師紅宇　管聲啟

摘要： 為了提高棉花異性纖維檢測(cè)準(zhǔn)確性及快速性，提出一種基于視覺(jué)數(shù)據(jù)驅(qū)動(dòng)的棉花異性纖維檢測(cè)新方法。首先，對(duì)采集棉花異性纖維圖像進(jìn)行小波金字塔多層分解，實(shí)現(xiàn)棉花異性纖維圖像中各信息的分離；然后使用meanshift算法平滑圖像，消除光照不均的干擾；在此基礎(chǔ)上，采用中央-周邊操作算子和融合操作構(gòu)建顯著圖，從而提高異性纖維的顯著度；最后，利用改進(jìn)的區(qū)域生長(zhǎng)法獲得目標(biāo)區(qū)域。文章采用視覺(jué)數(shù)據(jù)驅(qū)動(dòng)構(gòu)建的檢測(cè)模型，結(jié)構(gòu)簡(jiǎn)單、檢測(cè)速度快、準(zhǔn)確率高。實(shí)驗(yàn)結(jié)果表明，該檢測(cè)方法能夠有效實(shí)現(xiàn)棉花異性纖維的檢測(cè)，提高檢測(cè)準(zhǔn)確性和快速性，為棉花異性纖維自動(dòng)檢測(cè)提供一種新方法。

關(guān)鍵詞： 異性纖維；數(shù)據(jù)驅(qū)動(dòng)；顯著圖；meanshift算法；改進(jìn)的區(qū)域生長(zhǎng)法

中圖分類(lèi)號(hào)： TS101.91；TP391.41

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 10017003（2017）05003607

引用頁(yè)碼： 051107

Abstract： In order to improve the accuracy and rapidity of cotton foreign fiber detection， a new method based on visual data driven to detect cotton foreign fibers is proposed. Firstly， cotton foreign fiber image was decomposed into multiple layers by wavelet Pyramid， to achieve the separation of all kinds of information in the cotton foreign fiber image. Secondly， meanshift method was applied to smoothen the image so as to eliminate the interference of uneven light. On this basis， saliency map was constructed by centersurround operator and fusion operator， to improve saliency degree of cotton foreign fibers. Finally， the target area was obtained by using the improved region growing method. This detection model has the advantages of simple structure， fast detection speed and high accuracy. The experimental results show that the detection method can effectively detect the foreign fiber， and improve the detection accuracy and rapidity. This paper provides a new method for automatic detection of cotton foreign fibers.

Key words： foreign fibers； data driven； saliency map； meanshift algorithm； improved region growing method

棉花是紡織企業(yè)加工處理的原材料，在原棉加工處理過(guò)程中由于很多原因混入了多種異性纖維（棉花中的異性纖維是指混入棉花中非棉纖維和非本色纖維，如棉籽、棉殼、棉葉、毛發(fā)、塑料繩、染色線等），這些混入棉花中的異性纖維，在紡織加工中被碎成單纖維，對(duì)棉紗和布面的質(zhì)量造成了很大危害，難以清除[12]。因此，棉花異性纖維的檢測(cè)和剔除是紡織企業(yè)的一個(gè)重要必備環(huán)節(jié)。然而，目前對(duì)異性纖維的檢測(cè)主要還是采用人工檢測(cè)，而這種方法通常檢測(cè)效率低下，容易受檢測(cè)環(huán)境的影響[34]。

隨著機(jī)器視覺(jué)理論的發(fā)展，在棉花異性纖維檢測(cè)中引入機(jī)器視覺(jué)，使得異性纖維檢測(cè)的工作效率得到了改善，異性纖維檢出率提高了[56]。如王波[7]提出了基于多尺度小波的棉花異纖檢測(cè)算法；張南賓等[8]提出了一種基于小波變換的棉花異纖檢測(cè)算法；王昊鵬等[9]提出了一種基于改進(jìn)的粒子群多閥值的白色異性纖維檢測(cè)算法；杜玉紅等[10]提出了一種應(yīng)用聚類(lèi)統(tǒng)計(jì)分析的棉花異纖圖像檢測(cè)算法；W. Kiechl等[11]提出了一種棉花中白色丙綸異纖的檢測(cè)方法。這些棉花異性纖維檢測(cè)方法雖然取得了一定的成果，但對(duì)于那些低對(duì)比度的異性纖維，檢測(cè)準(zhǔn)確率比較低，某種具體算法往往只能適用某幾類(lèi)異性纖維的檢測(cè)，很難具有普適性[1213]。因此，本文提出了一種基于視覺(jué)數(shù)據(jù)驅(qū)動(dòng)的棉花異性纖維檢測(cè)新方法，將視覺(jué)注意機(jī)制引入到棉花異纖檢測(cè)中，將計(jì)算資源優(yōu)先分配給那些視覺(jué)感興趣區(qū)域，極大地提高了異纖的檢測(cè)效率。

視覺(jué)注意機(jī)制模型分為視覺(jué)數(shù)據(jù)驅(qū)動(dòng)模型和視覺(jué)任務(wù)驅(qū)動(dòng)模型兩種，其中視覺(jué)數(shù)據(jù)驅(qū)動(dòng)模型是一種自底向上注意機(jī)制模型，視覺(jué)任務(wù)驅(qū)動(dòng)模型是一種自頂向下注意機(jī)制模型。視覺(jué)數(shù)據(jù)驅(qū)動(dòng)模型可以在一定程度上模擬人類(lèi)視覺(jué)注意機(jī)制，該模型通過(guò)圖像底層特征驅(qū)動(dòng)，提高檢測(cè)目標(biāo)的顯著度而形成視覺(jué)注意。為了增強(qiáng)棉花中異性纖維顯著度，提高異性纖維檢測(cè)準(zhǔn)確率，本文采用視覺(jué)數(shù)據(jù)驅(qū)動(dòng)模型，構(gòu)建異性纖維的顯著圖，增大異性纖維與正常棉花纖維背景之間的對(duì)比度，來(lái)有效提高棉花異性纖維的檢測(cè)效果。

1棉花異性纖維檢測(cè)算法

1.1視覺(jué)數(shù)據(jù)驅(qū)動(dòng)模型的構(gòu)建

1.1.1Itti模型

Itti模型是一個(gè)典型的數(shù)據(jù)驅(qū)動(dòng)的視覺(jué)注意模型，是由Itti等人于1998年提出來(lái)的。Itti模型包括三個(gè)步驟：特征提取、顯著圖生成和注意焦點(diǎn)確定與轉(zhuǎn)移。該模型首先對(duì)原始圖像采用不同尺度求出顏色、亮度、方向上的特征圖，然后通過(guò)合并策略將這些特征圖整合成一副顯著圖，最后采用勝者為王（WAT）神經(jīng)網(wǎng)絡(luò)和禁止返回機(jī)制來(lái)引導(dǎo)注意轉(zhuǎn)移[14]。其流程如圖1所示。

由于Itti模型的提出并不是針對(duì)于某一個(gè)具體的應(yīng)用，所以不能直接用于異纖的檢測(cè)，而且Itti模型也存在一些缺陷，如顯著區(qū)與目標(biāo)區(qū)域有偏差、計(jì)算量較大、計(jì)算復(fù)雜度太高，不適合于現(xiàn)實(shí)應(yīng)用。

1.1.2Itti改進(jìn)模型的構(gòu)建

為了實(shí)現(xiàn)棉花異性纖維的檢測(cè)，增大棉花異性纖維與正常棉花纖維之間的對(duì)比度，本文在研究數(shù)據(jù)驅(qū)動(dòng)Itti模型基礎(chǔ)上，結(jié)合棉花特性，僅選擇灰度特征進(jìn)行分解；構(gòu)建Itti改進(jìn)模型[1517]，其模型如圖2所示。

通過(guò)圖1和圖2兩種模型對(duì)比，Itti改進(jìn)模型結(jié)構(gòu)簡(jiǎn)單、檢測(cè)速度快、準(zhǔn)確率高。該模型主要是采用數(shù)據(jù)驅(qū)動(dòng)實(shí)現(xiàn)棉花異性纖維信息的檢測(cè)，具有針對(duì)性，根據(jù)棉花異性纖維特性，僅選擇灰度特征進(jìn)行分解，計(jì)算量明顯降低，檢測(cè)速度快；其次，Itti模型只是標(biāo)記出注意焦點(diǎn)，Itti改進(jìn)模型不僅標(biāo)出了注意焦點(diǎn)，還采用改進(jìn)的區(qū)域生長(zhǎng)法對(duì)注意焦點(diǎn)進(jìn)行分割，獲取檢測(cè)目標(biāo)，準(zhǔn)確率高。

通過(guò)該模型能夠提高異性纖維的顯著度，其算法流程為：小波金字塔多層分解，meanshift平滑濾波，中央-周邊操作及融合，顯著圖異性纖維的分割。

1.2小波金字塔多層分解

小波具有多分辨率特征，能夠?qū)⒉煌l率的信息分解在不同圖層中，從而有利于提取各圖層信息。小波多層分解如下式所示：

細(xì)節(jié)子圖；HLi（x，y）表示垂直細(xì)節(jié)子圖；HHi（x，y）表示對(duì)角線細(xì)節(jié)子圖。

小波每次分解獲得反應(yīng)低頻信息的近似LL，垂直高頻信息的水平細(xì)節(jié)子圖LH，水平高頻信息的垂直細(xì)節(jié)子圖HL，水平及垂直高頻信息的對(duì)角線細(xì)節(jié)子圖HH；每次小波分解都進(jìn)行向下2抽樣，以保證子圖總尺寸相等，小波金字塔分解結(jié)構(gòu)如圖3（a）所示。由于棉花異性纖維主要以低頻的近似信息為主，因此，本文僅選用近似子圖LL進(jìn)行分解；采用小波三層分解，能夠?qū)崿F(xiàn)采樣數(shù)據(jù)中異性纖維信息與背景的分離，滿(mǎn)足實(shí)驗(yàn)的需求，所以本文選用DB2小波對(duì)棉花異性纖維進(jìn)行三層金字塔分解，近似子圖金字塔如圖3（b）所示。

1.3meanshift平滑圖像

為了減少光照干擾，采用meanshift算法對(duì)棉花異性纖維圖像的低頻部分進(jìn)行平滑處理，以消除光照不均的影響[18]。

如果在d維空間中設(shè)置n個(gè)樣本點(diǎn)，則meanshift矢量的一般形式定義如下：

Mh（x）=1k∑xi∈Sh（xi-x）（2）

式中：k是指在n個(gè)樣本點(diǎn)中落入Sh區(qū)域的個(gè)數(shù)；（xi-x）是一個(gè)集向量。

其中Sh是一組y，這是一個(gè)半徑為h的高維球面區(qū)域，定義如下：

Sh（x）=y：（y-x）T（y-x）≤h2（3）

通過(guò)meanshift矢量的一般形式可以獲得一種擴(kuò)展形式：

Mh（x）=∑ni=1GH（xi-x）w（xi）（xi-x）∑ni=1GH（xi-x）w（xi）（4）

式中：G（x）是一個(gè)單位內(nèi)核函數(shù)；H是一個(gè)正定對(duì)稱(chēng)d×d維矩陣；w（xi）是加權(quán)系數(shù)，其值不小于零。

其中GH定義如下：

GH（xi-x）=H-12G（H-12（xi-x））（5）

1.4棉花異性纖維顯著圖

1.4.1中央周邊操作算子

由于棉花異性纖維特征主要分布在低頻近似子圖中，因此采用下式對(duì)棉花異性纖維近似子圖進(jìn)行中央周邊差分操作，以提高異性纖維顯著度。

LL（ξ）=LL（s）ΘLL（c）（6）

式中：Θ為中央周邊差分操作；c代表中央尺度，s=c+ξ是周邊尺度；LL代表近似子圖；LL（ξ）代表近似差分子圖。

由于棉花異性纖維圖像進(jìn)行三層小波分解，對(duì)1層、2層近似子圖進(jìn)行中央周邊操作，2層、3層近似子圖進(jìn)行中央周邊操作，能夠增強(qiáng)采樣數(shù)據(jù)中異性纖維信息的顯著度，因此中央尺度c分別取1層近似子圖和2層近似子圖；周邊層s分別取2層近似子圖和3層近似子圖。

1.4.2子圖融合

對(duì)近似差分子圖進(jìn)行歸一化，然后采用下式進(jìn)行相加融合形成顯著子圖。

SLL=∑LL（ξ）（7）

式中：SLL表示面向異性纖維顯著圖。

1.5目標(biāo)生成

本文采用改進(jìn)的區(qū)域生長(zhǎng)法對(duì)棉花異性纖維顯著圖進(jìn)行分割，從而獲得檢測(cè)目標(biāo)。

從選定生長(zhǎng)點(diǎn)開(kāi)始，依據(jù)帶約束條件的生長(zhǎng)規(guī)則，按順序?qū)ιL(zhǎng)點(diǎn)附近的像素進(jìn)行一致性判斷，即判斷其3×3鄰域的灰度均值是否滿(mǎn)足一致性規(guī)則，滿(mǎn)足一致性條件的像素并入生長(zhǎng)區(qū)中，從而完成目標(biāo)的分割[19]。

設(shè)已生長(zhǎng)得到區(qū)域?yàn)镽，其灰度均值m和標(biāo)準(zhǔn)差σ作為衡量灰度一致性的特征量，其中m=1n∑（l，c）∈RSLL（l，c）和σ=1n∑（l，c）∈RSLL（l，c）-m2。

生長(zhǎng)點(diǎn)灰度均值為：

Gray（seed）=19（∑1j=-1∑1i=-1SLL（seedl+j，seedc+i））（8）

式中：seed表示待生長(zhǎng)的3×3鄰域內(nèi)像素點(diǎn)，SLL（seedl+j，seedc+i）表示3×3鄰域內(nèi)具體的一個(gè)像素點(diǎn)的灰度值，Gray（seed）表示3×3鄰域內(nèi)像素點(diǎn)灰度均值。

采用最大類(lèi)間方差法確定的最佳灰度閾值為T(mén)1，灰度變化閾值T2=1-σm×Tc，其中Tc是人為設(shè)定的反映生長(zhǎng)條件苛刻程度的量。

帶有約束條件的生長(zhǎng)規(guī)則定義如下：

|SLL（1，c）-m|≤T2

SLL（1，c）≤T1若Gray（seed）≤T1（約束條件）（9）

式中：SLL（1，c）=19∑i=l+1i=l-1∑j=c+1j=c-1SLL（i，j）。

2仿真實(shí)驗(yàn)與分析

2.1檢測(cè)效果分析

選取含有棉殼、紅色塑料、棉籽、棉葉、透明塑料、白色線頭等雜質(zhì)的樣本圖像來(lái)驗(yàn)證本文算法（Itti改進(jìn)算法）分割的準(zhǔn)確性。采用改進(jìn)的區(qū)域生長(zhǎng)法對(duì)本文模型的顯著圖進(jìn)行分割和目標(biāo)提取，分割效果如圖4所示。由圖4可以看出，本文推薦的方法能夠有效分割出各種異性纖維。

2.2檢測(cè)準(zhǔn)確率和快速性分析

本文算法的檢測(cè)準(zhǔn)確率規(guī)定圖像分割出異性纖維區(qū)域面積與人工標(biāo)記出異性纖維區(qū)域面積相差在10%之內(nèi)定為正確檢測(cè)，準(zhǔn)確率定義如下：

DA/%=NdefectNall×100（10）

式中：DA表示棉花異性纖維檢測(cè)準(zhǔn)確率，檢測(cè)準(zhǔn)確率越高，檢測(cè)效果越好；Nall表示含有異性纖維的檢測(cè)圖像的數(shù)量；Ndefect表示能夠被正確識(shí)別的含有異性纖維圖像的數(shù)量[20]。

本文實(shí)驗(yàn)方案的設(shè)計(jì)思想為：一是分析本文算法檢測(cè)的準(zhǔn)確率；二是客觀算法之間的比較實(shí)驗(yàn)，將本文算法與傳統(tǒng)經(jīng)典算法進(jìn)行對(duì)比實(shí)驗(yàn)；三是客觀算法與主觀算法的比較實(shí)驗(yàn)，將本文算法與人工檢測(cè)進(jìn)行對(duì)比實(shí)驗(yàn)。在實(shí)驗(yàn)過(guò)程中，為了驗(yàn)證本文算法的準(zhǔn)確率和快速性，本文選取含有棉殼、紅色塑料、棉籽、棉葉、透明塑料、白色線頭等雜質(zhì)的樣本圖像各100幅，大小為256（像素）×256（像素），進(jìn)行實(shí)驗(yàn)分析。

2.2.1本文算法檢測(cè)準(zhǔn)確率

根據(jù)本文檢測(cè)準(zhǔn)確率規(guī)定，樣本數(shù)據(jù)分割出的區(qū)域面積計(jì)算結(jié)果落在（-0.1，0.1）區(qū)間內(nèi)即為正確檢測(cè)，否則認(rèn)為是誤檢。其中計(jì)算結(jié)果落在（-0.1，0）區(qū)間內(nèi)，表示圖像分割出的區(qū)域面積小于人工標(biāo)記的區(qū)域面積；計(jì)算結(jié)果落在（0，0.1）區(qū)間內(nèi)，表示圖像分割出的區(qū)域面積大于人工標(biāo)記的區(qū)域面積。選取上述樣本圖像各100幅，分析并統(tǒng)計(jì)本文算法的準(zhǔn)確率，實(shí)驗(yàn)結(jié)果如圖5所示。

由圖5分析可知，本文算法檢測(cè)準(zhǔn)確率整體較高，特別是異性纖維圖像與背景圖像對(duì)比度越大，如紅色塑料、棉殼、棉籽等，其檢出準(zhǔn)確率越高；而異性纖維圖像與背景圖像對(duì)比度較小，如透明塑料、白色線頭等，其檢出準(zhǔn)確率相對(duì)較低，但是也達(dá)到了90%以上。因此，本文采用視覺(jué)數(shù)據(jù)驅(qū)動(dòng)模型，增大異性纖維與正常棉花纖維背景之間的對(duì)比度，其檢測(cè)準(zhǔn)確率高。

2.2.2本文算法與傳統(tǒng)經(jīng)典算法的比較

2.2.2.1準(zhǔn)確率分析

選取上述樣本圖像各100幅，分別采用本文算法、ST算法[21]、SR算法[22]和Itti算法進(jìn)行準(zhǔn)確率檢測(cè)實(shí)驗(yàn)。為了進(jìn)行相關(guān)實(shí)驗(yàn)，Itti算法采用最大類(lèi)間方差法實(shí)現(xiàn)對(duì)目標(biāo)區(qū)域的分割，實(shí)驗(yàn)結(jié)果如表1所示。

通過(guò)對(duì)表1分析可知，Itti算法和SR算法檢測(cè)準(zhǔn)確率相對(duì)較低，很難滿(mǎn)足異性纖維在線檢測(cè)的要求。ST算法檢測(cè)準(zhǔn)確率波動(dòng)較大，對(duì)于對(duì)比度較高的異性纖維檢測(cè)準(zhǔn)確率較高，對(duì)比度較小的異性纖維檢測(cè)準(zhǔn)確率較低，檢測(cè)普適性較差。本文算法檢測(cè)準(zhǔn)確率整體較高，含有紅色塑料、棉殼、棉籽等雜質(zhì)的圖像的檢出率較高，那是因?yàn)楸尘皥D像與異性纖維圖像對(duì)比度較大，目標(biāo)區(qū)域容易分割；含有透明塑料、白色線頭等雜質(zhì)的圖像檢出率相對(duì)較低，可能的原因是背景圖像與異性纖維圖像對(duì)比度較小，或者異性纖維在棉層中的位置較深，目標(biāo)區(qū)域分割較難。雖然如此，但檢出率也達(dá)到了90%以上?？傮w而言，本文算法檢測(cè)準(zhǔn)確率比較高，其范圍分布在90%～98%，說(shuō)明本文算法檢測(cè)具有普適性。

2.2.2.2快速性分析

選取上述樣本圖像各100幅，分別采用本文算法、ST算法、SR算法和Itti算法進(jìn)行快速性檢測(cè)實(shí)驗(yàn)，結(jié)果如表2所示。

通過(guò)對(duì)表2分析可知，本文算法各類(lèi)樣本的平均檢測(cè)速度都在180ms左右，要明顯優(yōu)于Itti算法和ST算法；SR算法的檢測(cè)速度雖然也較快，但相比之下，本文算法的檢測(cè)速度更快一些。由于棉花異性纖維主要以低頻的近似信息為主，本文僅選用近似子圖LL進(jìn)行分解。因此，本文算法的速度更快，整體優(yōu)于Itti、ST和SR算法。

2.2.3本文算法與人工檢測(cè)算法的比較

為了驗(yàn)證本文算法代替人工檢測(cè)的可能性，將本文算法與人工檢測(cè)進(jìn)行對(duì)比實(shí)驗(yàn)。當(dāng)人工檢測(cè)時(shí)，需選擇3名經(jīng)過(guò)培訓(xùn)的檢驗(yàn)人員進(jìn)行人工檢測(cè)；當(dāng)3名檢驗(yàn)人員檢驗(yàn)結(jié)果不一致時(shí)，采用少數(shù)服從多數(shù)原則進(jìn)行結(jié)果認(rèn)定；當(dāng)3名檢驗(yàn)人員檢驗(yàn)結(jié)果互不一致時(shí)，認(rèn)定此幅圖檢驗(yàn)結(jié)果無(wú)效。

實(shí)驗(yàn)時(shí)，選取上述樣本圖像各100幅，分別采用本文算法和人工檢測(cè)進(jìn)行準(zhǔn)確率和快速性檢測(cè)實(shí)驗(yàn)，結(jié)果如表3所示。

通過(guò)對(duì)表3分析可知：樣本中對(duì)比度較高的異性纖維圖像，二者檢測(cè)準(zhǔn)確率都較高，但相比之下本文算法更高一些。對(duì)比度較低的異性纖維圖像，如透明塑料，人工檢測(cè)準(zhǔn)確率雖然也較高，耗時(shí)卻比其他異性纖維增長(zhǎng)較多；白色線頭，人工檢測(cè)速度雖然有所提高，但是檢測(cè)準(zhǔn)確率又較低?？偠灾?，人工檢測(cè)總是以犧牲準(zhǔn)確率或快速性為代價(jià)的；而本文算法對(duì)于任何纖維的時(shí)間開(kāi)銷(xiāo)變化很小，檢測(cè)準(zhǔn)確率高，波動(dòng)小。主要原因在于：對(duì)于任何一種異性纖維，本文算法的計(jì)算量基本不變導(dǎo)致耗時(shí)變化不大；采用提高異性纖維對(duì)比度的方法，能夠有效的提高低顯著性異性纖維檢測(cè)準(zhǔn)確率。

因此，本文推薦的方法能夠代替人工視覺(jué)檢測(cè)。

3結(jié)論

為了提高棉花異性纖維檢測(cè)的準(zhǔn)確性和快速性，本文提出了一種基于視覺(jué)數(shù)據(jù)驅(qū)動(dòng)的棉花異性纖維檢測(cè)方法。通過(guò)小波金字塔多層分解、meanshift平滑濾波、中央周邊操作、差分子圖融合形成顯著圖，以提高異性纖維顯著度；然后，采用改進(jìn)的區(qū)域生長(zhǎng)法能準(zhǔn)確分割出棉花中的異性纖維。本文采用視覺(jué)數(shù)據(jù)驅(qū)動(dòng)構(gòu)建的檢測(cè)模型，結(jié)構(gòu)簡(jiǎn)單、檢測(cè)速度快、準(zhǔn)確率高。實(shí)驗(yàn)結(jié)果表明：本文方法與傳統(tǒng)經(jīng)典ST、SR和Itti算法相比，檢測(cè)準(zhǔn)確率較高，尤其對(duì)低對(duì)比度的異性纖維檢測(cè)時(shí)，表現(xiàn)良好的魯棒性；本文方法與人工檢測(cè)對(duì)比，具有檢測(cè)時(shí)間少、檢測(cè)準(zhǔn)確率高的特點(diǎn)；本文檢測(cè)方法為棉花異性纖維檢測(cè)提供了一種新方法。

參考文獻(xiàn)：

[1]STEILZ H M. ITMF Cotton Contamination Survey 1999[M]. Cotton Conf in Texas： USA，2000：6367.

[2]姚穆.關(guān)于中國(guó)“紡織質(zhì)量”之淺見(jiàn)[J].中國(guó)紡織，2016（2）：33.

YAO Mu. A review on “China textile quality”[J]. China Textile，2016（2）：33.

[3]汪雪野，謝標(biāo).全球有機(jī)棉發(fā)展現(xiàn)狀及展望[J].江蘇農(nóng)業(yè)科學(xué)，2016，44（1）：2125.

WANG Xueye， XIE Biao. Development status and prospect of organic cotton in the world[J]. Jiangsu Agricultural Sciences，2016，44（1）：2125.

[4]石庚堯.淺談異纖纖維撿出裝置[J].北京紡織，2003，24（3）：5153.

SHI Gengyao. Discussion of foreign fibers dection device[J]. Beijing Textile Journal，2003，24（3）：5153.

[5]TANTASWADI P， VILAINATRE J， TAMAREE N. Machine vision for automated visual inspection of cotton quality in textile industry using color iso discrimination contour[J]. Computers and Industrial Engineering，1999，37（12）：347350.

[6]郭俊先，應(yīng)義斌.皮棉中雜質(zhì)檢測(cè)技術(shù)與檢出裝備的研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（7）：107113.

GUO Junxian， YING Yibin. Progress on detecting technique and sorter of raw cotton foreign matters[J]. Transactions of the Chinese Society for Agricultural Machinery，2008，39（7）：107113.

[7]王波.基于多尺度小波的棉花異纖檢測(cè)算法[J].控制工程，2009，16（S1）：173175.

WANG Bo. Foreign fiber detection arithmetic based on multiscale wavelet[J]. Control Engineering of China，2009，16（S1）：173175.

[8]張南賓，劉小平.基于小波變換的棉花異纖檢測(cè)算法研究[J].計(jì)算機(jī)仿真，2012，29（4）：301304.

ZHANG Nanbin， LIU Xiaoping. Research on foreign fiber detection algorithm based on wavelet transform[J]. Computer Simulation，2012，29（4）：301304.

[9]王昊鵬，馮顯英，王娜，等.基于改進(jìn)的粒子群多閥值算法的白色異性纖維檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（23）：153158.

WANG Haopeng， FENG Xianying， WANG Na， et al. Detection of white foreign fibers based on improved particle swarm algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering，2013，29（23）：153158.

[10]杜玉紅，王加富，蔣秀明，等.應(yīng)用聚類(lèi)統(tǒng)計(jì)分析的棉花異纖圖形檢測(cè)算法[J].紡織學(xué)報(bào)，2015，36（3）：135139.

DU Yuhong， WANG Jiafu， JIANG Xiuming， et al. Algorithm for pattern detection of cotton foreign fibers based on cluster statistic analysis[J]. Journal of Textile Research，2015，36（3）：135139.

[11]KIECHL W，朱鵬程.棉花中白色丙綸異纖的檢測(cè)方法[J].國(guó)際紡織導(dǎo)報(bào)，2015，43（6）：6162.

KIECHL W， ZHU Pengcheng. Concept for fighting white polypropylene in cotton[J]. Melliand China，2015，43（6）：6162.

[12]師紅宇，管聲啟，吳寧.棉花中異性纖維的圖像多分辨率差分檢測(cè)方法[J].紡織學(xué)報(bào)，2014，35（5）：1318.

SHI Hongyu， GUAN Shengqi， WU Ning. Detection of foreign fibers among cotton based on image multiresolution difference method[J]. Journal of Textile Research，2014，35（5）：1318.

[13]師紅宇，管聲啟.基于視覺(jué)注意計(jì)算模型的棉花異性纖維檢測(cè)[J].東華大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，42（3）：400405.

SHI Hongyu， GUAN Shengqi. Cotton foreign fibers detection based on visual attention computational model[J]. Journal of Donghua University （Natural Science），2016，42（3）：400405.

[14]GAO Ke， LIN Shouxun， ZhANG Yongdong. Attention model based SIFT keypoints filtration for image retrieval[C]//Proc of 7th IEEE/ACIS International Conference on Computer and Information Science，2008：191196.

[15]ITTI L. Models of Bottomup and Topdown Visual Attention[D]. California： California Institute of Technology，2000：1034.

[16]張鵬，王潤(rùn)生.由底向上視覺(jué)注意中的層次性數(shù)據(jù)競(jìng)爭(zhēng)[J].計(jì)算機(jī)輔助設(shè)計(jì)與計(jì)算機(jī)圖形學(xué)學(xué)報(bào)，2005，17（8）：16671672.

ZHANG Peng， WANG Runsheng. Hierarchical data competition in the bottomup visual attention system[J]. Journal of Computer Aided Design & Computer Graphics，2005，17（8）：16671672.

[17]WALTHER D， RUTISHAUSER U， KOCH C， et al. Selective visual attention enables learning and recognition of multiple objects in cluttered scenes[J]. Computer Vision and Image Understanding，2005，100（1/2）：4163.

[18]趙海英，張小利，李雄飛，等.基于多尺度Meanshift圖像去噪算法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2014，44（5）：14171422.

ZHAO Haiying， ZHANG Xiaoli， LI Xiongfei， et al. Image denoising algorithm based on multiscale meanshift[J]. Journal of Jilin University （Engineering and Technology Edition），2014，44（5）：14171422.

[19]張玲，郭磊民，何偉，等.一種基于最大類(lèi)間方差和區(qū)域生長(zhǎng)的圖像分割法[J].信息與電子工程，2005，3（2）：9196.

ZHANG Ling， GUO Leimin， HE Wei， et al. An image segmentation algorithm based on maximal variance betweenclass and region growing[J]. Information and Electronic Engineering，2005，3（2）：9196.

[20]GUAN Shengqi， GAO Zhaoyuan. Fabric defect image segmentation based on the visual attention mechanism of the wavelet domain [J]. Textile Research Journal，2014，84（10）：10181033.

[21]WALTHER D， KOCH C. Modeling attention to salient proto objects[J]. Neural Netw，2006，19：13951407.

[22]HOU X， ZHANG L. Saliency detection： a spectral residual approach[C]// IEEE Conference on Computer Vision and Pattern Recognition，2007：18.