陳曉春， 張彥彬,2， 彭 虎,3， 陳 翔,3， 褚乃清

(1. 深圳清華大學(xué)研究院 電子設(shè)計(jì)自動(dòng)化實(shí)驗(yàn)室， 廣東 深圳 518057; 2. 哈爾濱工業(yè)大學(xué)(深圳)， 廣東 深圳 518055; 3. 中山大學(xué)， 廣東 廣州 510275； 4. 深圳出入境檢驗(yàn)檢疫局 工業(yè)品檢測(cè)技術(shù)中心， 廣東 深圳 518045)

重疊纖類圖像的凹點(diǎn)匹配和分割算法

陳曉春1， 張彥彬1,2， 彭 虎1,3， 陳 翔1,3， 褚乃清4

(1. 深圳清華大學(xué)研究院 電子設(shè)計(jì)自動(dòng)化實(shí)驗(yàn)室， 廣東 深圳 518057; 2. 哈爾濱工業(yè)大學(xué)(深圳)， 廣東 深圳 518055; 3. 中山大學(xué)， 廣東 廣州 510275； 4. 深圳出入境檢驗(yàn)檢疫局 工業(yè)品檢測(cè)技術(shù)中心， 廣東 深圳 518045)

為解決混紡纖維類圖像中多根纖維的分離和識(shí)別難題，提出一種基于凹點(diǎn)匹配的新方案來實(shí)現(xiàn)重疊纖維分割。在圖像輪廓尋找角點(diǎn)，利用三角形矢量面積法找到角點(diǎn)中包含的凹點(diǎn)；通過凹點(diǎn)、該凹點(diǎn)的前繼點(diǎn)(或后繼點(diǎn))和目標(biāo)凹點(diǎn)構(gòu)成的三角形，結(jié)合凹點(diǎn)的幾何特征來判斷該凹點(diǎn)和目標(biāo)凹點(diǎn)是否匹配；通過將匹配凹點(diǎn)連線來實(shí)現(xiàn)圖像中的纖維分割。與現(xiàn)有分割算法相比，新方法采用了凹點(diǎn)距離和三角形構(gòu)造原理相結(jié)合的機(jī)制來實(shí)現(xiàn)匹配。結(jié)果表明，該算法可適用于多根纖維相互黏連或交叉的復(fù)雜場(chǎng)景，且有較高的分割精度。

圖像分割; 重疊纖維; 角點(diǎn); 矢量三角形面積; 凹點(diǎn)匹配

目前國(guó)內(nèi)出入境檢驗(yàn)檢疫單位對(duì)混紡纖維的識(shí)別，一般由工程師通過顯微鏡放大樣品圖像后人工判斷來實(shí)現(xiàn)，不僅耗費(fèi)大量人力，而且效率低下，有較高的自動(dòng)化識(shí)別技術(shù)需求?，F(xiàn)有智能化纖維識(shí)別技術(shù)大都依賴于多項(xiàng)特征指標(biāo)提取，如棉纖維的縱向和橫截面特征，或通過提取纖維寬度并測(cè)量縱向?qū)挾茸兓鳛樘卣鲄?shù)[1-2]。這些指標(biāo)往往基于對(duì)單根纖維的精確測(cè)量，但實(shí)際檢測(cè)中所獲取的樣本圖片中往往存在多根纖維交叉和黏連現(xiàn)象，因此研究如何對(duì)重疊圖像分割是首要解決的問題[3-4]。

傳統(tǒng)的纖維圖像分割方法有形態(tài)學(xué)圖像處理方法[5]、分水嶺方法[6]及基于交叉處各分支斜率的分離方法[7]等。數(shù)學(xué)形態(tài)學(xué)方法通過膨脹腐蝕獲取纖維的輪廓邊緣曲線，但是膨脹和腐蝕的次數(shù)需要人工指定，不僅效率低并且有一定的誤差存在。分水嶺方法雖計(jì)算簡(jiǎn)單且精度高，但對(duì)噪聲過于敏感，往往產(chǎn)生嚴(yán)重的過分割結(jié)果?；诮徊娣种甭实姆椒ㄓ孟嘟倪吘壭甭蔬M(jìn)行匹配，但僅對(duì)3根以內(nèi)的交叉纖維分割的正確率較高，故此類方法在實(shí)際的纖維重疊圖像中并不實(shí)用。

本文研究提出一種基于輪廓凹點(diǎn)匹配的分割方法，利用纖維重疊區(qū)域所產(chǎn)生的凸多邊形特性與輪廓凹點(diǎn)之間的關(guān)聯(lián)性對(duì)凹點(diǎn)匹配，用匹配上的凹點(diǎn)對(duì)重疊纖維圖像分割。結(jié)果表明，本文算法可在不改變纖維輪廓特征的前提下，快速實(shí)現(xiàn)纖維自動(dòng)化分割。

1 前期處理

1.1圖像預(yù)處理

光學(xué)顯微鏡拍攝的纖維圖像存在亮度不均以及放大后的邊緣模糊等現(xiàn)象，影響了圖像在輸出時(shí)的正確性。而且纖維輪廓圖像的數(shù)字化誤差和噪聲的影響會(huì)造成輪廓線不平滑和灰度深淺不一等現(xiàn)象，這樣會(huì)導(dǎo)致最終得到的輪廓線不連續(xù)，因此首先要對(duì)纖維圖像去噪[8-9]及平滑處理輪廓曲線，使得纖維的圖像信息可準(zhǔn)確再現(xiàn)。

采用B樣條曲面擬合[10]與復(fù)數(shù)域?yàn)V波方法[11]對(duì)顯微鏡下拍攝的纖維圖像進(jìn)行預(yù)處理。在最小二乘法準(zhǔn)則的約束下，采用雙三次B樣條曲面擬合得到圖像背景，用原始纖維圖像減去擬合背景得到目標(biāo)圖像，達(dá)到去除圖像背景和解決光照不均的效果；采用復(fù)數(shù)域非線性各向異性擴(kuò)散濾波，可在消除圖像噪聲的同時(shí)，保證邊緣信息的完整性。再對(duì)目標(biāo)圖像進(jìn)行二值邊緣提取，對(duì)二值化后的圖像進(jìn)行形態(tài)學(xué)運(yùn)算及纖維內(nèi)部填充處理，其中包括5次復(fù)域非線性各向異性擴(kuò)散濾波迭代處理。處理過程如圖1(a)～(d)所示。經(jīng)過以上處理可得到邊緣較為光滑的纖維二值圖像，如圖1(e)所示。為獲取輪廓角點(diǎn)再對(duì)其進(jìn)行二值輪廓提取，結(jié)果如圖1(f)所示。

圖1 圖像預(yù)處理Fig.1 Image preprocessing. (a) Original image; (b) B-spline surface fitting;(c) Real domain; (d) Complex domain;(e) Fiber binary image; (f) Fiber contour image

1.2輪廓角點(diǎn)的提取

角點(diǎn)即圖像輪廓曲線的曲率極大值點(diǎn)。對(duì)于連續(xù)的曲線，可直接利用數(shù)學(xué)上的定義來計(jì)算其曲率，而數(shù)字曲線由一組離散整數(shù)坐標(biāo)點(diǎn)組成，因其離散特性，不能直接計(jì)算輪廓曲線上各像素點(diǎn)的曲率，故需采用離散曲率計(jì)算公式來計(jì)算各像素點(diǎn)的曲率值大小。常用的離散曲率計(jì)算方法有增量曲率[12]、點(diǎn)到弦距離累加[13]、K余弦曲率[14-15]等。

K余弦曲率算法作為計(jì)算離散曲率最著名的方法之一，至今仍被廣為使用。將第t條輪廓曲線表示為

Lt={Pi(xi,yi)|i=1,2,3,…,n}

(1)

式中：n為第t條輪廓線上輪廓點(diǎn)的個(gè)數(shù)。如圖2中輪廓曲線，取點(diǎn)Pi(xi,yi)，在該點(diǎn)取前、后第k個(gè)像素點(diǎn)坐標(biāo)Pi-k(xi-k,yi-k)和Pi+k(xi+k,yi+k)，令

αi(k)=(xi-xi-k,yi-yi-k)

βi(k)=(xi-xi+k,yi-yi+k)

設(shè)點(diǎn)Pi的2個(gè)向量αi(k)、βi(k)夾角余弦值為

(2)

在Pi兩側(cè)計(jì)算曲線上所有點(diǎn)與Pi形成的向量夾角的余弦值并進(jìn)行比較，找出余弦值最大的夾角，其余弦值記作Cmax，記錄下當(dāng)前K值記作KM。滿足Ci+KM(K)具有最大的余弦值。曲率的極大值點(diǎn)應(yīng)滿足余弦值極大。設(shè)定閾值CT，擁有余弦值超過CT的點(diǎn)認(rèn)為是曲率極大值點(diǎn)，即輪廓曲線上的角點(diǎn)。由此便完成了角點(diǎn)的提取工作。

圖2 K余弦曲率算法Fig.2 K-Cosine curvature algorithm

1.3輪廓凹點(diǎn)的確定

輪廓角點(diǎn)分為凸點(diǎn)和凹點(diǎn)2類，采用矢量三角形面積法來確定邊界上的凹點(diǎn)。

由圖像拐點(diǎn)Pi(x0,y0)與該點(diǎn)相距m個(gè)像素的前繼點(diǎn)Pi-m(x1,y1)和后繼點(diǎn)Pi+m(x2,y2)圍成一個(gè)矢量三角形，利用式(3)計(jì)算此三角形面積Si。

(3)

本文研究中輪廓點(diǎn)的坐標(biāo)按逆時(shí)針存儲(chǔ)，如果角點(diǎn)Pi與其前繼點(diǎn)和后繼點(diǎn)圍成的三角形的面積Si<0，那么可判斷該角點(diǎn)為凹點(diǎn)，如圖3(a)所示；如果Si>0，可判斷該角點(diǎn)Pi為凸點(diǎn)，如圖3(b)所示。由該方法提取的凹點(diǎn)集合按序存放到數(shù)組集中。

圖3 矢量三角形面積法Fig.3 Vector triangle area method

2 凹點(diǎn)匹配算法描述

2.1算法流程

對(duì)于交叉型的纖維重疊區(qū)域通常有4個(gè)凹點(diǎn)，黏連型通常有2個(gè)凹點(diǎn)。本文提出凹點(diǎn)匹配的新算法，可將纖維交叉、黏連處的凹點(diǎn)匹配，通過在二值圖中將匹配上的凹點(diǎn)相連，達(dá)到分離重疊纖維的目的。算法的主要流程如下所述。

步驟1：從凹點(diǎn)集中的第1個(gè)凹點(diǎn)開始依次判斷，為每個(gè)凹點(diǎn)找到其匹配凹點(diǎn)。假設(shè)當(dāng)前凹點(diǎn)為Pi，首先找到它在輪廓線上的坐標(biāo)和序號(hào)；然后對(duì)所有其他輪廓凹點(diǎn)Pj(j≠i)進(jìn)行匹配判斷。若Pi和Pj之間存在其他角點(diǎn)，則它們可能為匹配凹點(diǎn)，進(jìn)行第2步判斷；否則認(rèn)為匹配不成功，繼續(xù)與下一個(gè)凹點(diǎn)Pj+1進(jìn)行匹配判斷。

步驟2：若Pi和Pj連線的中點(diǎn)在纖維的輪廓曲線內(nèi)部，繼續(xù)進(jìn)行第3步判斷；否則，認(rèn)為匹配不成功，繼續(xù)與下一個(gè)凹點(diǎn)進(jìn)行匹配判斷。

步驟3：設(shè)當(dāng)前檢測(cè)凹點(diǎn)為Pi(x,y)，Pi-m(xi-m,yi-m)和Pi+m(xi+m,yi+m)分別是與Pi等間距的前繼點(diǎn)和后繼點(diǎn)。首先讓Pi、Pi-m和Pj構(gòu)成三角形△PiPi-mPj；計(jì)算Pi與Pi-m的距離D1，Pi與Pj的距離D2及Pi-m與Pj的距離D3。若滿足：

0≤(D1+D2)-D3

(4)

認(rèn)為Pi與Pj匹配成功，將Pi與Pj存進(jìn)匹配數(shù)組match1。式(4)中，T為線性判斷閾值，本文中T取2。同樣對(duì)于后繼點(diǎn)Pi+m可構(gòu)造三角形△PiPi+mPj,計(jì)算相應(yīng)距離。若也能得到類似上式結(jié)果，則認(rèn)為Pi與Pj匹配成功，將Pi與Pj存進(jìn)匹配數(shù)組match2。由條件約束，上式僅有1個(gè)成立。若都不成立，認(rèn)為匹配不成功，繼續(xù)與下一個(gè)凹點(diǎn)進(jìn)行匹配判斷。

步驟4：重復(fù)以上步驟遍歷所有凹點(diǎn)，即可將所有凹點(diǎn)進(jìn)行匹配。

在上述匹配過程中，存在同一個(gè)凹點(diǎn)與多個(gè)凹點(diǎn)均滿足匹配條件的可能性，保留其中距離最近的一組凹點(diǎn)作匹配結(jié)果。最后將match1與match 2結(jié)合作為凹點(diǎn)的最終匹配結(jié)果。

2.2算法說明

由纖維的輪廓特征可看出，每根纖維的外輪廓都是一個(gè)凸多邊形。由計(jì)算機(jī)圖形學(xué)可知，對(duì)任意凸多邊形滿足：

1)凸多邊形所有頂點(diǎn)均為凸點(diǎn)，即所有內(nèi)角小于180°。即對(duì)凸多邊形內(nèi)任意一個(gè)內(nèi)角α滿足：

α<180°

(5)

2)設(shè)Pi、Pj為凸多邊形上的任意2個(gè)頂點(diǎn)，在其內(nèi)部取點(diǎn)PM，若滿足：

PM=ηPi+(1-η)Pj

(6)

則PM必落在該凸多邊形內(nèi)部，式中0≤η≤1。

對(duì)于步驟1：顯然平面上給定2個(gè)凸多邊形，其交集仍是一個(gè)凸多邊形。故2個(gè)纖維輪廓交疊在一起的重疊部分為一個(gè)凸多邊形，其頂點(diǎn)中的交叉點(diǎn)即為纖維的輪廓凹點(diǎn)。由于相鄰2個(gè)凹點(diǎn)之間的輪廓曲線上包含著至少1個(gè)凸多邊形邊界，由此纖維重疊位置處屬于同一輪廓曲線的相鄰2個(gè)凹點(diǎn)之間存在至少1個(gè)凸點(diǎn)。

對(duì)于步驟2：常用的點(diǎn)與多邊形的關(guān)系判斷方法有差積判別法、夾角法和射線法等[16]。由式(6)可知，任意2個(gè)凹點(diǎn)連線中點(diǎn)必在纖維重疊區(qū)內(nèi)部。纖維的二值圖像可表示為

(7)

式中Tb為二值化閾值。

對(duì)同一重疊區(qū)任意2個(gè)凹點(diǎn)A(xa,ya)與B(xb,yb)，它們的連線中點(diǎn)滿足：

(8)

對(duì)于步驟3：三角形是由同一平面內(nèi)不在同一直線上的3個(gè)頂點(diǎn)順次連接所組成的封閉圖形。運(yùn)用這個(gè)性質(zhì)對(duì)凹點(diǎn)進(jìn)行匹配判斷。若2個(gè)凹點(diǎn)Pi與Pj(i≠j)在同一根纖維邊緣輪廓上，由于纖維的邊緣輪廓曲率較為平緩，它們的連線與纖維邊緣輪廓線幾乎重合，接近于直線。在Pi、Pj所在纖維輪廓，取與Pi相差m個(gè)像素(本文取m=10)的前繼點(diǎn)Pi-m，則Pi-m、Pi、Pj在同一直線上，滿足：

0≤(|Pi-mPi|+|PiPj|)-|Pi-mPj|

(9)

若Pi、Pj不在同一根纖維輪廓上，則Pi-m、Pi、Pj不在同一直線上，滿足：

(|Pi-mPi|+|PiPj|)-|Pi-mPj|>T

(10)

再取與Pi相差m個(gè)像素的后繼點(diǎn)Pi+m，用同樣的方法可將Pi的另一個(gè)相匹配的凹點(diǎn)找到。

如圖4所示,{P1，P2}和{P1，P4}是屬于同一根纖維的同側(cè)輪廓線上的2對(duì)匹配點(diǎn)，{P1，P3}不是匹配點(diǎn)。以凹點(diǎn)P1為例說明其匹配過程：在P1左側(cè)取相差10個(gè)像素的前繼點(diǎn)PL，右側(cè)取同樣距離的后繼點(diǎn)PR。構(gòu)造三角形△P1PLP2，由于PL、P1、P2這3個(gè)點(diǎn)在同一纖維輪廓上，故3點(diǎn)滿足：0≤(|PLP1|+|P1P2|)-|PLP2|<2。其他輪廓凹點(diǎn)P3、P4與P1和其前繼點(diǎn)PL均不在同一直線上，所以P3滿足：|PLP1|+|P1P3|-|PLP3|>2，同理P4滿足：|PLP1|+|P1P4|-|PLP4|>2。由此可見前繼點(diǎn)PL的引入使得P1找到了與其相匹配的輪廓凹點(diǎn)P2。同理后繼點(diǎn)PR的引入使P1找到另一個(gè)匹配凹點(diǎn)P4。

圖4 匹配過程Fig.4 Matching process

3 實(shí)驗(yàn)及結(jié)果分析

3.1分割情況分析

仿真實(shí)驗(yàn)在MatLab編譯環(huán)境下完成，圖5(a)示出4根纖維的準(zhǔn)確分割過程，圖5(b)、(c)分別展示了由凹點(diǎn)匹配出錯(cuò)導(dǎo)致的過分割和欠分割情況。

在圖5(a)所包含的4根纖維中，有1根分離式孤立纖維。利用連通域原理可將其快速找到，對(duì)另3根重疊纖維利用匹配凹點(diǎn)作直線進(jìn)行分割。由分割結(jié)果可見，該分割算法能在分離纖維的基礎(chǔ)上，最大化地保留原始纖維圖像的輪廓特征，這將有利于后續(xù)的纖維識(shí)別工作。

在此定義分割率Sr為

(11)

注：A為未分割的原始纖維圖像; B, C, D, E, F, G分別對(duì)應(yīng)各種情況下原始纖維圖像A分割出的單根纖維。圖5 重疊纖維圖像的分割Fig.5 Segmentation of overlapped fibers image; (a) Segmentation of four overlapped fibers; (b) Under-segmentation caused by concave point matching error;(c) Over-segmentation caused by concave point matching error

式中:Nr為結(jié)果中正確分割的纖維個(gè)數(shù);Nf為重疊纖維實(shí)際的纖維個(gè)數(shù)。用Sr衡量該算法分割的效果，Sr越大，表示被準(zhǔn)確分割的纖維個(gè)數(shù)越多，分割的效果越好。

在圖5(b)中實(shí)際包含5根黏連纖維，但在結(jié)果中只分離出了4根。在凹點(diǎn)匹配過程中，其中2個(gè)凹點(diǎn)由于黏連位置處的2個(gè)凹點(diǎn)間線段距離相對(duì)過長(zhǎng)，并且頂部凹點(diǎn)的前繼點(diǎn)(或后繼點(diǎn))和目標(biāo)點(diǎn)之間難以構(gòu)成直線關(guān)系，導(dǎo)致用本文算法失效。究其原因，這與圖像預(yù)處理時(shí)膨脹過程導(dǎo)致部分面積很小的銳角區(qū)域被平滑和填充，使得凹點(diǎn)特征被弱化有關(guān)，因此在圖像預(yù)處理中借用B樣條取得輪廓時(shí)，應(yīng)盡量減少或避免膨脹類數(shù)學(xué)形態(tài)學(xué)處理。

圖5(c)中實(shí)際有5根黏連纖維，但是實(shí)際卻只分割出6根纖維，其原因在于2個(gè)不匹配凹點(diǎn)周圍的纖維輪廓線特征相近，此外它們又剛好集中在一狹小面積區(qū)域內(nèi)，導(dǎo)致2點(diǎn)和他們的前繼點(diǎn)或后繼點(diǎn)連線接近于直線，從而出現(xiàn)錯(cuò)誤匹配，使得分割根數(shù)大于實(shí)際根數(shù)情況。此處可對(duì)算法作改進(jìn)，即對(duì)于有關(guān)聯(lián)匹配的凹點(diǎn)按像素的坐標(biāo)值排序。如對(duì)于圖5(c)中的交叉型凹點(diǎn)集按照坐標(biāo)大小及逆時(shí)針方向，如{左，下，右，上}對(duì)4個(gè)點(diǎn)排序，并禁止對(duì)非相鄰凹點(diǎn)連線分割纖維，于是問題得以解決。

此外，偽角點(diǎn)的存在有時(shí)也會(huì)產(chǎn)生錯(cuò)誤匹配，導(dǎo)致過分割現(xiàn)象，需在提取角點(diǎn)過程中加以剔除，本文主要通過設(shè)置閾值來剔除偽角點(diǎn)。

3.2偽角點(diǎn)的剔除

真正的角點(diǎn)往往存在輪廓曲線的尖角處，而偽角點(diǎn)一般存在于纖維兩側(cè)光滑輪廓曲線上。由于局部噪聲的影響，使得曲線上產(chǎn)生了一個(gè)局部尖角。在很小的范圍內(nèi)，偽角點(diǎn)處的角度變化很大，曲率很大，故被誤判為偽角點(diǎn)。偽角點(diǎn)分為偽凹點(diǎn)及偽凸點(diǎn)2類。如圖6所示，T1、T2和T3為2種不同類型的偽角點(diǎn)，其中T1為1個(gè)偽凸點(diǎn)，T2和T3為2個(gè)偽凹點(diǎn)。偽凸點(diǎn)可通過矢量三角形面積的正負(fù)排除；偽凹點(diǎn)可通過矢量三角形面積的大小進(jìn)行排除。故通過控制矢量三角形的面積閾值可在一定程度上減少偽角點(diǎn)的數(shù)量。

圖6 包含偽角點(diǎn)的纖維二值圖Fig.6 Fiber binary image including false corners

圖7示出不同的面積閾值下，3～5根纖維凹點(diǎn)檢測(cè)的準(zhǔn)確率統(tǒng)計(jì)，可得出將閾值設(shè)置為15時(shí)，凹點(diǎn)檢測(cè)的準(zhǔn)確率為最高，并且此閾值下的準(zhǔn)確率不隨根數(shù)變化而減小。原因在于雖然纖維重疊個(gè)數(shù)不同，但偽角點(diǎn)與纖維兩邊輪廓所圍成的面積相近。

圖7 面積閾值的選取Fig.7 Choice of area thresholds

3.3實(shí)驗(yàn)結(jié)果分析

通過對(duì)大量樣本測(cè)試，該算法對(duì)包含1～5根重疊纖維的圖像進(jìn)行分割的準(zhǔn)確性統(tǒng)計(jì)，結(jié)果如表1所示。對(duì)于1～2根重疊纖維圖像，幾乎都可正確分割，故沒有在表中統(tǒng)計(jì)。對(duì)于3～5根纖維圖像中凹點(diǎn)檢測(cè)、匹配和分割的結(jié)果如表1所示。隨著纖維數(shù)量增加，纖維的分布更加復(fù)雜，凹點(diǎn)的匹配率降低，導(dǎo)致分割的效果有一定程度的下降，但分割的成功率仍可維持在80%以上，證明該算法具有一定的穩(wěn)定性。如表1所示，分割率與凹點(diǎn)匹配的準(zhǔn)確率相關(guān)，與檢測(cè)到凹點(diǎn)的準(zhǔn)確性也是密不可分的。

表1 圖像分割準(zhǔn)確率結(jié)果統(tǒng)計(jì)Tab.1 Results statistics on image segmentation %

4 結(jié) 論

針對(duì)多根纖維交叉、黏連等重疊現(xiàn)象，提出了基于凹點(diǎn)匹配的重疊纖維分割算法。利用纖維圖像重疊區(qū)域凹點(diǎn)之間的特征關(guān)系，以及凹點(diǎn)、前繼(后繼)點(diǎn)和待匹配凹點(diǎn)構(gòu)成的三角形邊長(zhǎng)關(guān)系，將屬于同一纖維輪廓的特征凹點(diǎn)匹配，再用匹配上的凹點(diǎn)對(duì)重疊纖維進(jìn)行分割。結(jié)果表明，本文算法可解決多根纖維相互黏連或交叉重疊時(shí)不易分離和分割不精確等問題。本文算法不僅適用于提取重疊型纖維圖像中對(duì)應(yīng)重疊邊界處的凹點(diǎn)，而且可通過匹配算法實(shí)現(xiàn)重疊纖維的分割，在復(fù)雜重疊情況下，纖維分割成功率可達(dá)80%以上。

FZXB

[1] 應(yīng)樂斌, 戴連奎. 基于纖維縱向顯微圖像的棉/亞麻單纖維識(shí)別[J].紡織學(xué)報(bào), 2012,33(4): 12-18.

YING Lebin, DAI Liankui. Single fiber identification of cotton/flax fabric based on longitudinal view of microscopic fiber images [J]. Journal of Textile Research, 2012, 33(4): 12-18.

[2] 任帥杰,張文生,何源.基于圖像分析的纖維直徑和曲率的測(cè)量方法[J].中國(guó)圖象圖形學(xué)報(bào),2008, 13(6):1153-1158.

REN Shuaijie, ZHANG Wensheng，HE Yuan. Measuring diameter and curvature of fibers based on image analysis[J]. Journal of Image and Graphics, 2008, 13(6):1153-1158.

[3] ZHOU Zhiheng, DAI Ming, ZHONG Huiqiang. Parametric shape prior model used in image segment-ation[J]. Journal of Systems Engineering & Electronics, 2016, 27(5):1115-1121.

[5] RUBERTO C D, DEMPSTER A G, KHAN S, et al. Analysis of infected blood cell images using morphological operators[J]. Image and Vision Computing, 2002, 20(2): 133-146.

[6] GRAU V, MEWES A U, ALCANIZ M, et al. Improved watershed transform for medical image segmentation using prior information[J]. IEEE Transactions on Medical Imaging, 2004, 23(4): 447-458.

[7] RIZVANDI N B, PI?URICA A, PHILIPS W. Automatic individual detection and separation of multiple overlapped nematode worms using skeleton analysis[C]//Image Analysis and Recognition. Berlin: Springer, 2008:37-42.

[8] GONZALEZ R C, WOODS R E, EDDINS S L. Digital Image Processing Using MatLab[M]. Upper Saddle River: Prentice Hall, 2004:65-140.

[9] MILLER M A, KINGSBURY N. Image denoising using derotated complex wavelet coefficients[J]. IEEE Transactions on Image Processing, 2008, 17(9): 1500-1511.

[10] 余成波, 秦華峰, 張蓮.基于B樣條函數(shù)的圖像分割分水嶺算法研究[J].壓電與聲光,2008,30(3):356-358.

YU Chengbo, QIN Huafeng, ZHANG Lian. Watershed algorithm research of image segmentation based on B-spline function[J]. Piezoelectrics & Acoustooptics,2008, 30(3):356-358.

[11] GILBOA G, SOCHEN N. Image enhancement and denoising by complex diffusion processes[J]. Pattern Analysis & Machine Intelligence IEEE Transactions on, 2004, 26(8):1020-1036.

[12] FREEMAN H, DAVIS L S. A corner-finding algorithm for chain-coded curves[J]. Computers IEEE Transactions On, 1977,26(3):297-303.

[13] AWRANGJEB M, LU G. Robust image corner detection based on the chord-to-point distance accumulation technique[J]. IEEE Transactions on Multimedia,2008,10(6):1059-1072.

[14] ROSENFELD A, JOHNSTON E. Angle detection on digital curves[J]. IEEE Transactions on Computers, 1973, 22(9):875-878.

[15] SUN T H. K-Cosine corner detection[J]. Journal of Computers, 2008, 3(7):16-22.

[16] 陳瑞卿, 周健, 虞烈.一種判斷點(diǎn)與多邊形關(guān)系的快速算法[J]. 西安交通大學(xué)學(xué)報(bào), 2007, 41(1):59-63.

CHEN Ruiqing, ZHOU Jian, YU Lie. Fast method to determine spatial relationship between point and polygon[J]. Journal of Xi′an Jiaotong University, 2007, 41(1):59-63.

2017中國(guó)紡織學(xué)術(shù)年會(huì)圓滿落幕

2017中國(guó)紡織學(xué)術(shù)年會(huì)于11月3-5日在武漢成功召開。本屆年會(huì)以“融智·融創(chuàng)”為主題，由中國(guó)紡織工程學(xué)會(huì)主辦，武漢紡織大學(xué)承辦、富麗達(dá)集團(tuán)股份有限公司協(xié)辦，并且得到了江南大學(xué)、天津工業(yè)大學(xué)、西安工程大學(xué)、中國(guó)紡織科學(xué)研究院等單位的大力支持。中國(guó)科協(xié)學(xué)會(huì)服務(wù)中心黨委書記、副主任劉亞東，中國(guó)紡織工業(yè)聯(lián)合會(huì)會(huì)長(zhǎng)、中國(guó)紡織工程學(xué)會(huì)理事長(zhǎng)孫瑞哲，中國(guó)科學(xué)院院士張俐娜、中國(guó)工程院院士孫晉良、蔣士成、俞建勇，中國(guó)紡織工業(yè)聯(lián)合會(huì)副會(huì)長(zhǎng)李陵申出席會(huì)議。來自美國(guó)、日本、澳大利亞、印度、巴基斯坦、中國(guó)香港等國(guó)家和地區(qū)的海內(nèi)外科技工作者700余人參會(huì)。中國(guó)紡織工程學(xué)會(huì)常務(wù)副理事長(zhǎng)伏廣偉和武漢紡織大學(xué)教授徐衛(wèi)林主持主會(huì)場(chǎng)開幕式和學(xué)術(shù)報(bào)告。孫瑞哲理事長(zhǎng)，張俐娜院士，2016中國(guó)紡織學(xué)術(shù)大獎(jiǎng)獲得者程博聞教授、王華平研究員做精彩主題報(bào)告。會(huì)議宣布浙江理工大學(xué)教授陳文興榮獲2017中國(guó)紡織學(xué)術(shù)大獎(jiǎng)；丁彬等5人榮獲2017中國(guó)紡織學(xué)術(shù)帶頭人稱號(hào)；廖周榮等5人榮獲2017中國(guó)紡織技術(shù)帶頭人稱號(hào)；劉麗芳等3人榮獲2017“富麗達(dá)”中國(guó)紡織青年科技獎(jiǎng)。會(huì)上還頒發(fā)了第18屆陳維稷優(yōu)秀論文獎(jiǎng)，2017中科紡織科技成果轉(zhuǎn)化貢獻(xiàn)獎(jiǎng)，2017年度紡織優(yōu)秀博士、碩士學(xué)位論文獎(jiǎng)。同時(shí)還向10家中國(guó)紡織工程學(xué)會(huì)科研基地隆重授牌。

2017中國(guó)紡織學(xué)術(shù)年會(huì)共設(shè)7個(gè)分會(huì)場(chǎng)，圍繞高品質(zhì)原液著色纖維及其紡織品產(chǎn)業(yè)技術(shù)創(chuàng)新、現(xiàn)代紡織技術(shù)、產(chǎn)業(yè)用紡織品-分離膜技術(shù)與應(yīng)用、服裝科技創(chuàng)新、國(guó)際紡織高等教育論壇等熱點(diǎn)內(nèi)容展開深入交流；同時(shí)第3期“青年人才托舉工程”沙龍、中國(guó)科協(xié)第126期新觀點(diǎn)新學(xué)說學(xué)術(shù)沙龍暨第12期紡織科技新見解學(xué)術(shù)沙龍、中國(guó)紡織工程學(xué)會(huì)第25屆理事會(huì)第五次擴(kuò)大會(huì)議、《紡織學(xué)報(bào)》第九屆編輯委員會(huì)第2次會(huì)議同期舉行。

Concavepointsmatchingandsegmentationalgorithmforoverlappedfiberimage

CHEN Xiaochun1, ZHANG Yanbin1,2, PENG Hu1,3, CHEN Xiang1,3, CHU Naiqing4

(1.KeyLaboraryofElectronicsDesignAutomation,ResearchInstituteofTsinghuaUniversityinShenzhen,Shenzhen,Guangdong518057,China; 2.HarbinInstituteofTechnology(Shenzhen),Shenzhen,Guangdong518055,China; 3.SunYat-senUniversity,Guangzhou,Guangdong510275,China; 4.TechnologyCenterforIndustrialProducts,ShenzhenEntry-ExitInspectionandQuarantineBureauTesting,Shenzhen,Guangdong518045,China)

In order to identify the different components which are adhered or crossed each other in a hybrid fiber image, a fiber segmentation algorithm based on concave points matching in the overlap area was proposed. The detection of contour corners was firstly obtained, and the vector triangle area method was also used to find contour concave points from the corner set. For a given concave point, the precursor point (or subsequent point) and the target point were selected to form a triangle. The triangle and other significant features were used to judge whether the concave point and target point were matched. At last, by the connection of the matching concave points, the segmentation of overlapped fiber image could be realized. Compared with the existing algorithms of segmentation, the novel method employed a mechanism combined with distance between concave points and triangular construction principle to achieve the purpose of matching. The experimental results show that the algorithm can deal with the situation of adhesive fiber and cross fiber, with high segmentation accuracy over 80% in complicated scenes.

fiber image segmentation; overlapped fiber; corner; vector triangle area; concave point matching

10.13475/j.fzxb.20170202107

TP 319；TS 101.9

A

2017-02-14

2017-04-06

廣東省教育部產(chǎn)學(xué)研項(xiàng)目(2012B091100495)； 深圳市基礎(chǔ)研究項(xiàng)目(JCYJ20160429170032960)

陳曉春(1972—)，男，高級(jí)工程師，博士。主要研究方向?yàn)閿?shù)字圖像處理、無線通信及其相關(guān)集成電路設(shè)計(jì)。E-mail：chenxc@tsinghua-sz.org。