性纖維檢測(cè)裝置示意圖Fig.1 The schema of foreign fibers detection device

1.2 試驗(yàn)材料

本試驗(yàn)選取塑料繩、編織袋絲、滌綸線、棉線、頭發(fā)絲、羊毛、腈綸棉、雞毛、衛(wèi)生紙和塑料袋等10 種常見的白色異性纖維，每種異性纖維各取3 個(gè)樣本組成異性纖維樣本集;對(duì)于皮棉選擇3份樣本組成皮棉樣本集. 試驗(yàn)時(shí)依次將異性纖維摻入皮棉進(jìn)行拍照，最終生成90 幅150 ×250 像素的24 位真色彩圖片.

1.3 試驗(yàn)材料的灰度范圍

分析皮棉和10 種白色異性纖維直方圖，得到所有試驗(yàn)材料的灰度值范圍，如表1.

表1 試驗(yàn)材料的灰度值范圍Table 1 Gray value ranges of the experiment materials

由表1 可見，皮棉的灰度值處于［174，195］范圍內(nèi)，異性纖維的灰度值處于［180，243］范圍內(nèi)，兩者的重疊區(qū)間為［180，195］. 重疊區(qū)間的存在正是分割白色異性纖維的困難之處，因?yàn)樵谶@個(gè)區(qū)間內(nèi)僅靠灰度值作為閾值無法區(qū)分皮棉和白色異性纖維. 因此需要考慮對(duì)圖像進(jìn)行紋理分析，按紋理不同進(jìn)行分割.

2 皮棉異性纖維圖像的GLCM 及改進(jìn)

2.1 灰度共生矩陣

灰度共生矩陣可定義為，用f(x，y)表示灰度圖像在像素點(diǎn)(x，y)處的灰度值，則其灰度共生矩陣為

其中，x 和y 是像素坐標(biāo)，對(duì)于一幅M×N 的圖像，1≤x ≤M，1 ≤y ≤N，且x 和y 均為整數(shù);Δx =dcosθ，Δy = dsinθ;i 和j 為像素點(diǎn)的灰度值;d 為灰度共生矩陣的生成步長(zhǎng)，一般可取1、2、3 和4 等值;θ 為灰度共生矩陣的生成方向，一般取0°、45°、90°和135°. 灰度共生矩陣的元素為f(x，y)=i，且f(x + dcosθ，y + dsinθ)條件的像素對(duì)出現(xiàn)次數(shù).

2.2 灰度共生矩陣的特征參數(shù)選擇

根據(jù)圖像的灰度共生矩陣可定義大量紋理特征，例如，Haralick［6］從中導(dǎo)出14 個(gè)特征. 但其計(jì)算量大，并存在重復(fù)表述的問題，因此需要從中找出代表性強(qiáng)和獨(dú)立性好的特征. 綜合Ulaby［16］、Baraldi［17］和薄華［18］等研究成果，本研究采取角二階矩、對(duì)比度、相關(guān)性和熵作為特征參數(shù)提取圖像紋理. 在提取灰度共生矩陣的特征之前，需要對(duì)其做歸一化處理，使其元素和等于1.

2.3 改進(jìn)的灰度級(jí)壓縮方法

一般來說，圖像的灰度級(jí)為256 級(jí)，在實(shí)際應(yīng)用中計(jì)算量大、實(shí)時(shí)性差. 因此，在將灰度圖像轉(zhuǎn)化為灰度共生矩陣之前，一般會(huì)將灰度級(jí)壓縮. 具體方法是將256 級(jí)等間距壓縮，最終壓縮為16 級(jí).雖然能減小計(jì)算量、改善實(shí)時(shí)性，但容易將目標(biāo)區(qū)域和背景區(qū)域中的像素點(diǎn)錯(cuò)劃，造成圖像輪廓模糊，精確度低.

本研究提出一種新的灰度級(jí)壓縮方法. 通過分析試驗(yàn)材料灰度直方圖可知，含有白色異性纖維的皮棉圖像灰度值可分成3 個(gè)區(qū)間，即皮棉區(qū)間［174，179］、皮棉與白色異性纖維的重疊區(qū)間［180，195］及白色異性纖維區(qū)間［196，243］. 當(dāng)像素點(diǎn)的灰度值處于前兩個(gè)區(qū)間時(shí)顯然是皮棉或白色異性纖維，因此可以將這兩個(gè)區(qū)間分別壓縮為1個(gè)灰度級(jí). 而當(dāng)像素點(diǎn)的灰度值處于［180，195］時(shí)既可能是皮棉，又可能是白色異性纖維，為提高精度，該區(qū)間需壓縮為多級(jí). 根據(jù)現(xiàn)有的灰度共生矩陣算法應(yīng)用實(shí)例［16-18］，本研究將［180，195］等間距壓縮為4 級(jí). 最終將圖像的灰度級(jí)壓縮為6級(jí)，其中， ［174，179］ 壓縮為第0 級(jí)， ［180，183］為第1 級(jí)， ［184，187］為第2 級(jí)， ［188，191］為第3 級(jí)， ［192，195］為第4 級(jí)， ［196，243］為第5 級(jí).

雖然這樣壓縮后僅有6 級(jí)灰度級(jí)，但在皮棉與白色異性纖維灰度值重疊區(qū)域，只是將原始的4 級(jí)灰度級(jí)壓縮為1 個(gè)新灰度級(jí)，所取得的分割精度近似等同于傳統(tǒng)壓縮方式中64 級(jí)的分割精度，而計(jì)算量卻大幅減少.

2.4 θ 和d 對(duì)紋理特征參數(shù)的影響

若圖像具有明顯的方向性，則當(dāng)θ 取不同值時(shí)，紋理特征參數(shù)會(huì)存在一定差異. 而皮棉中異性纖維的出現(xiàn)是隨機(jī)、無方向性的，因此，為消除方向的影響，本研究取θ 在0°、45°、90°和135°的平均值作為紋理特征參數(shù).

圖2 四個(gè)紋理特征隨d 的變化趨勢(shì)Fig.2 Change trends of the four texture features with d

d 的取值影響紋理特征參數(shù)的準(zhǔn)確性. d 取值太小，無法反映物質(zhì)的紋理特性;d 取值太大，無法識(shí)別微小的異性纖維. 圖2 為含有各種不同白色異性纖維皮棉圖像的紋理特征參數(shù)隨著d 的變化趨勢(shì). 由圖2 可見，采用對(duì)比度和相關(guān)性區(qū)分白色異性纖維的總體效果并不好，尤其是相關(guān)性，存在很多交叉點(diǎn). 角二階距和熵均能區(qū)分是否含有異性纖維的圖像，含有異性纖維圖像的角二階距最大不超過0.6，不含異性纖維圖像的角二階距不小于0.8，其間距小于0.3;而對(duì)于熵來說，這個(gè)距離超過0.5，因此熵的區(qū)分性要好于角二階距，且隨d 增大，各條熵曲線的間距有漸增趨勢(shì)，當(dāng)d ＞3 后，其增大趨勢(shì)不很明顯. 因此，考慮到熵的區(qū)分性能以及對(duì)微小纖維的識(shí)別精度，本研究采用熵閥值法，d 取值為3.

3 結(jié)果及分析

本試驗(yàn)采用C#編程，分別按照一般的灰度級(jí)壓縮方法(等距壓縮為16 級(jí))和本研究提出的灰度級(jí)壓縮方法，對(duì)93 幅圖像(90 幅皮棉中混入異性纖維的圖像和3 幅不含異性纖維的皮棉圖像)進(jìn)行處理. 以3 幅不含異性纖維的皮棉圖像為例，首先分別按照兩種方法對(duì)圖像進(jìn)行壓縮，設(shè)d = 3，求取每幅圖像的灰度共生矩陣和4 個(gè)生成方向的4 個(gè)特征參數(shù)平均值;對(duì)每組圖像的每個(gè)特征參數(shù)，再求平均值，并將這些數(shù)值保留到小數(shù)點(diǎn)后3 位，統(tǒng)計(jì)整理，結(jié)果見表2 和表3.

表2 等距壓縮為16 級(jí)得到的灰度共生矩陣的特征參數(shù)Table 2 The feature parameters of GLCM after the gray level is compressed to 16

表3 本研究得到灰度共生矩陣的特征參數(shù)Table 3 The feature parameters of GLCM with the method proposed in this paper

由表2 可見，無異性纖維的皮棉圖像與含異性纖維的皮棉圖像的4 個(gè)特征參數(shù)值差異較大，可以通過灰度共生矩陣特征參數(shù)的閥值，對(duì)含有白色異性纖維的皮棉圖像進(jìn)行分割.

從表3 也可得到與表2 相同的結(jié)論，不含異性纖維的皮棉特征參數(shù)值與含有異性纖維的參數(shù)值差異更大、辨識(shí)異性纖維的效果更好. 對(duì)于兩種壓縮方式，變化最小的特征參數(shù)是相對(duì)性，從0.064 變到0.108，變化幅度為0.044;變化最大的是熵，從0.125 變到0.844，變化幅度為0.719，因此，可采用不等距壓縮、選用特征參數(shù)熵區(qū)分是否含有異性纖維.

根據(jù)以上分析，本研究選取熵閥值法對(duì)圖像進(jìn)行分割. 皮棉中的異性纖維都很細(xì)小，因此采用5×5 的滑動(dòng)窗口來遍歷每幅圖像，計(jì)算每個(gè)滑動(dòng)窗口的熵，將計(jì)算結(jié)果賦予窗口中心的像素點(diǎn)，并使其與熵閥值進(jìn)行比較，然后移動(dòng)一個(gè)像素點(diǎn)形成下一個(gè)小窗口. 依次重復(fù)計(jì)算每個(gè)小窗口的熵，并與熵閥值比較，最終得到分割圖像. 圖3 和表4 分別介紹利用2 維Otsu 算法、基于GLCM 的分割方法(灰度級(jí)等距壓縮為16 級(jí)，d = 3)、本研究算法(灰度級(jí)不等距分段壓縮為6 級(jí)，d = 3)的分割圖像、分割效果圖和所需時(shí)間.

圖3 不同算法的分割效果圖Fig.3 Segmentation results of different algorithms

由圖3 可見，在分割精度方面，等間距壓縮GLCM 算法和本研究算法的分割效果比傳統(tǒng)2 維Ostu 算法要好，因?yàn)閭鹘y(tǒng)2 維Ostu 算法分割圖像時(shí)的閾值使用像素點(diǎn)灰度值，當(dāng)像素點(diǎn)灰度值處于異性纖維與皮棉灰度值重疊區(qū)間時(shí)容易誤判. 本算法分割效果好于等間距壓縮GLCM 算法，因?yàn)樵诋愋岳w維與皮棉灰度值重疊區(qū)間［180，195］，等間距壓縮GLCM 算法壓縮為1 級(jí)，損失太多的原始圖像信息. 而本算法將灰度級(jí)壓縮為4 級(jí)，其壓縮后的精度遠(yuǎn)大于等間距壓縮GLCM 算法.

表4 不同分割方法的實(shí)時(shí)性Table 4 The real-time of different segmentation methods

由表4 可見，在分割時(shí)間方面，等間距壓縮GLCM 算法所需時(shí)間比2 維Ostu 算法長(zhǎng)，這是因?yàn)榛叶裙采仃嚥粌H考慮像素點(diǎn)的灰度值，還包含像素點(diǎn)間的空間信息，計(jì)算量較大，所以它的分割效果較好，但實(shí)時(shí)性較差. 本研究算法由于僅有6 級(jí)壓縮灰度級(jí)，所需計(jì)算時(shí)間大大縮短. 由此可知本研究算法既具有灰度共生矩陣的優(yōu)點(diǎn)，同時(shí)又根據(jù)皮棉和白色異性纖維的灰度值特點(diǎn)，對(duì)不重要的灰度值區(qū)間大幅壓縮，對(duì)重要的灰度值區(qū)間進(jìn)行細(xì)分，不僅有效減小計(jì)算量，而且提高重要灰度值區(qū)間的計(jì)算精度，大大縮短分割時(shí)間.

結(jié) 語

本研究表明:①通過對(duì)皮棉和白色異性纖維直方圖的分析得到皮棉的灰度值范圍［174，195］和白色異性纖維的灰度值范圍［180，243］;②根據(jù)皮棉白色異性纖維圖像的特點(diǎn)改進(jìn)灰度共生矩陣算法，特征參數(shù)取4 個(gè)方向的均值、生成步長(zhǎng)d =3、圖像不等距分段壓縮為6 級(jí)，與傳統(tǒng)壓縮為64級(jí)的分割精度近似相同，但比傳統(tǒng)壓縮為8 級(jí)的計(jì)算量小;③根據(jù)改進(jìn)后的灰度共生矩陣計(jì)算特征參數(shù)，發(fā)現(xiàn)角二階矩、對(duì)比度、相關(guān)性和熵這4 個(gè)特征值都可以用來區(qū)分皮棉與白色異性纖維，其中熵的區(qū)分效果最好;④提出基于改進(jìn)的灰度共生矩陣棉花異性纖維分割算法. 該算法在保證分割精度的基礎(chǔ)上比傳統(tǒng)的GLCM 算法具有更好的實(shí)時(shí)性，可準(zhǔn)確快速分割皮棉圖像中的白色異性纖維.

/References:

［1］FENG Xian-ying，REN Chang-zhi，HUANG Yan-yun. An inspecting system for foreign fibers based on machine vision ［J］. Journal of Shandong University Engineering Science，2006，36(4):5-8.(in Chinese)馮顯英，任長(zhǎng)志，黃燕云. 基于機(jī)器視覺的異性纖維檢測(cè)系統(tǒng)［J］. 山東大學(xué)學(xué)報(bào)工學(xué)版，2006，36(4):5-8.

［2］GUO Cai-xia，YUAN Jian-chang，JIN Shou-feng. Recognition algorithm of the foreign fibers in cotton by BP neural networks ［J］. Journal of Xi'an University of Engineering Science and Technology，2006，20(5):542-544. (in Chinese)郭彩霞，袁建暢，金守峰. 基于BP 網(wǎng)絡(luò)的棉花中異性纖維識(shí)別算法［J］. 西安工程科技學(xué)院學(xué)報(bào)，2006，20(5):542-544.

［3］ FENG Xian-ying，ZHANG Cheng-liang，YANG Bingsheng，et al. Foreign fiber recognition and detection algorithm based on RGB color space ［J］. Journal of Shandong University Engineering Science，2009，39(5):68-72.(in Chinese)馮顯英，張成梁，楊丙生，等. 基于RGB 顏色空間的異性纖維識(shí)別檢測(cè)算法［J］. 山東大學(xué)學(xué)報(bào)工學(xué)版，2009，39(5):68-72.

［4］YANG Wen-zhu，LI Dao-liang，WEI Xin-hua，et al. Toward image segmentation of foreign fibers in lint ［J］.Transactions of the Chinese Society for Agricultural Machinery，2009，40(3):156-160.(in Chinese)楊文柱，李道亮，魏新華，等. 棉花異性纖維圖像分割方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(3):156-160.

［5］YANG Wen-zhu，LI Dao-liang，WEI Xin-hua，et al. Selection of optimal band for detecting foreign fibers in lint cotton using spectroscopic analysis ［J］. Transactions of the CSAE，2009，25(10):186-192.(in Chinese)楊文柱，李道亮，魏新華，等. 基于光譜分析的棉花異性纖維最佳波段選擇方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25(10):186-192.

［6］Haralick R M. Statistical and structural approaches to texture ［J］. Proceedings of the IEEE，1979，67 (5):786-804.

［7］ Hernandez B，Olague G，Hammoud R，et al. Visual learning of texture descriptors for facial expression recognition in thermal imagery ［J］. Computer Vision and Image Understanding，2007，106(2):258-269.

［8］XIAO Wei-wei，ZHANG Li，ZHANG Ji-hong. A digital watermarking algorithm based on image texture ［J］. Journal of Shenzhen University Science and Engineering，2003，20(3):27-32.(in Chinese)肖薇薇，張 力，張基宏. 基于圖像紋理特性的數(shù)字水印算法［J］. 深圳大學(xué)學(xué)報(bào)理工版，2003，20(3):27-32.

［9］HUANG Jian-jun，YU Jian-ping. An approach to the selection of image segmentation algorithms ［J］. Journal of Shenzhen University Science and Engineering，2000，17(4):21-26.(in Chinese)黃建軍，喻建平. 一種圖像分割算法的選擇方法［J］. 深圳大學(xué)學(xué)報(bào)理工版，2000，17(4):21-26.

［10］SUN Jian-qing，WANG Gui-rong，HU Qiong，et al. Fast face detection combine both feature-based and image-based approach ［J］. Application Research of Computers，2008，25(1):294-296.(in Chinese)孫見青，汪榮貴，胡 瓊，等. 基于特征和基于圖像相結(jié)合的快速人臉檢測(cè)［J］. 計(jì)算機(jī)應(yīng)用研究，2008，25(1):294-296.

［11］SONG Tie-qun. Analysis of remote sensing image texture based on MATLAB ［J］. Geomatics ＆ Spatial Information Technology，2009，32(2):71-74.(in Chinese)宋鐵群. 基于MATLAB 的遙感影像紋理特征分析［J］. 測(cè)繪與空間地理信息，2009，32(2):71-74.

［12］WU Gang，TANG Zhen-min，CHENG Yong，et al. Object tracking method based on gray level co-occurrence matrix texture characteristic ［J］. Journal of Nanjing University of Science and Technology，2010，34(4):459-463. (in Chinese)吳 剛，唐振民，程 勇，等. 灰度共生矩陣紋理特征的運(yùn)動(dòng)目標(biāo)跟蹤方法［J］. 南京理工大學(xué)學(xué)報(bào)，2010，34(4):459-463.

［13］Clansi D A，Jernlgau M E. A fast method to determine cooccurrence texture features ［J］. IEEE Transactions on Geoscience and Remote Sensing，1998，36(1):298-300.

［14］Kandaswamy U，Adjeroh D A，Lee M C. Efficient texture analysis of SAR imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing，2005，3(9):2075-2083.

［15］ZHAO Ling-jun，QIN Yu-liang，GAO Gui，et al. Detection of built-up areas from high-resolution SAR images using the GLCM textural analysis ［J］. Journal of Remote Sensing，2009，13(3):475-490.(in Chinese)趙凌君，秦玉亮，高 貴，等. 利用GLCM 紋理分析的高分辨率SAR 圖像建筑區(qū)檢測(cè)［J］. 遙感學(xué)報(bào)，2009，13(3):475-490.

［16］Ulaby F T，Kouyate F，Brisco B，et a1. Textural information in SAR images ［J］. IEEE Transactions on Geoscience and Remote Sensing，1986，24(2):235-245.

［17］Baraldi A，Parmiggiani F. An investigation of the textual characteristics associated with gray level coocurance matrix statistical parameters ［J］. IEEE Transactions on Geoscience and Remote Sensing，1995，33(2):293-304.

［18］BO Hua，MA Fu-long，JIAO Li-cheng. Research on computation of GLCM of image texture ［J］. Acta Electronica Sinica，2006，34(1):155-158.(in Chinese)薄 華，馬縛龍，焦李成. 圖像紋理的灰度共生矩陣計(jì)算問題的分析［J］. 電子學(xué)報(bào)，2006，34(1):155-158.